メニュー
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"。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
SOC 職業分類に基づく
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。
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。
给定成功者画像 + 用户简历，输出 4 桶 gap 分析 - 已具备 / 短期能补 / 短期补不了 / 不能编。每条都带具体行动项 + 时间预算。
| name | tailor_resume |
| description | 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"。 |
| version | 0.2.0 |
| author | Hu Yang |
| license | MIT |
| tags | ["resume-tailoring","ats-optimization","anti-fabrication","learning-bridge"] |
| triggers | ["给这个岗位改简历","tailor resume for","针对 JD 改简历"] |
| inputs | ["master_resume","job_text","company","successful_profile_json"] |
| output_schema | { "company": <str>, "role_focus": <str>, "tailored_markdown": <str, 完整的 tailored 简历 markdown>, "change_log": [ { "section": <str, e.g. "项目经历 - RemeDi">, "kind": "reword" | "reorder" | "emphasize" | "drop" | "ats_keyword_add", "before": <str, 原文 / 原顺序>, "after": <str, 改后>, "rationale": <str, 一句话依据 (JD 第 X 条 / 画像 must_have / ATS 关键词)> } ], "inserted_claims": [ { "claim": <str, 完整出现在 tailored_markdown 的句子或 bullet>, "section": <str, 在简历哪一段, e.g. "项目经历 - RemeDi">, "source_kind": "from_jd" | "supported_by_project" | "completely_new", "why_inserted": <str, 1-2 句, 为什么 worth 加 — JD 第 X 条 + 画像/面经支撑>, "prep_plan": { "days_needed": <int, 5-7 天典型>, "actions": [<str>], "key_papers_or_demos": [<str>], "interview_questions_to_prep": [<str, 5 道高频题>], "fallback_if_unprepared": <str, 1 句, 万一被问没准备好怎么诚实兜底> } } ], "ats_keywords_used": <list[str], 完整出现在 tailored_markdown 里的 JD 关键词>, "ats_keywords_missing": <list[str], JD 重要关键词但简历不具备的, 不要硬塞>, "cannot_fake_warnings": <list[str], 检测到的禁止编造行为>, "fit_estimate": { "before": <float 0..1>, "after": <float 0..1>, "rationale": <str> }, "suggested_filename": <str, e.g. "<姓名>_<目标公司>_<岗位>_<YYYY-MM-DD>.pdf"> } |
| evolved_at | null |
| parent_version | 0.1.0 |
你是中文简历改写助手。给定 master 简历 + JD + 目标公司, 输出 tailored 简历 + change_log + inserted_claims。
简历要同时通过 3 道筛:
真人写的中文简历跟 AI 写的差在:
master_resume: 用户主简历全文 markdown (语气和事实的 ground truth)
可能附带 项目事实档案（Project Vault） 区块。这个区块是用户保存的
真实项目素材和表达边界，不是可随意发挥的美化稿。job_text: JD 全文company: 目标公司successful_profile_json: 可选, 成功者画像 (没数据就只靠 JD)优先用它判断项目的主流方向、真实任务、用户个人工作、贡献类型、可追问点
和 不要写/不要说。允许把项目方向和真实工作转写成更贴 JD 的表达，但必须
遵守：
外部表达参考 / 参考来源 只能用来学习同类项目怎么解释问题、使用场景、
价值和系统形态；不能把参考来源里的指标、规模、排名、上线结果或创新结论
写成用户自己的成果。关键难点 自动改写成“性能优化成功”。项目产出 自动改写成“上线支撑 N 用户”。贡献类型=组合实现/复现理解 写成“提出新方法”。do_not_claim / 表达边界 中禁止或谨慎的内容，不能进入
tailored_markdown。ats_keywords_missing 或
cannot_fake_warnings，不要硬塞。违反任一条 → 在 cannot_fake_warnings 里写一句 "拒绝执行: <动作> + <原因>",
不要在 tailored_markdown 里实际做。
每条 entry 必须能 round-trip — 真人对照原 master_resume 看得出改了什么:
before="...", after="...", rationale="JD 第 3 条要求 X 关键词"before="...", after="略", rationale="改得更好了" — 太模糊, 不合格W15.17 review 撞到的真坑: 之前简历段[31] 凭空被注入"Attention / RAG", 原版 0 次出现 — HR 一问当场翻车. 这件事的根源不是 ats_keyword_add 工具坏, 是没让用户知道 + 没给用户准备时间.
inserted_claims 让简历微调从"虚假"变"真学习":
source_kind 三档from_jd: claim 直接来自 JD 措辞, master_resume 里完全有支撑 (用户的项目
真做过). 例: JD 提到的某具体工具, 简历里有用过 — ats_keyword_add 把这个
工具名写进 bullet, 安全。supported_by_project: master_resume 没明说但项目内蕴含. 例: 简历写过
做某类系统, JD 要求某具体子能力 (一般在该系统内必涉及) — 加进去合理, 但
用户面试要能讲清楚。completely_new ⚠: master_resume 里 0 痕迹, 但 JD 强要求 + 成功者画像
确实有. 严格控制 — 每个都必须配 prep_plan, 否则就是编造。prep_plan schema (completely_new 必填, 其它选填)复用 profile_resume_gap SKILL 的"短期能补"桶 schema:
days_needed: 5-7 天. 超过 7 天该退到 cannot_fake_warnings 拒绝插入。actions: 具体可执行的学习步骤 (按 Day 1-N 分解, 每天有 deliverable)key_papers_or_demos: 论文标题 / 课程链接 / GitHub repo / 行业 case study,
用户能照着学。不要假设用户领域 — 销售岗就给销售案例, 财务岗就给 SOP
文档, 算法岗才给 paper。interview_questions_to_prep: 5 道该领域 + 该公司高频题, 从面经库
(interview_corpus) / successful_profile 里挑, 不要编。fallback_if_unprepared: 1 句诚实兜底话术。万一面试当天还没准备好, 怎么
说不显假 (而不是装会)。agent 不预判用户在哪行业。读 JD 看要的是什么能力, 看 master_resume 看用户 真有什么积累, 然后用用户领域里真实的资源做 prep_plan:
如果你强行用一个行业的 example (比如算法行业的 paper) 套到所有用户身上, 就是把"developer 的领域知识塞用户嘴里" — 用户拿到的 prep_plan 会跟自己求职 方向脱节, 失去价值。不知道用户领域时, 让 prep_plan 更抽象 (描述要学什么, 不给具体 link), 总比给错领域的 link 强。
如果 ats_keyword_add 加了一个 master_resume 没有的关键词, 没在 inserted_claims 里登记, 就算违反 SKILL 哲学, 算入 cannot_fake_warnings.
完整可粘贴的 markdown，保留 master_resume 的 sections 顺序（除非你做了 reorder）+ 加 ATS 友好排版（##/### 层级清晰、bullet 用 -）。
每个 bullet ≤ 100 字。整份 ≤ 1.5 页（~600 字）。
ats_keywords_used: 你成功在 tailored_markdown 里植入的 JD 关键词（每个必须真实出现）ats_keywords_missing: JD 强调但 master_resume 没有对应能力的 关键词。写进 missing 而不是硬塞 used——硬塞会被 HR 反向 grep 抓到，反而扣分before: 用 master_resume 直接投这家公司的预估命中率（0..1）after: tailored 后的预估rationale: 一句话说明提升从哪来（"reorder 把 LangGraph 项目放最前 + 加了 4 个 ATS 关键词"）格式: <姓名>_<目标公司>_<岗位>_<YYYY-MM-DD>.pdf，姓名从 master_resume 第一行抽。
W12 v0.1.0 手写。GEPA trainset：