高密度证据链简历

它解决什么问题

简历最容易出问题的不是排版，而是「说得很大，问两句就塌」。像 熟悉、提升、负责、深度理解 这类词，如果没有具体动作、工具、范围和结果支撑，面试时很容易变成追问的起点。另一个常见痛点是材料太少：应届生、转行者或早期从业者会觉得没有大项目可写，于是把经历停留在「参加过活动」「做过一些事」。

这个技能把简历写作拆成证据链问题：先确认用户真正做了什么，再把事实压缩成可验证的 bullet。

它如何工作

核心流程会先判断输入类型，再走不同路径：

• 素材不足：不直接凑简历。先从课程实验、作业、社团微任务、兼职、小修补、自学产物、AI 辅助学习记录里挖掘真实证据单元。
• 单段经历：提取动作、工具/方法、变化、交付物，并区分 led、independently completed、participated/assisted。
• 已有简历：先诊断、评分、标注面试风险，再决定改写或降级。
• 另一轮 AI 草稿：按双 AI 审阅流程处理，避免把外部格式建议当作事实。

重写 bullet 时，技能会先建立个人定位线，再优先保留能被追问验证的内容，例如：完成的动作、使用的具体工具、可确认的变化、可交付结果、对目标岗位或企业的价值。遇到 STAR、CAR、PAR、XYZ、ATS 等常见框架时，不机械套格式，而是把这些框架当作补充缺失事实的视角，最终仍要求所有权、方法、结果和面试可辩护性成立。

简历结构会采用保守、机器可读的方式，把最强、最经得起追问的证据放在前三分之一。超过四段经历时，可按技术实践、业务实践、开源、社区工作等可扫描分组排列。

关键约束

这个技能不会编造数字、工具、公司、奖项或结果。无法确认的数字、排名、工具范围或所有权，会被降级成保守表述，或保留占位符等待用户确认。例如「显著提升」必须有前后值或分母支撑，否则只能写成 supported optimization；「独立设计」不能覆盖基于模板修改的情况。

它还设有几道检查点：事实不足时不直接成稿；出现 led、owned、expert 等所有权表达时必须核实范围；最终 bullet 必须能承受面试追问；涉及针灸、健康支持、咨询、照护等个人信号时，只使用团队信任、协作融入等保守措辞，不声称治疗、诊断或医疗资质。

适合需要真实强化简历的工程师、早期从业者和内容创作者；不适合用来美化虚假经历、强行拔高参与度，或替代真实项目复盘。