简历优化

解决的具体问题

写简历时最常见的三个痛点：一是「一岗一版」成本太高——多数求职者不会为每个岗位单独调整简历，导致投出去的内容要么和JD（岗位描述）无关，要么亮点被无关经历淹没；二是措辞空泛——像「参与过项目」「负责相关工作」这类表述，既没体现贡献，也难通过ATS（ applicant tracking system，简历筛选系统）的关键词匹配；三是格式混乱——字体不统一、模块顺序乱、量化结果缺失，要么让HR看着累，要么被ATS直接过滤。

技能的核心能力与工作步骤

这个技能的核心是「用LLM将简历与JD做语义对齐」，主要分三步：

1. 输入解析：接收原始简历（支持文本、Markdown或结构化JSON）和目标JD，先提取JD中的关键维度——比如「核心能力」（如跨部门协作、Python开发）、「硬技能」（如AWS云服务、SQL优化）、「软技能」（如项目管理、用户调研）；
2. 对齐分析：生成「差距报告」，标注简历中的缺失项（比如JD要求的「机器学习模型调优」没提到）、弱表述项（比如「做过用户增长」没量化结果）、冗余项（比如与JD无关的「校园辩论赛获奖」）；
3. 结构化改写：分模块优化——

- 调整模块顺序：把与JD相关的「项目经验」或「工作经历」移到前面；
- 强化量化结果：把「优化了系统性能」改成「通过重构缓存模块，将接口响应时间从500ms降至80ms」；
- 校准措辞：用岗位语境的专业表达替换口语化表述，比如把「帮团队做了数据统计」改成「使用Pandas构建数据 pipeline，为产品决策提供用户行为分析支持」；
- 格式规范：统一字体、标题层级，确保关键词密度符合ATS要求。

适用边界与注意事项

• 「不能编造经历」是底线：如果简历中没有真实的量化数据（比如「提升用户留存」），技能不会硬造数字——它只会提示你补充具体信息；
• 复杂职业路径需人工补充：比如「从教育行业转岗到互联网产品岗」，技能能帮你突出「用户调研、课程设计」等可迁移能力，但跨行业的故事线需要自己梳理；
• 结果是「初稿」不是「终稿」：不同公司的文化偏好不同（比如互联网公司喜欢「快速迭代」，传统企业看重「稳定落地」），最终的语气和细节需要自己调整；
• 无法替代「人」的判断：比如某些JD要求「有从0到1的产品经验」，技能能帮你把相关经历标红，但要不要重点写、怎么写，还需要自己决定。

本质上，这个技能是「简历优化的副驾驶」——它帮你把重复的「对齐工作」自动化，把精力留给「真正的思考」：你到底想突出什么，目标岗位真正需要什么。