| name | resume-generator |
| description | Extract work experience from project documents using XYZ formula ("Accomplished X, measured by Y, by doing Z") and generate JSON Resume format. Use when user mentions "生成简历", "generate resume", "提取项目经验", "extract experience", "创建 resume", or provides a JD asking for resume. |
| metadata | {"author":"Alenryuichi","version":"4.0","language":"zh-CN"} |
简历生成 Skill (Agent-First)
目的
一句话触发全流程：用户只需说"帮我针对这个 JD 生成简历"，Agent 自动完成 JD 解析 → 项目匹配 → 内容优化 → 质量检查 → 面试准备。
Agent-First 原则:
- 零配置：不需要用户编辑任何配置文件
- 自动决策：Agent 自动选择项目、优化内容、检查质量
- 主动服务：Agent 主动提问补全信息、输出面试准备
- 透明可控：展示决策依据，用户可纠正
核心原则:
- 项目维度优先:
work 只保留简要职责，projects 包含完整内容
- XYZ 公式: "Accomplished [X] as measured by [Y] by doing [Z]"
- 注意: STAR 格式适用于面试回答，不适用于简历 bullet points
触发条件
当用户请求包含以下关键词时激活：
- "生成简历" / "帮我生成简历"
- "针对这个 JD 生成简历"
- "提取项目经验"
- "创建 resume"
- "整理工作经历"
- "更新简历"
- 用户提供 JD 并暗示需要简历
🤖 Agent-First 自动化流程
端到端流程（用户只需一句话）
用户: "帮我针对这个 JD 生成简历：[JD 内容]"
↓
┌─────────────────────────────────────────────────────┐
│ Step 1: JD 自动解析 │
│ - 提取关键词（必需技能、优先技能、软技能） │
│ - 识别公司类型（大厂/创业/外企） │
│ - 推断风格偏好（详细/简洁） │
├─────────────────────────────────────────────────────┤
│ Step 2: 项目自动匹配 │
│ - 计算每个项目与 JD 的匹配度 │
│ - 选择 Top 3-5 最相关项目 │
│ - 相关项目详写（3-5 bullets），不相关项目简写（1-2） │
├─────────────────────────────────────────────────────┤
│ Step 3: 内容自动优化 │
│ - 自动注入 JD 关键词 │
│ - 自动替换弱动词为强动词 │
│ - 自动修复 ATS 不友好元素 │
├─────────────────────────────────────────────────────┤
│ Step 4: 质量自动检查（生成后自动执行） │
│ - 输出匹配度报告 │
│ - 输出健康度评分 │
│ - 输出优化建议 │
├─────────────────────────────────────────────────────┤
│ Step 5: 面试准备自动附带 │
│ - 预测可能的面试问题 │
│ - 标记深挖点 │
│ - 生成 STAR 回答建议 │
└─────────────────────────────────────────────────────┘
↓
输出: 简历 + 匹配报告 + 面试准备
JD 自动解析（内置能力）
Agent 自动解析 JD，用户无需单独请求：
自动提取:
| 提取项 | 示例 |
|---|
| 必需技能 | Go, 分布式系统, 微服务 |
| 优先技能 | Kubernetes, 消息队列 |
| 软技能 | 团队协作, 沟通能力 |
| 公司类型 | 大厂 / 创业 / 外企 |
| 职级信号 | 高级 / 初级 |
自动推断风格:
JD 来自大厂（字节/阿里/腾讯）→ 详细风格、强调系统设计
JD 来自创业公司 → 简洁风格、强调全栈能力
JD 来自外企 → 英文术语、强调沟通能力
JD 包含"高级/资深" → 强调架构和团队管理
JD 包含"初级/应届" → 强调项目经验和学习能力
项目自动匹配
Agent 自动计算匹配度，用户无需指定项目优先级：
匹配算法:
- 提取 JD 关键词（技能、职责、行业）
- 计算每个项目与 JD 的匹配度分数
- 按匹配度排序，选择 Top 3-5 项目
- 相关项目详写（3-5 条 highlight），不相关项目简写（1-2 条）
输出示例（Agent 内部使用，可选向用户展示）:
项目匹配度:
1. 反作弊治理系统 - 85% ✅ 详写
2. 智能客服 RAG - 72% ✅ 详写
3. 策略管理系统 - 45% 简写
4. 内部工具开发 - 20% 简写
内容自动优化
Agent 生成时自动执行，用户无需请求：
| 优化项 | 自动行为 |
|---|
| 关键词注入 | 将 JD 关键词自然融入 bullet points |
| 动词强化 | "参与"→"主导"，"帮助"→"推动" |
| ATS 修复 | 移除特殊字符、统一格式 |
| 风格适配 | 根据公司类型调整措辞 |
XYZ 公式 vs STAR 格式
| 方法 | 用途 | 格式 |
