⚡

简历优化师Skill resume-craft

基于目标岗位JD进行关键词匹配分析，用STAR法则量化改写经历，并进行ATS友好度检查，输出针对性强的优化简历。关键词: 简历优化, STAR法则, ATS, JD匹配, 量化改写, 求职, 简历润色

招聘面试 0 次安装 2 次浏览 更新于 7/8/2026

name: resume-craft description: “优化简历，基于目标岗位JD进行关键词匹配分析，用STAR法则量化改写经历描述，并进行ATS友好度检查，最终输出一份针对性强、通过率高的优化简历。当用户请求优化、修改、润色简历，提到JD匹配、关键词、STAR法则、ATS，或询问“帮我改一下简历”、“这份简历能不能优化”、“简历怎么过ATS”等具体问题时触发。” license: MIT

简历优化师

简历优化三板斧：基于目标 JD 进行关键词匹配分析，用 STAR 法则量化改写经历描述，最后做 ATS 友好度检查，输出一份针对性强、通过率高的优化简历。

快速开始

用户提供简历内容（或文件）和目标 JD，Agent 按以下流程自动完成简历优化：

用户：帮我优化一下简历，我要投这个岗位 [附 JD + 简历]
Agent：[按 SOP 流程输出优化建议和改写后的简历]

SOP 流程

第一阶段：输入收集与初步分析

目标：获取用户的简历内容和目标 JD，建立优化基线。

操作步骤：

  1. 收集材料：

    • 获取用户简历内容（文本粘贴或文件路径）
    • 获取目标岗位 JD（文本粘贴或链接描述）
    • 如用户未提供 JD，询问目标岗位方向（行业 + 职位 + 级别）

  2. 简历基础信息解析：

    • 识别简历结构板块（教育背景、工作经历、项目经历、技能清单等）
    • 统计简历长度、经历条数、时间跨度
    • 标注当前简历的格式类型（时间倒序型 / 功能型 / 混合型）

  3. JD 核心要素提取：

    • 岗位名称与级别
    • 核心职责（Top 5）
    • 必备要求（Hard Requirements）
    • 加分项（Nice-to-Have）
    • 关键技能词和行业术语

输出：简历现状摘要 + JD 要素清单

第二阶段：JD 关键词匹配分析

目标：系统比对简历与 JD 之间的关键词覆盖度，找到匹配缺口。

操作步骤：

  1. 关键词分类提取： 从 JD 中提取三类关键词：

    类别 说明 示例
    硬技能关键词 技术栈、工具、方法论 Python, SQL, A/B测试, Scrum
    软技能关键词 能力素质要求 跨团队协作, 数据驱动, 项目管理
    行业/业务关键词 领域专属术语 DAU, 转化率, 用户增长, SaaS

  2. 匹配度分析： 逐个关键词在简历中检索，生成匹配矩阵：

    | 关键词 | JD要求等级 | 简历是否包含 | 出现位置 | 匹配建议 |
|--------|-----------|-------------|----------|----------|
| Python | 必备 | ✅ 有 | 技能清单+项目1 | 保持，可补充具体场景 |
| SQL | 必备 | ❌ 无 | - | 需补充，建议在项目经历中体现 |

  3. 覆盖率评分：

    • 必备关键词覆盖率 = 已匹配必备词数 / 总必备词数 × 100%
    • 加分项覆盖率 = 已匹配加分词数 / 总加分词数 × 100%
    • 基准线：必备关键词覆盖率 ≥ 80% 为合格，≥ 90% 为优秀

  4. 缺口补充建议：

    • 对每个未覆盖的必备关键词，建议在简历哪个板块、哪段经历中补充
    • 给出具体的融入方式（技能清单直接添加 / 经历描述中嵌入 / 项目成果中体现）

输出：关键词匹配矩阵 + 覆盖率评分 + 缺口补充方案

第三阶段：STAR 量化改写

目标：用 STAR 法则重写每段经历，确保有量化数据支撑。

STAR 法则定义：

要素 含义 检查要点
S - Situation 背景情境 什么时候、什么场景、什么规模
T - Task 任务目标 你的职责是什么、要解决什么问题
A - Action 具体行动 你做了什么、用了什么方法/工具
R - Result 量化成果 数据变化、效率提升、成本节约

操作步骤：

  1. 现有经历诊断： 对每条经历描述评估 STAR 完整度：

    原文：“负责用户增长相关工作”

诊断：
- S（背景）：❌ 缺失 — 不知道什么产品、什么阶段
- T（任务）：⚠️ 模糊 — “相关工作”太笼统
- A（行动）：❌ 缺失 — 没有具体动作
- R（成果）：❌ 缺失 — 没有任何数据
评分：1/4（严重不足）

  2. 量化改写： 引导用户补充信息后，按 STAR 结构改写：

    改写后：“在[产品名称]（DAU 50万+）用户增长停滞期，
主导搭建新用户激活漏斗分析体系（S+T），
通过优化注册流程 3 个关键节点 + 设计 7 日留存激励策略（A），
3 个月内将新用户次日留存率从 32% 提升至 45%，月活增长 18%（R）”

  3. 量化数据引导： 如果用户不确定具体数据，提供挖掘思路：

    量化维度 引导问题
    规模指标 管了多少人/产品日活多少/项目预算多少
    效率提升 之前花多长时间，优化后多长时间
    业绩增长 收入/用户/转化率变化了多少
    成本节约 节省了多少钱/人力/时间
    影响范围 覆盖多少用户/服务多少客户/影响几个团队

    数据诚信原则：

    • 所有数据必须基于用户真实经历，禁止凭空编造
    • 如用户无法提供精确数据，可用合理范围表述（如“提升约 20%-30%”）
    • 鼓励用户使用“相对值”而非绝对值（如“效率提升 2 倍”比“每天节省 3.7 小时”更安全）

