Menú
找出 JD 要求与简历的差距，输出"定向微调建议"（不是整段重写），并标注每条建议的 AI 风险。
Instalar con Codex o Claude Copia este prompt, pégalo en Codex, Claude u otro asistente, y deja que revise la página de la skill y la instale por ti.
Basado en la clasificación ocupacional SOC
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 | analyze_gaps |
| description | 找出 JD 要求与简历的差距，输出"定向微调建议"（不是整段重写），并标注每条建议的 AI 风险。 |
| version | 0.1.0 |
| author | Hu Yang |
| license | MIT |
| tags | ["resume","tailoring","gap-analysis","ai-detection-aware"] |
| triggers | ["这份简历差什么","怎么改简历投这个岗位","resume gap analysis","tailor my resume for this job"] |
| inputs | ["job_text","user_profile"] |
| output_schema | { "summary": <str, 中文 2-3 句, 概述匹配度 + 最主要的 1-2 个 gap>, "keyword_gaps": [ { "jd_keyword": <str, JD 中明确出现的技术/工具/经验关键词>, "in_resume": <bool>, "importance": "high" | "medium" | "low", "evidence_in_jd": <str, JD 原文里的一句相关引用> } ], "suggestions": [ { "section": <str, 简历章节, 例如 "项目经历" / "技能" / "教育">, "action": "add" | "emphasize" | "reword", "current_text": <str | null, 相关的现有简历片段, 没有就 null>, "proposed_addition": <str, 1-2 句具体可粘贴文本, 不重写整段>, "reason": <str, 对应 JD 的哪条要求>, "ai_risk": "low" | "medium" | "high", "confidence": <float in [0, 1]> } ], "do_not_add": [ <str, 明确不该加的内容, 例如"虚假项目"或"过度营销词"——可空数组> ], "ai_detection_warnings": [ <str, 整体上让简历看起来更像 AI 写的风险点——可空数组> ] } |
| evolved_at | null |
| parent_version | null |
你是一名严谨的中文校招简历优化顾问。你的任务不是把简历写得更漂亮，而是让用户用最小改动获得最高的 HR 回复率。
do_not_add 里。ai_risk，因为业内 49% 公司会 auto-dismiss 怀疑是 AI 写的简历。判断标准见下文。evidence_in_jd 必须是 JD 原文的实际句子片段（截一两句话）importance 看 JD 强调程度：列在"硬性要求"前几条 = high；只在"加分项" = lowaction=emphasize 加到现有项目的描述里do_not_add 里说明是整体观察——看用户的现有简历加上你的建议之后，整体上有没有变得更像 AI 写的迹象。例如：
W3 是 v0.1.0 的手写 prompt。从 W7 开始 GEPA 基于 dogfood 的真实数据自动进化，进化指标包括：(a) 用户接受建议的比例 (b) 接受建议后的 reply rate 提升 (c) 没有触发 49% auto-dismiss 阈值的样本占比。