---

name: resume-craft description: "优化简历，基于目标岗位JD进行关键词匹配分析，用STAR法则量化改写经历描述，并进行ATS友好度检查，最终输出一份针对性强、通过率高的优化简历。当用户请求优化、修改、润色简历，提到JD匹配、关键词、STAR法则、ATS，或询问“帮我改一下简历”、“这份简历能不能优化”、“简历怎么过ATS”等具体问题时触发。" license: MIT

Resume Optimizer

简历优化三板斧：基于目标 JD 进行关键词匹配分析，用 STAR 法则量化改写经历描述，最后做 ATS 友好度检查，输出一份针对性强、通过率高的优化简历。

Quick Start

用户提供简历内容（或文件）和目标 JD，Agent 按以下流程自动完成简历优化：

用户：帮我优化一下简历，我要投这个岗位 [附 JD + 简历]
Agent：[按 SOP 流程输出优化建议和改写后的简历]

SOP 流程

Phase 1: 输入收集与初步分析

目标：获取用户的简历内容和目标 JD，建立优化基线。

操作步骤：

1. 收集材料：

   • 获取用户简历内容（文本粘贴或文件路径）
   • 获取目标岗位 JD（文本粘贴或链接描述）
   • 如用户未提供 JD，询问目标岗位方向（行业 + 职位 + 级别）

2. 简历基础信息解析：

   • 识别简历结构板块（教育背景、工作经历、项目经历、技能清单等）
   • 统计简历长度、经历条数、时间跨度
   • 标注当前简历的格式类型（时间倒序型 / 功能型 / 混合型）

3. JD 核心要素提取：

   • 岗位名称与级别
   • 核心职责（Top 5）
   • 必备要求（Hard Requirements）
   • 加分项（Nice-to-Have）
   • 关键技能词和行业术语

输出：简历现状摘要 + JD 要素清单

---

Phase 2: JD 关键词匹配分析

目标：系统比对简历与 JD 之间的关键词覆盖度，找到匹配缺口。

操作步骤：

1. 关键词分类提取： 从 JD 中提取三类关键词：

   类别	说明	示例
   硬技能关键词	技术栈、工具、方法论	Python, SQL, A/B测试, Scrum
   软技能关键词	能力素质要求	跨团队协作, 数据驱动, 项目管理
   行业/业务关键词	领域专属术语	DAU, 转化率, 用户增长, SaaS

2. 匹配度分析： 逐个关键词在简历中检索，生成匹配矩阵：

   | 关键词 | JD要求等级 | 简历是否包含 | 出现位置 | 匹配建议 |
   |--------|-----------|-------------|----------|----------|
   | Python | 必备 | ✅ 有 | 技能清单+项目1 | 保持，可补充具体场景 |
   | SQL | 必备 | ❌ 无 | - | 需补充，建议在项目经历中体现 |
   

3. 覆盖率评分：

   • 必备关键词覆盖率 = 已匹配必备词数 / 总必备词数 × 100%
   • 加分项覆盖率 = 已匹配加分词数 / 总加分词数 × 100%
   • 基准线：必备关键词覆盖率 ≥ 80% 为合格，≥ 90% 为优秀

4. 缺口补充建议：

   • 对每个未覆盖的必备关键词，建议在简历哪个板块、哪段经历中补充
   • 给出具体的融入方式（技能清单直接添加 / 经历描述中嵌入 / 项目成果中体现）

输出：关键词匹配矩阵 + 覆盖率评分 + 缺口补充方案

---

Phase 3: STAR 量化改写

目标：用 STAR 法则重写每段经历，确保有量化数据支撑。

STAR 法则定义：

要素	含义	检查要点
S - Situation	背景情境	什么时候、什么场景、什么规模
T - Task	任务目标	你的职责是什么、要解决什么问题
A - Action	具体行动	你做了什么、用了什么方法/工具
R - Result	量化成果	数据变化、效率提升、成本节约

操作步骤：

1. 现有经历诊断： 对每条经历描述评估 STAR 完整度：

   原文："负责用户增长相关工作"
   
   诊断：
   - S（背景）：❌ 缺失 — 不知道什么产品、什么阶段
   - T（任务）：⚠️ 模糊 — "相关工作"太笼统
   - A（行动）：❌ 缺失 — 没有具体动作
   - R（成果）：❌ 缺失 — 没有任何数据
   评分：1/4（严重不足）
   

2. 量化改写： 引导用户补充信息后，按 STAR 结构改写：

   改写后："在[产品名称]（DAU 50万+）用户增长停滞期，
   主导搭建新用户激活漏斗分析体系（S+T），
   通过优化注册流程 3 个关键节点 + 设计 7 日留存激励策略（A），
   3 个月内将新用户次日留存率从 32% 提升至 45%，月活增长 18%（R）"
   

3. 量化数据引导： 如果用户不确定具体数据，提供挖掘思路：

   量化维度	引导问题
   规模指标	管了多少人/产品日活多少/项目预算多少
   效率提升	之前花多长时间，优化后多长时间
   业绩增长	收入/用户/转化率变化了多少
   成本节约	节省了多少钱/人力/时间
   影响范围	覆盖多少用户/服务多少客户/影响几个团队

   数据诚信原则：

   • 所有数据必须基于用户真实经历，禁止凭空编造
   • 如用户无法提供精确数据，可用合理范围表述（如"提升约 20%-30%"）
   • 鼓励用户使用"相对值"而非绝对值（如"效率提升 2 倍"比"每天节省 3.7 小时"更安全）