  4. 改写质量检查： 每条改写后的经历必须满足：

    • [ ] 包含至少 1 个量化数据点
    • [ ] STAR 四要素至少覆盖 3 个
    • [ ] 以动词开头（主导、搭建、优化、推动、设计…）
    • [ ] 单条不超过 3 行（ATS 可读性）
    • [ ] 融入了第二阶段中缺失的关键词

输出：逐条改写前后对照表 + STAR 评分变化

第四阶段：ATS 友好度检查

目标：确保简历能顺利通过 ATS（Applicant Tracking System）自动筛选。

ATS 基本原理： ATS 是企业用来自动筛选简历的系统，它通过解析简历文本、匹配关键词、评分排序来决定简历是否进入人工筛选环节。常见系统包括 Workday、Greenhouse、Lever、北森等。

操作步骤：

  1. 格式兼容性检查：

    检查项 合格标准 常见问题
    文件格式 PDF 或 DOCX（优先 PDF） 图片格式简历无法解析
    排版结构 单栏布局，标准标题层级 双栏/三栏布局可能解析错乱
    字体 常见字体（宋体、微软雅黑、Arial、Calibri） 艺术字体可能显示异常
    表格使用 避免使用复杂表格排版 表格内文字可能被跳过
    页眉页脚 关键信息不放页眉页脚 部分 ATS 跳过页眉页脚区域
    图片/图标 不使用图片承载关键信息 ATS 无法识别图片中的文字
    特殊字符 避免项目符号使用特殊 Unicode 字符 使用标准 bullet（•）或短横线（-）

  2. 内容结构检查：

    检查项 合格标准
    标题命名 使用标准板块标题（“工作经历”“教育背景”“项目经历”“技能”）
    时间格式 统一格式（如“2023.01 - 2024.06”或“2023年1月 - 2024年6月”）
    公司/学校名称 使用全称，不用简写（如“阿里巴巴集团”而非“ali”）
    联系方式 包含姓名、电话、邮箱，放在简历开头显眼位置
    文件命名 建议格式：“姓名_目标岗位_简历”（如“张三_产品经理_简历.pdf”）

  3. 关键词密度检查：

    • 核心关键词在简历中出现至少 2-3 次（分布在不同板块）
    • 避免关键词堆砌（同一段落重复使用相同关键词）
    • 关键词使用与 JD 一致的表述（JD 写“数据分析”就不要写成“数据挖掘”）

  4. ATS 评分输出：

    ATS 友好度评分卡
==================
格式兼容性：   ██████████ 90/100
标题规范性：   ████████░░ 80/100
关键词匹配度： ███████░░░ 70/100（详见第二阶段）
内容结构完整性：█████████░ 85/100
──────────────────────
综合评分：     81/100（良好）

⚠️ 主要扣分项：
1. 使用了双栏布局（-10分）
2. 缺少“技能”独立板块（-5分）
3. “数据分析”关键词仅出现1次（-5分）

输出：ATS 友好度评分卡 + 逐项检查结果 + 修改建议

第五阶段：综合优化输出

目标：整合前四个阶段的结论，输出最终优化方案。

操作步骤：

  1. 优化摘要：

    简历优化总结
============
JD 关键词覆盖率：62% → 92%（+30%）
STAR 量化完整度：平均 1.5/4 → 3.5/4
ATS 友好度评分：55/100 → 88/100
改动经历条数：6/8 条
新增关键词数：7 个

  2. 输出改写后的完整简历内容：

    • 按板块顺序输出优化后的完整简历文本
    • 改动部分用加粗标注，方便用户对比
    • 保持用户原有的真实信息不变（学校、公司、时间等）

  3. 附加建议（如适用）：

    • 简历长度建议（应届 1 页，3-5 年经验 1-2 页，10 年以上可 2 页）
    • 板块排列顺序建议（根据经验年限调整教育/经历的先后）
    • 针对不同投递渠道的微调建议（猎头/官网/内推侧重点不同）

输出：优化摘要 + 改写后完整简历 + 附加建议

流程控制规则

交互模式选择

用户输入 模式 行为
只提供简历，无 JD 引导模式 先询问目标岗位和 JD，再开始分析
提供简历 + JD 标准模式 按第一阶段到第五阶段完整执行
只要求某个环节 单点模式 只执行用户指定的阶段（如只做 ATS 检查）
说“快速看一下” 诊断模式 快速输出三项评分 + Top 3 改进建议，不做完整改写

质量检查清单

在输出最终结果前，逐项检查：

  • [ ] 关键词匹配矩阵是否完整（覆盖 JD 所有必备要求）
  • [ ] 每条改写经历是否包含至少 1 个量化数据点
  • [ ] STAR 改写是否保持了用户原始经历的真实性
  • [ ] 未凭空编造任何数据或经历
  • [ ] ATS 检查是否覆盖了所有格式项
  • [ ] 改写后的简历长度是否合理
  • [ ] 关键词是否自然融入而非生硬堆砌
  • [ ] 联系方式等敏感信息未泄露或篡改

迭代优化

如果用户对优化结果有反馈：

  1. 定位反馈涉及的阶段
  2. 从该阶段重新执行
  3. 向下级联更新所有受影响的内容
  4. 保持整体一致性（关键词、STAR 改写、ATS 检查联动更新）

核心原则

  1. 真实性第一：所有优化必须基于用户真实经历，严禁编造数据和经历
  2. 针对性优化：每一处修改都应服务于目标 JD 的匹配，不做无目的的美化
  3. 可操作性：给出的建议用户能直接使用，不说“建议量化”而不给具体引导
  4. 隐私保护：提醒用户在分享简历时注意脱敏（手机号、住址等）