简历优化与面试准备

解决什么问题

大多数简历修改需求止步于「帮我改一下简历」，但真正影响通过率的变量不是排版，而是内容与岗位描述（JD）的匹配程度。一份经历写满「负责」「参与」「协助」的简历，即使格式再干净，也很难让招聘方或 ATS 系统看出候选人具体做了什么、做到什么程度。

更实际的问题是：求职者拿到 JD 之后不知道如何提取关键词并映射到自己的经历上；量化数据想不起来或不确定怎么写；转行、空窗期等痛点不知道怎么在简历里合理呈现；面试时每个亮点都可能被追问，却没有准备好对应的故事。

核心能力与工作流程

该技能按五个步骤推进，每一步都产出可检查的中间结果：

1. 信息收集：询问姓名、应聘岗位、目标行业、工作年限等基本信息，拿到目标 JD 后提取关键词，同时确认用户现有简历内容与求职痛点（转行、空窗期、经验不足等）。
2. JD 关键词分析：将 JD 拆成硬性要求（技能、年限、证书）与软性要求（沟通、协作、抗压），输出一张 JD关键词对照表，标明每条要求应落到简历的哪个板块。
3. 简历重写：

- 工作经历统一改为「动词开头 + 做了什么 + 怎么做 + 量化结果」结构，例如 负责XX，提升30%转化率 优于 负责XX工作；
- 项目经历按 STAR 法则（情境-任务-行动-结果）重构，突出个人贡献——用「我」而不是「我们」，技术栈与工具明确列出；
- 自我评价压缩为 3-5 条，每条等于核心能力加量化证据；
- 技能清单按 精通/熟练/了解 分级，与 JD 相关的技能优先展示。

1. 输出完整简历：以 markdown 交付优化后的简历，附修改说明，逐条解释重要改动的原因。
2. 面试准备：生成 30 秒自我介绍（身份 + 核心亮点 + 为什么适合）、基于 JD 和简历的高频面试题预测、每个亮点的追问预案，以及 5-8 个可复用的 STAR 故事，外加反问环节问题建议。

质量检查与适用边界

输出前会跑一遍检查清单，确认每条经历都量化、动词开头、匹配 JD 关键词，篇幅控制在 1-2 页，无错别字与格式问题。

需要注意几点：

• 不做虚构：简历必须基于用户真实经历，技能不会编造项目或数据；
• 数据需确认：若量化数字不确定，会标注「与用户确认后填写」，由用户补真实值；
• 模板参考：行业模板见 references/resume-guide.md，不同行业对经历描述的侧重不同，可对照调整；
• 面试准备是加分项而非保过：高频题预测与 STAR 故事库的作用是降低临场组织语言的成本，最终表现取决于用户对自己经历的熟悉程度。