简历JD匹配优化器

它解决什么问题

同一份简历投不同岗位，结果天差地别。原因往往不在经历本身，而在简历没有命中 JD 的关键词：ATS（简历筛选系统）按词匹配，HR 扫读时也在找锚点。而人工分析一份 JD 要拆解硬技能、软技能、经验、学历、领域知识、隐性要求六个维度，再逐条对照简历，既耗时又主观。这个技能把这套流程自动化，产出结构化报告和具体改写建议。

核心能力

• JD 六维拆解：区分必备要求与加分项，标注权重，提取关键词。
• 四档匹配标记：✅ 完全匹配、⚠️ 部分匹配、❌ 未匹配、➕ 超出要求，避免「匹配度大概 70%」式的模糊结论。
• 量化评分：必备项覆盖率 × 70% + 加分项覆盖率 × 30%。
• 可落地改写：每条建议给出「改写前 → 改写后」示例，并用 STAR 方法强化经历描述。
• 优先级清单：按投入产出比排序 Top 5 行动项。

工作流程

1. 收集输入：读取 JD 全文与简历（支持 PDF/图片 OCR），内容缺失或不完整时主动追问，不臆测。
2. 拆解 JD：按 references/jd-analysis-framework.md 的框架输出六维拆解表。
3. 匹配分析：简历逐条对照，输出评分与逐项匹配表。
4. 优化建议：先补匹配度（技能补齐、关键词对齐、经历深化），再做精简（结构调整、表达优化、亮点前置）。
5. 输出报告：按 references/match-analysis-template.md 渲染为 Markdown，可直接作为修改参考文档。

适用边界

• 真实可用优先：严禁建议编造经历或虚构数据；缺经验时如实指出，只给合理补充路径。
• 不替代用户判断：报告是建议不是指令，有争议的项会标注「视情况而定」。
• 依赖输入质量：JD 只有岗位名、简历被截断时分析结果不可靠，需先补全输入。
• 语言适配：以中文简历场景为主，输入为英文则输出英文报告。