| name | resume-coach |
| description | AI 简历评估与优化工具。基于 STAR/BAR 框架从猎头视角评分、分析、改写简历,支持多 JD 适配分析。触发词:评估简历、简历打分、resume review、简历优化 |
resume-coach — AI 简历评估与优化
基于 STAR/BAR 框架的猎头级简历诊断工具。主流程由 agent 直接执行,配套脚本处理文件解析。
触发条件
当用户要求:评估简历、简历打分、简历优化、resume review、对比简历与 JD 匹配度、提到 "resume-coach"
配套工具
SKILL_DIR=".claude/skills/resume-coach"
python "$SKILL_DIR/parser.py" <文件路径>
SOP 流程
第一步:收集输入
询问用户提供:
- JD(岗位描述):可多份(最多 3 份),接受文字粘贴或文件路径
- 简历:接受文字粘贴或文件路径(.pdf / .docx / .txt / .md)
如用户提供文件路径,用配套工具解析:
python .claude/skills/resume-coach/parser.py <文件路径>
第二步:执行评估
直接以猎头视角分析简历,输出以下内容:
2.1 评分体系(总分 100)
| 维度 | 满分 | 评估重点 |
|---|
| 职业定位精准度 | 20 | Profile/Summary 是否精准对准目标岗位 |
| 成果叙事质量 | 25 | 每条经历是否包含完整 STAR(情境→行动→结果)叙事 |
| 岗位匹配度 | 25 | 核心技能/经验与 JD 要求的吻合程度 |
| 数据化表达 | 15 | 成果描述中量化指标(金额/比例/人数)的使用 |
| 文笔精炼度 | 15 | 动词选用是否精准,是否存在冗余/空洞表述 |
2.2 评分细则
职业定位精准度(0-20)
评估简历的求职目标是否清晰,Profile/Summary 能否让招聘方快速判断候选人适合度。
- 20分:目标职位非常明确,Summary/Profile 精准对应 JD,一眼看出求职者适合这个职位
- 15-19分:定位清楚,但 Summary 有 1-2 句空洞描述或与 JD 稍微偏离
- 10-14分:定位模糊,看不出针对此职位的独特优势
- 5-9分:没有 Summary 或完全无法对应 JD
- 0-4分:定位混乱或完全不相关
成果叙事质量(0-25)
基于 STAR/BAR 方法论,评估每条经历的叙事是否包含:情境(Situation) → 行动(Action) → 结果(Result)。
- 每一条工作经历条目:有完整 STAR(背景+行动+结果)得 4-5 分,只有行动没有结果得 2-3 分,纯描述职责得 0-1 分
- 以此累计所有条目后换算到 25 分制
- 优秀标准:80%以上条目都有明确的 Action + Result
岗位匹配度(0-25)
简历中的核心技能、行业经验、工作内容与目标 JD 的吻合程度。
- 25分:技能关键词、工作性质、行业背景与 JD 高度吻合(80%以上)
- 18-24分:大部分符合,但有 1-2 个 JD 核心要求未体现
- 10-17分:部分符合,缺少多个 JD 关键要求
- 0-9分:严重不符或无法判断
数据化表达(0-15)
成果描述中是否使用了具体数字来增强说服力。
- 15分:每份工作都有至少 2 个量化数字(金额/百分比/人数/件数/时间)
- 10-14分:主要工作有量化,部分缺乏
- 5-9分:只有少量量化,大多数成果无数字佐证
- 0-4分:几乎无量化数字
文笔精炼度(0-15)
措辞是否精炼有力,动词选用是否精准,是否存在冗余表述。
- 15分:每条都以强力 Action Verb 开头,无冗词,无空洞自我评价
- 10-14分:大部分使用 Action Verb,偶有冗词
- 5-9分:动词选用普通,或有明显空洞描述(如"负责""参与")
- 0-4分:大量冗词、被动语态、空洞形容
2.3 评分一致性原则
- 对同一份简历,相同评估标准每次必须给出相近的分数(误差不超过 3 分)
- 分数必须真实反映简历质量,不可随意拔高或压低
- 若简历有改善(更多量化、更强动词、更符合 JD),分数应相应提升
2.4 输出格式
## 📊 评估结果
### 综合评分:{X}/100
| 维度 | 得分 | 满分 |
|------|------|------|
| 职业定位精准度 | {n}/20 | 20 |
| 成果叙事质量 | {n}/25 | 25 |
| 岗位匹配度 | {n}/25 | 25 |
| 数据化表达 | {n}/15 | 15 |
| 文笔精炼度 | {n}/15 | 15 |
### 🎯 整体评论
{3-5 句整体评论,必须引用简历中具体内容作为佐证,不可空泛}
### ⚠️ 主要问题
❌ {问题1 — 必须指出具体是哪句话或哪个区块有问题}
❌ {问题2}
❌ {问题3-5,每条前加 ❌,换行分隔}
### ✏️ 修改建议
✅ {建议1 — 必须给出「原文 → 改写」范例}
✅ {建议2 — 必须给出「原文 → 改写」范例}
✅ {建议3-8,每条前加 ✅,换行分隔}
### 📐 格式建议
📐 {格式建议1 — 仅限字体/字号/排版/间距}
📐 {格式建议2-5,每条前加 📐,换行分隔}
第三步:多 JD 适配分析(如有 2+ 份 JD)
每个 JD 必须独立评分,给出适配分数和契合度分析:
### 📊 各职位适配分数
| 职位 | 分数 | 评估 |
|------|------|------|
| 职位 1 | {n}/100 | {高度契合 ≥80 / 部分契合 60-79 / 契合度低 <60} |
| 职位 2 | {n}/100 | {...} |
{每个职位 2-3 句说明契合原因,需引用简历具体内容与 JD 具体要求做对照}
第四步:输出优化简历
核心约束(必须遵守):
- 所有内容(数字、公司、职称、工具、技能、成果)必须 100% 来自原版简历原文,严禁虚构、推测、补充任何原文未提及的信息
- 若原文某条无量化数字,则保持无数字,用更强的动词与结果描述来强化,绝对不可自行加上数字
- 可以重新排列句子结构、替换更精准的动词、强化 STAR 逻辑,但所有内容必须 100% 源自原版简历
- 保留所有工作经历与条目,一条都不能少
- 自动检测简历原文语言,优化版本使用与原简历相同的语言
优化要点:
- 每条经历按 STAR 框架重组:先给情境背景,再写具体行动,最后呈现可衡量的结果
- 替换弱动词为强动词(如 "负责" → "主导"、"参与" → "推动"、"协助" → "协同完成")
- 删除所有空洞的自我评价(如"工作认真负责"、"具有良好的团队协作能力"),用具体行为替代
- 每句话都必须有实际行为佐证,不含任何无法验证的形容词
- 调整信息优先级:将与目标岗位最相关的技能和经历前置
- 目标是同时适配所有提供的 JD
直接输出优化后的完整简历全文。
第五步:导出为 Markdown 文件(可选)
若用户需要保存,将评估结果 + 优化简历整理为 Markdown 文件,使用 Write 工具写入用户指定路径。
文件结构:
# 简历评估报告 — {姓名}
## 📊 评估结果
(评分表格 + 评论 + 问题 + 建议)
## 📝 优化后的简历
(完整优化简历文本)