Taxue Career Resume

---
name: taxue-career-resume
version: "3.1.0"
description: |
  简历/JD 引擎——简历诊断、JD 解码、双向改写、简历生成、定向投递优化，覆盖不同行业与人群。求职者写简历、匹配 JD；雇主写 JD、筛选简历。
  产出层：建立简历母版（master.json），从母版派生各投递版本（custom.json → 独立 HTML → 浏览器打印 PDF + ATS 纯文本 + 匹配报告）。
  触发：/taxue-career-resume、帮我看看简历、简历投了没回音、帮我写简历、改简历、JD看不懂、简历怎么改、简历没回音、简历母版、简历版本、简历 HTML
  Not for: 面试 → taxue-career-interview；选Offer → taxue-career-offer。
---

# taxue-career-resume：简历/JD 引擎

> 会写简历才会看简历，会看简历才会写简历。同一套能力，换个方向用。

---

## 模式选择

| 模式 | 输入 | 做什么 |
|------|------|--------|
| **A. 简历 + JD** | 简历 + JD | 诊断 → 写 custom.json → 渲染投递版 HTML |
| **B. 只有简历** | 简历 | 解析为母版 master.json → 推断目标 JD → 改写建议 |
| **C. 只有 JD** | JD | 推断理想简历画像 → 改写 JD 或生成简历方向 |
| **D. 从零创建** | 岗位 + 年限 | 问答收集 → 建立母版 master.json |

---

## 行业差异（简历写法重点不同）

| 行业 | 简历重点 | 常见误区 |
|------|---------|---------|
| **技术/研发** | 技术栈清单 + 量化成果 + 项目深度 | 堆技能名词没有成果，项目无数字 |
| **产品/运营** | 数据指标 + 用户洞察 + 业务闭环 | 只写动作不写结果，无用户规模 |
| **设计/创意** | 作品集入口 + 设计思路 + 项目影响 | 简历文字过多，作品集链接缺失 |
| **金融/财务** | 数字敏感 + 合规意识 + 工具掌握 | 无量化业绩，不写证书资质 |
| **销售/市场** | 业绩数字 + 客户案例 + 渠道能力 | 只有「负责销售」没有具体数字 |
| **管理岗** | 团队规模 + 战果 + 决策案例 | 只写带过多少人，不写带出了什么 |
| **行政/职能** | 流程优化 + 效率提升 + 跨部门协作 | 经历平淡无量化，无具体案例 |

---

## 人群差异（简历呈现角度不同）

| 人群 | 简历策略 |
|------|---------|
| **应届生** | 项目/实习/竞赛为主，突出学习能力与潜力，无经历也要有作品 |
| **转行者** | 把旧行业经历「翻译」成目标行业语言，突出可迁移能力 |
| **大龄** | 突出经验复利与判断力，弱化年限数字，强化战果 |
| **远程/自由** | 交付案例 + 时间管理 + 自驱证据 |
| **海归/外企** | 中英双语简历，突出跨文化沟通与全球化项目 |
| **二次就业** | 空窗期用学习/项目/家庭管理填充，突出能力保鲜证据 |

---

## 两道筛选方画像

**HR 初筛（第一道关）**：批量扫描，每份简历 5-15 秒。标准：关键词匹配 + 基本资格达线。淘汰：关键词缺失、格式混乱、看不出实事。

**用人经理（第二道关）**：有兴趣，认真读 5-10 分钟。标准：做过的事跟岗位匹配吗？逻辑清晰吗？淘汰：只有职责没结果、经历顺序不对应岗位需求。

---

## 求职者视角：简历诊断

### 10秒测试
把简历给陌生人看10秒，问：这个人做过什么？做得好的是什么？为什么要找他？**10秒答不出来 → 简历不合格。**

### 简历三问
1. **首屏有没有「为什么要找你」？** 不是自我介绍，是价值主张。
2. **每段经历有没有「做了什么+结果是什么」？** 不是职责描述，是成果展示。
3. **和目标岗位的匹配度能不能一眼看出来？**

### 改稿规则
- 删掉所有「负责XX」开头的话，改成「做了XX，结果是XX」
- 数字 > 形容词（「大幅提升」→「提升40%」）
- 影响谁？多少人？效率提升多少？成本降低多少？直接数字 > 比例 > 规模描述

---

## JD 解码（读懂深层信息）

JD 有两层：**表层**（写出来的职责要求）和**深层**（为什么这个岗位存在、团队在哪个阶段、招人解决什么问题）。只看表层准备的是「合格」，读懂深层准备的是「最合适的那个人」。

四步法（完整版见 `references/jd-decoding.md`）：
1. **判断岗位成熟度**：职责模糊=从零到一（要自驱）；职责精细=规模化（要执行力）；既要A又要B=人手不足（要多面手）
2. **提取真实要求**：硬门槛（不满足直接刷）/ 核心要求（前三条）/ 加分项
3. **识别隐含要求**：「能承受压力」=经常加班；技术岗「沟通能力」=跨团队协作；「有品味」=判断标准比使用清单重要
4. **判断匹配度**：硬门槛全满足？核心 ≥70%？加分 ≥1？→ 决定投/改/弃

---

## 双向改写

### 模式 A：简历 + JD → 改写简历
1. 提取 JD 核心要素（硬性门槛/核心能力/加分项）
2. 逐段对照诊断：哪段经历没量化？哪个关键词缺失？
3. **输出改写后的完整版本**（原文 → 改法对照，不给抽象原则）
4. 若已有/可建母版：改写落点写进 `custom.json`（overrides + exclude + order），再跑 `render_resume.py` 出投递版 HTML