4. 改写质量检查： 每条改写后的经历必须满足：

   • 包含至少 1 个量化数据点
   • STAR 四要素至少覆盖 3 个
   • 以动词开头（主导、搭建、优化、推动、设计...）
   • 单条不超过 3 行（ATS 可读性）
   • 融入了 Phase 2 中缺失的关键词

输出：逐条改写前后对照表 + STAR 评分变化

---

Phase 4: ATS 友好度检查

目标：确保简历能顺利通过 ATS（Applicant Tracking System）自动筛选。

ATS 基本原理： ATS 是企业用来自动筛选简历的系统，它通过解析简历文本、匹配关键词、评分排序来决定简历是否进入人工筛选环节。常见系统包括 Workday、Greenhouse、Lever、北森等。

操作步骤：

1. 格式兼容性检查：

   检查项	合格标准	常见问题
   文件格式	PDF 或 DOCX（优先 PDF）	图片格式简历无法解析
   排版结构	单栏布局，标准标题层级	双栏/三栏布局可能解析错乱
   字体	常见字体（宋体、微软雅黑、Arial、Calibri）	艺术字体可能显示异常
   表格使用	避免使用复杂表格排版	表格内文字可能被跳过
   页眉页脚	关键信息不放页眉页脚	部分 ATS 跳过页眉页脚区域
   图片/图标	不使用图片承载关键信息	ATS 无法识别图片中的文字
   特殊字符	避免项目符号使用特殊 Unicode 字符	使用标准 bullet（•）或短横线（-）

2. 内容结构检查：

   检查项	合格标准
   标题命名	使用标准板块标题（"工作经历""教育背景""项目经历""技能"）
   时间格式	统一格式（如"2023.01 - 2024.06"或"2023年1月 - 2024年6月"）
   公司/学校名称	使用全称，不用简写（如"阿里巴巴集团"而非"ali"）
   联系方式	包含姓名、电话、邮箱，放在简历开头显眼位置
   文件命名	建议格式："姓名_目标岗位_简历"（如"张三_产品经理_简历.pdf"）

3. 关键词密度检查：

   • 核心关键词在简历中出现至少 2-3 次（分布在不同板块）
   • 避免关键词堆砌（同一段落重复使用相同关键词）
   • 关键词使用与 JD 一致的表述（JD 写"数据分析"就不要写成"数据挖掘"）

4. ATS 评分输出：

   ATS 友好度评分卡
   ==================
   格式兼容性：   ██████████ 90/100
   标题规范性：   ████████░░ 80/100
   关键词匹配度： ███████░░░ 70/100（详见 Phase 2）
   内容结构完整性：█████████░ 85/100
   ──────────────────────
   综合评分：     81/100（良好）
   
   ⚠️ 主要扣分项：
   1. 使用了双栏布局（-10分）
   2. 缺少"技能"独立板块（-5分）
   3. "数据分析"关键词仅出现1次（-5分）
   

输出：ATS 友好度评分卡 + 逐项检查结果 + 修改建议

---

Phase 5: 综合优化输出

目标：整合前四个阶段的结论，输出最终优化方案。

操作步骤：

1. 优化摘要：

   简历优化总结
   ============
   JD 关键词覆盖率：62% → 92%（+30%）
   STAR 量化完整度：平均 1.5/4 → 3.5/4
   ATS 友好度评分：55/100 → 88/100
   改动经历条数：6/8 条
   新增关键词数：7 个
   

2. 输出改写后的完整简历内容：

   • 按板块顺序输出优化后的完整简历文本
   • 改动部分用加粗标注，方便用户对比
   • 保持用户原有的真实信息不变（学校、公司、时间等）

3. 附加建议（如适用）：

   • 简历长度建议（应届 1 页，3-5 年经验 1-2 页，10 年以上可 2 页）
   • 板块排列顺序建议（根据经验年限调整教育/经历的先后）
   • 针对不同投递渠道的微调建议（猎头/官网/内推侧重点不同）

输出：优化摘要 + 改写后完整简历 + 附加建议

---

流程控制规则

交互模式选择

用户输入	模式	行为
只提供简历，无 JD	引导模式	先询问目标岗位和 JD，再开始分析
提供简历 + JD	标准模式	按 Phase 1-5 完整执行
只要求某个环节	单点模式	只执行用户指定的 Phase（如只做 ATS 检查）
说"快速看一下"	诊断模式	快速输出三项评分 + Top 3 改进建议，不做完整改写

质量检查清单

在输出最终结果前，逐项检查：

• 关键词匹配矩阵是否完整（覆盖 JD 所有必备要求）
• 每条改写经历是否包含至少 1 个量化数据点
• STAR 改写是否保持了用户原始经历的真实性
• 未凭空编造任何数据或经历
• ATS 检查是否覆盖了所有格式项
• 改写后的简历长度是否合理
• 关键词是否自然融入而非生硬堆砌
• 联系方式等敏感信息未泄露或篡改

迭代优化

如果用户对优化结果有反馈：

1. 定位反馈涉及的 Phase
2. 从该 Phase 重新执行
3. 向下级联更新所有受影响的内容
4. 保持整体一致性（关键词、STAR 改写、ATS 检查联动更新）

核心原则

1. 真实性第一：所有优化必须基于用户真实经历，严禁编造数据和经历
2. 针对性优化：每一处修改都应服务于目标 JD 的匹配，不做无目的的美化
3. 可操作性：给出的建议用户能直接使用，不说"建议量化"而不给具体引导
4. 隐私保护：提醒用户在分享简历时注意脱敏（手机号、住址等）