简诗 AI 简历成果表达

简历要点的老问题

大多数简历的 bullet point 写的是岗位职责，而不是成果。典型的弱表述是这样的：

• Responsible for managing team
• Helped with customer service
• Worked on improving processes

问题不在于语法，而在于信息量：没有主动动词、没有数据、没有上下文，读起来像 JD 而不是经历。另一种常见情况是有过量化成果，但写法太平，例如 Improved website performance，没有说明改善幅度和测量方式。

技能的工作方式

这个技能把改写拆成三层：框架、动词、量化。

框架层提供三种可复用的结构：

• X-Y-Z 公式：Accomplished [X] as measured by [Y] by doing [Z]，先给成果，再给度量，最后给动作
• STAR 方法：Situation / Task / Action / Result，先讲背景和任务，再讲你具体做了什么，最后给可量化结果。适合需要完整故事的场景，也可以压缩成简历里的一段 bullet
• CAR 方法：Challenge / Action / Result，更紧凑的变体，适合篇幅有限的条目

动词层按类别给出强动词库，包括领导力、成就、增长、创造、优化、分析、协作、问题解决等。核心原则是用 Led、Resolved、Streamlined 替代 Responsible for、Helped with。

量化层规定每条 bullet 至少包含一个数字，并列出五类可用的度量：金额、百分比、时间、规模/数量、前后对比。没有精确数字时，可以用近似值、范围或保守估计；无法量化产出时，转而量化投入，例如 Conducted 30+ customer interviews。

改写流程是固定的五步：拿到原始弱要点、提出澄清问题、收集信息、套用公式、按长度优化。最后一步会优先保留最有说服力的数字，把 bullet 压缩到 1-2 行。

针对不同背景也做了区分：应届生侧重学术项目、实习和社团经历；转行的人强调可迁移技能，把旧经历重写为通用表述；有职业空窗期的则用自由职业、志愿项目和自学成果填充。

适用边界

技能不负责验证数据的真实性。如果你说的是 $2M 或 35%，需要你自己确认这些数字站得住脚。改写时要求收集信息，意味着你需要提供真实的上下文，否则产出会退化成通用模板。

另一个硬约束是长度。bullet 上限是两行，技能不会为了塞进所有数字而牺牲可读性。有些经历确实需要整段叙事来解释，这类内容更适合放在求职信或面试准备材料里，而不是塞进简历要点。

~ 和范围写法可以降低数字被质疑的风险，但仍然不能替代真实的工作记录。

输出格式

重写 bullet 时，输出中会包含改写后的条目，以及支撑它的结构化信息（如采用的框架、使用的度量类型）。对于需要完整 STAR 叙述的场景，会同时给出完整版本和压缩后的简历版本。