### 模式 B：只有简历 → 推断 JD
1. 从简历解析/补全母版 `master.json`（字段见 `assets/master-template.json`）
2. 从简历推断目标岗位类型（技术/业务/管理/内容/职能）
3. 按岗位类型推断筛选标准
4. 输出改写建议 + 冷启动诊断；有明确目标 JD 时转入模式 A 派生版本

### 模式 C：只有 JD → 推断理想简历
1. 从 JD 反推理想候选人画像
2. 给出简历应具备的要素清单
3. 输出改写的 JD 或简历方向；用户有经历素材时转入模式 D 建母版

**强制原则**：每一条诊断给「原文 → 改法」对照；硬伤（学历/年限）第一个说，不回避；加分建议放硬伤之后。

---

## 简历生成

### 从零创建（模式 D）
按 9 模块逐步收集信息（每次只问 1-2 个问题，可跳过）：
基本信息 → 教育背景 → 补充材料 → 工作经历（倒序）→ 项目经历 → 实习经历 → 竞赛获奖 → 专业技能 → 其他

**本地代码导入**：用户有项目代码时，读取关键代码文件，分析技术贡献，提炼为简历可用的贡献描述。

### 简历母版（产出层起点）
模式 D 的终点是**母版 `master.json`**，不是一次性简历文本。母版是唯一数据真源，完整保留全部经历（只增不减）。

- 母版字段结构 → `assets/master-template.json`
- 建立与维护流程 → `references/master-versioning.md`（解析旧简历 / 采访真实经历，两条路径）
- 从已有简历解析时：只转写不评判；缺量化数字 → 采访用户补，补不上如实保留并标记「待量化」

### 职业匹配推荐
简历生成后，根据用户画像推荐 3-5 个岗位（匹配度/理由/市场需求/发展路径）。

### 定向投递优化（产出层：派生版本）
1. **拆解 JD**：硬性要求 / 软性要求 / 关键词（ATS 依据）
2. **匹配度自检**：`python3 scripts/jd_resume_match.py jd.txt resume.txt`（硬门槛命中/技能覆盖/量化指标/匹配分）
3. **写 custom.json**：`order`（section 排序）/ `exclude`（裁剪无关经历）/ `overrides`（summary 与技能按 JD 重写）
4. **渲染独立 HTML**：`python3 scripts/render_resume.py master/master.json --custom versions/<日期_公司_岗位>/custom.json --out versions/<日期_公司_岗位>/resume.html`
   - 产出 `resume.html`（独立单文件，浏览器打开 → 打印为 PDF）+ `resume.txt`（ATS 纯文本）+ 打印页数估算
5. **版本归档**：投递版本放 `versions/YYYY-MM-DD_公司_岗位/`，已投版本不可变；改母版不动旧版本
6. **针对性调整**：关键词自然植入、软性要求强调、无关经历删（用 exclude，不动母版）

> 完整约定（工作区目录结构、版本命名、维护操作、禁忌）见 `references/master-versioning.md`。母版只增不减，定制只发生在版本层——这是本技能与「一次性改写简历」的本质区别。

### ATS 隐形关卡
关键词自然植入不堆砌（「使用 Python 开发数据处理 pipeline，效率提升 60%」>「熟练使用 Python」）；标准格式避免表格图片；动词开头×结果收尾。ATS 纯文本自检用渲染产出的 `resume.txt`。

---

## 雇主视角：JD 诊断与简历筛选

### JD 三问
候选人读完知道岗位解决什么问题吗？「必须有」和「加分项」分开了吗？薪资范围写了吗？

### HR 侧资源
- JD 写作规范 → `references/hr-jd-writing.md`
- 简历筛选三层法 → `references/resume-jd-match.md` 相关章节

---

## 参考文档（按需读取）

| 文档 | 什么时候读 |
|------|-----------|
| `references/jd-decoding.md` | 需要解码 JD 深层信息时 |
| `references/resume-jd-match.md` | 做 JD↔简历匹配改写时 |
| `references/resume-optimization.md` | 优化简历表达时（Summary 钩子/STAR 公式/ATS） |
| `references/hr-jd-writing.md` | 雇主侧写 JD 时 |
| `references/master-versioning.md` | 建立母版、派生版本、维护投递版本时 |
| `assets/master-template.json` | 新建母版时（字段结构模板） |
| `assets/resume-template.html` | 需要调整简历版式/打印样式时（唯一样式真源） |
| `scripts/render_resume.py` | 渲染母版 → HTML/TXT 时（`python3 scripts/render_resume.py -h`） |

---

## 下游协作

| 触发条件 | 推荐 |
|----------|------|
| 简历改好要投 | `taxue-career-channel` |
| 简历方向不对 | `taxue-career-direction` |
| 面试 | `taxue-career-interview` |

## DO NOT

- 面试准备 → `taxue-career-interview`
- 选 Offer/谈薪资 → `taxue-career-offer`
- 从零创建新 skill → `skill-creator`

---

## 语言

- 用户用中文就用中文回复，用英文就用英文回复
- 中文回复遵循《中文文案排版指北》

---

*taxue-career-resume v3.1.0 — 诊断 · 解码 · 改写 · 生成 · 优化 · 母版到版本产出**