智能简历生成与优化

你在解决什么问题

投简历时常见痛点是：同一份通用简历对不同 JD 关键词覆盖不足，ATS 解析失败；经历写法偏职责罗列，缺少可追问的量化成果；导出格式各平台要求不一；面试前缺少与简历、JD 对齐的题单。

本技能把流程收拢为 JD 解析 → 简历 JSON → 打分优化 → 多格式导出 → 模拟面试，并强调输出为 ATS 友好（单栏、文本可选、避免复杂表格布局）。

核心能力与工作流

• 按 JD 定制：用 parse_jd.py 从 JD 提取 skills_required、年限、学历与职责，再据此写统一结构的简历 JSON；关键词自然嵌入，不编造未掌握的技能或经历。
• 量化评估：score_resume.py 给出总分与六维分数（JD 匹配、完整度、量化成就、ATS、经历质量、排版），并输出 top_suggestions 与 missing_keywords；一般 80+ 可投、90+ 已属优秀。
• 导出：generate_docx.py / generate_pdf.py / generate_latex.py 从同一份 JSON 生成 Word、PDF 或 .tex；未知 ATS 场景优先 .docx。
• 面试准备：基于简历与 JD 生成深挖、技术、系统设计、行为与 HR 类问题，并标注可能被质疑的 red_flags。
• 中英双语：中英文为两份独立简历（非直译），硬事实一致，分别打分与导出。

撰写与编辑前应读 references/resume_data_schema.md；优化时对照 resume_best_practices.md 与 ats_compatibility.md。

边界与注意点

• 简历 JSON 是唯一事实源：先保证 JSON 质量再导出；量化数据必须真实，模拟面试会深挖来源与角色。
• 依赖分场景：Word/PDF 分别需要 python-docx、reportlab；LaTeX 仅生成 .tex 无需依赖，编译 PDF 需本机 TeX 与 xelatex。
• 投递策略：每次按目标 JD 微调关键词与经历顺序，不要一份简历通投；导出后仍建议用 ATS 检查清单人工复核渲染结果。