|---|
| XYZ | 简历 bullet points | 一句话：成果 + 量化 + 方法 |
| STAR | 面试回答 | 完整叙事：背景→任务→行动→结果 |
XYZ 公式 (Google 推荐):
"Accomplished [X] as measured by [Y] by doing [Z]"
"成果 + 量化指标 + 具体方法"
示例:
- ❌ STAR:
[背景] 用户申诉文本噪音大... [任务] 作为技术负责人... [行动] 设计 Query Rewriter... [结果] 召回率提升 20%
- ✅ XYZ:
提升 CBR 召回率 20%（65%→85%+），通过设计 Multi-Query 并行检索策略跨越语义鸿沟
简历结构（项目维度）
resume.json
├── basics (基本信息 + profiles)
├── work (简要职责，无 highlights)
│ └── 公司: "负责 XX 系统开发，主导 N 个核心项目"
├── projects (XYZ bullet points) ← 核心部分
│ ├── 项目 A (3-4 个 XYZ bullets)
│ ├── 项目 B (3-4 个 XYZ bullets)
│ └── 项目 C (3-4 个 XYZ bullets)
├── education
└── skills (精简分类)
处理流程
Step 1: 文档解析
从项目文档中提取：
- 项目名称
- 时间范围
- 所属公司 (entity)
- 核心成果 (X) - 做了什么、达成了什么
- 量化指标 (Y) - 数字、百分比、规模
- 具体方法 (Z) - 技术方案、实现手段
Step 2: XYZ Bullet 构建
将提取的内容转换为 XYZ 格式：
| 部分 | 验证规则 | 示例 |
|---|
| X (成果) | 以动词开头，描述达成的成果 | "提升 CBR 召回率"、"实现分布式系统" |
| Y (量化) | 必须有具体数字 | "20%（65%→85%+）"、"<500ms" |
| Z (方法) | 具体技术方案 | "通过设计 Multi-Query 并行检索策略" |
每个项目 3-4 个 XYZ bullets，避免冗长。
Step 3: JSON Resume 转换
work 部分 - 简要职责：
{
"work": [{
"name": "公司名称",
"position": "职位",
"startDate": "YYYY-MM-DD",
"summary": "负责 XX 系统开发，主导 N 个核心项目的架构设计与落地"
}]
}
projects 部分 - XYZ bullets：
{
"projects": [{
"name": "项目名称",
"description": "一句话描述项目定位和规模",
"startDate": "YYYY-MM-DD",
"endDate": "YYYY-MM-DD",
"highlights": [
"成果1 + 量化指标，通过 具体方法",
"成果2 + 量化指标，通过 具体方法",
"成果3 + 量化指标，通过 具体方法"
],
"keywords": ["技术栈1", "技术栈2"],
"roles": ["角色"],
"entity": "所属公司"
}]
}
输出格式
JSON Resume 格式（项目维度）
{
"$schema": "https://raw.githubusercontent.com/jsonresume/resume-schema/v1.0.0/schema.json",
"basics": {
"name": "姓名",
"label": "职位标签",
"summary": "一句话总结核心能力和成果",
"profiles": [{"network": "GitHub", "url": "..."}]
},
"work": [{"name": "公司", "position": "职位", "summary": "简要职责"}],
"projects": [...],
"education": [...],
"skills": [...]
}
质量检查
MUST 满足
- 每个 bullet 符合 XYZ 格式（成果 + 量化 + 方法）
- 每个项目 3-4 个 highlights（不超过 5 个）
- 每个项目至少 2 个量化指标
work.highlights 为空或不存在（内容在 projects 中）- 所有技术术语准确
- 时间线逻辑正确
警告提示
- 缺少量化数据时提示用户补充
- bullet 过长时建议拆分或精简
- 发现敏感信息时提醒脱敏
- 使用 STAR 标签（如
[背景]）时提醒改用 XYZ 格式
数据源配置
主数据源:
projects/ - 静态项目文档（不再更新的历史项目）yuque-sync/docs/腾讯增量履历/ - 语雀同步的动态文档yuque-sync/docs/独立开发/ - 语雀同步的独立开发项目
项目文档路径映射:
静态项目 (本地维护):
- 自建应用反作弊治理:
projects/自建应用反作弊治理/
动态项目 (语雀同步):
- 风控审核大模型:
yuque-sync/docs/腾讯增量履历/风控审核大模型/
- 策略全生命周期管理:
yuque-sync/docs/腾讯增量履历/策略全生命周期管理/
- 周报汇总:
yuque-sync/docs/腾讯增量履历/周报/
- 独立开发项目:
yuque-sync/docs/独立开发/
使用方式:
cd yuque-sync && npx yuque-sync sync
示例
输入
项目: 自建应用反作弊治理
数据源: projects/自建应用反作弊治理/
背景: 企业微信自建应用存在异常服务商...
