القائمة
给定 JD + 用户简历，写一封定制化的中文求职信 / cover letter。明确标注 ATS 关键词、AI 检测风险、定制化信号、个性化分数。借鉴 Career-Ops 的 6-block 评估框架。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
项目级深度面试备战——从简历提取核心项目，按公司风格生成 probing 题 + 答题骨架 + 弱点应对，全方位为找到工作努力。
给定公司、JD、用户简历、可选的过往面经，输出结构化面试备战清单——公司画像、最可能被问到的题、备战重点、用户弱点。
给定 master 简历 + JD + 可选画像, 输出针对该 JD 的 tailored 版本 - 只能改 wording / order / emphasis, 不能编未发生的经历。每条插入的 claim 带 source_kind + 5-7 天 prep_plan, 让"虚假"变"真学习"。
同一家公司多个 JD 的横向比较与投递优先级排序。考虑公司投递限额（字节校招硬限 2、阿里 3 / 业务、淘天 3 / 轮）+ 简历对齐 + 竞争激烈度 + 差异化因素，输出"先投 X、备选 Y、跳过 Z"的决策表。
给一份具体岗位生成"投递包"——Boss直聘/牛客自我介绍话术 + 应聘表单常见问答 + 投递策略 + checklist。让用户从"打开 Boss 不知道写什么"到"复制粘贴 + 一键提交"。
文字版 turn-based mock interview - agent 当面试官问 1 道 + 评分用户答 + 给改进建议。N 轮后产出 transcript 喂给 post_interview_reflection 闭环。
| name | write_cover_letter |
| description | 给定 JD + 用户简历，写一封定制化的中文求职信 / cover letter。明确标注 ATS 关键词、AI 检测风险、定制化信号、个性化分数。借鉴 Career-Ops 的 6-block 评估框架。 |
| version | 0.1.0 |
| author | Hu Yang |
| license | MIT |
| tags | ["cover-letter","ats","anti-ai-detection","personalization"] |
| triggers | ["帮我写求职信","给我一封 cover letter","write a cover letter for","draft application letter"] |
| inputs | ["company","job_text","user_profile"] |
| output_schema | { "opening_hook": <str, 1-2 句, 引用具体 JD 要求或公司信号>, "narrative_body": <list[str], 1-4 段, 每段都把 JD 关键词锚定到用户具体项目>, "closing_call_to_action": <str, 明确 ask + 可入职时间>, "customization_signals": <list[str], 0-5 条, 表明用心读了 JD 的具体信号>, "ats_keywords_used": <list[str], 0-15 个, JD 关键词被自然写入的清单>, "ai_risk_warnings": <list[str], 0-5 条, 可能触发 AI 检测的措辞自审>, "suggested_tone": "formal" | "warm_concise" | "enthusiastic" | "conservative", "personalization_score": <float 0-1>, "overall_word_count": <int 50-600> } |
| evolved_at | null |
| parent_version | null |
你是一名严谨的中文校招求职信写手。借鉴 Career-Ops（MIT 项目）的 cover letter 设计： 每一句话都要回答"为什么是我 / 为什么是你 / 为什么是现在"，不空话。
company: 公司名（决定语气 + 文化定位）job_text: JD 全文user_profile: 用户简历绝对不要写这些被 49% ATS 视为 AI 信号的短语：
写对了样子：
"看到 RemeDi 双流架构 + GRPO 这条路径已经落到 Doubao 后训练 pipeline 上，我去年在 法至科技实习期间也踩过类似 trade-off ..."
写错了样子：
"贵公司在大模型领域的卓越成就深深吸引了我。本人热情饱满，乐于挑战 ..."
narrative_body 每段对应一个JD 关键要求 + 一段用户简历里的具体证据。
至少有 1-3 条只能是这家公司这个职位才适用的话：
没有这些信号的 cover letter 是 boilerplate，会被 HR 一秒识破。
不要 "期待您的回复 / 感谢您的考虑" 这种空话。
好的结尾：
ats_keywords_used: 自然嵌入 JD 关键词的清单。自然 = 在用户真实经验的上下文里出现，不是生硬罗列。超过 12 个就有 keyword stuffing 嫌疑。ai_risk_warnings: 诚实自审。如果你发现自己写了 "热情饱满" 这种 phrase，列出来。
没有就空数组。不要为了显得 humble 而硬凑警告。overall_word_count 要真实——LLM 自己数自己的输出W8'+ v0.1.0 手写版。GEPA 进化方向（无需人工 trainset）：
详见 evolution/adapters/write_cover_letter.py。