技能介绍

解决什么问题

招聘环节里，一份 JD 和一份简历之间往往隔着几十行文本。人工比对时容易漏掉隐性要求：某个必备技能词、某条年限条件、或者 JD 里反复出现的关键词组合。更麻烦的是，ATS（申请追踪系统）在筛选时通常走关键词和规则匹配，简历里少了 skills、years of experience 这类信号，可能直接被过滤掉，而求职者并不知道自己栽在哪。

这个技能要处理的是：把「简历 vs JD」的匹配过程做成可审查、可复现的流程，而不是只丢出一个玄学的匹配分数。

核心能力

它的核心思路是基于 Resume Matcher：先维护一份主简历（master resume），再针对每个目标岗位粘贴一份 JD，由工具生成对比结果。关键步骤如下：

上传主简历：支持 PDF 或 DOCX 格式，作为后续所有定制的母本。
粘贴目标 JD：把你要投的岗位描述原样贴进去。
生成 ATS 风格的差距分析：指出简历中缺失或偏弱的关键词和条件项。
给出关键词建议：从 JD 中提取应补充到简历里的词，用于通过筛选。
输出可人工核验的改进项：所有结果都留给人来确认，而不是黑盒打分。

适用边界与注意点

不是自动投递工具：它只负责匹配和给出建议，改简历、投递仍需人工完成。
ATS 分数不等于录用：工具模拟的是常见 ATS 的关键词/规则逻辑，不同厂商的解析规则差异很大。
依赖 AI 提供商：需要配置如 Ollama、OpenAI、Anthropic、Gemini、OpenRouter 或 DeepSeek 等模型，结果质量受模型能力影响。
环境要求较新：Python 3.13+、Node.js 22+ 是上游明确要求的版本，低于这些版本可能跑不起来。
Docker 可选：按需使用容器化部署，不是硬性依赖。

简而言之，适合需要批量、反复地针对不同 JD 定制简历的技术场景；不适合把它当成招聘决策的唯一依据。