输出（XYZ 格式）
{
"work": [{
"name": "腾讯 - 企业微信",
"position": "高级算法工程师",
"startDate": "2022-07-01",
"summary": "负责 AI Agent 系统与智能检测引擎开发，主导 3 个核心项目的架构设计与落地"
}],
"projects": [{
"name": "自建应用反作弊治理系统",
"description": "大规模智能检测与自动化治理系统，覆盖 311 万活跃用户",
"startDate": "2023-01-01",
"endDate": "2024-06-30",
"highlights": [
"识别违规服务商 820 家、企业 5.2 万家，通过设计 10+ 维度检测特征（域名扩散、IP 聚类、社区算法）处理亿级实体数据",
"实现年化收益近 4000 万，通过多维度算法挖掘（域名 178 万/月 + IP 38 万/月 + Path 关键词 30 万/月）",
"将人工干预减少 80%，通过构建 30+ 模块端到端自动化决策系统（识别→灰度→迁移→反馈闭环）",
"实现零投诉运营，通过主导服务商违规条款建立并妥善处理百余家企业反馈"
],
"keywords": ["图算法", "域名扩散", "IP 聚类", "TDW/Spark"],
"roles": ["技术负责人"],
"entity": "腾讯 - 企业微信"
}]
}
🎯 自动输出（生成后自动附带）
匹配度报告（自动输出）
生成简历后，Agent 自动输出以下报告，用户无需请求：
---
## 📊 简历匹配报告
### JD 解析结果
- **目标公司**: 字节跳动
- **公司类型**: 大厂（详细风格）
- **必需技能**: Go, 分布式系统, 微服务 ✅ 全匹配
- **优先技能**: Kubernetes ⚠️ 建议补充
### 项目匹配度
| 项目 | 匹配度 | 详略 |
|------|--------|------|
| 反作弊治理系统 | 85% | 详写 (4 bullets) |
| 智能客服 RAG | 72% | 详写 (3 bullets) |
| 策略管理系统 | 45% | 简写 (2 bullets) |
### 简历健康度: 82/100
- ✅ ATS 友好度: 通过
- ✅ XYZ 公式: 100% 符合
- ⚠️ 量化程度: 项目 3 的 bullet 2 缺少数据
### 优化建议
1. 补充 Kubernetes 相关经验
2. 项目 3 的 bullet 2 添加量化指标
---
面试准备（自动附带）
生成简历后，Agent 自动附带面试准备：
---
## 🎤 面试准备（自动生成）
### 可能的面试问题
**项目: 反作弊治理系统** 🔥 深挖概率高
1. "识别 820 家违规服务商是怎么做到的？" → 准备技术细节
2. "年化收益 4000 万是怎么计算的？" → 准备业务逻辑
3. "自动化系统的准确率如何保障？" → 准备评估方法
**项目: 智能客服 RAG**
1. "召回率提升 20% 的核心优化是什么？"
2. "如何处理多轮对话的上下文？"
### STAR 回答建议（展开查看）
<details>
<summary>Q: 请介绍一下反作弊治理系统</summary>
**S (背景)**: 企业微信自建应用存在大量违规服务商...
**T (任务)**: 作为技术负责人，需要设计检测系统...
**A (行动)**: 设计了 10+ 维度检测特征...
**R (结果)**: 识别 820 家违规服务商，年化收益近 4000 万
</details>
---
主动信息补全
当 Agent 检测到信息缺失时，主动提问而非输出不完整简历：
❓ 我在生成简历时发现以下信息缺失:
1. **项目 A 的 highlight 2** 缺少量化数据
→ 这个优化带来了多少性能提升？（百分比/时间/成本）
2. **项目 B** 缺少技术栈信息
→ 主要使用了哪些技术？
请补充以上信息，我会据此完善简历。
或者说"跳过"，我会使用合理推断。
版本历史
| 版本 | 核心变更 |
|---|
| v1.0 | 公司维度 + XYZ bullet points |
| v2.0 | 项目维度 + STAR 完整结构 |
| v3.0 | 项目维度 + XYZ 公式（Google 推荐） |
| v4.0 | Agent-First: 一句话生成、自动 JD 解析、项目匹配、质量检查、面试准备 |
参考资料
