简历质量评分

简历评分为什么需要结构化

简历筛选中最棘手的问题不是"看不看得上"，而是"为什么看不上"。HR 和面试官往往凭直觉判断，给出的反馈要么是"感觉差点意思"，要么干脆没有反馈。求职者拿到这样的评价无从下手，不知道是工作经历写得太笼统，还是项目经验缺了数据化成果，还是排版本身就影响阅读体验。

resume-score-value 这个技能尝试把简历评分从主观感受变成可量化、可追溯、可改进的结构化过程。它模拟 HR 筛选简历和大厂面试官审阅的视角，把一份简历拆解成七个可独立评分的维度，每一个扣分点都必须有明确的依据，每一条改进建议都要求具体到可以直接改写的程度。

七维评分模型与工作流程

该技能的评分体系由七个核心维度和一个亮点加分项构成，总分 100 分：

• 基础信息（10 分）：姓名、联系方式、工作年限、政治面貌（国企场景）、个人主页链接是否完整
• 求职意向（10 分）：期望岗位、城市、薪资、到岗时间是否明确，且与简历内容一致
• 工作经历（25 分）：STAR 法则落地程度、数据化成果、晋升轨迹、空窗期解释、岗位匹配度
• 项目经验（20 分）：项目含金量、个人贡献描述、技术栈深度、量化成果、项目相关性
• 教育经历（10 分）：学历层次、专业匹配度、学校档次、相关课程/证书
• 个人技能（10 分）：技能匹配度、熟练程度标注、证书资质、语言能力、工具链完整度
• 格式排版（10 分）：篇幅控制（1-2 页）、排版整洁度、无错别字、文件命名、层级清晰
• 亮点加分（5 分）：大厂经历、专利论文、开源贡献、竞赛获奖、创业经历等

每个维度的得分由基础分 + 数据分 + 匹配分三部分构成，具体评分细则存储在 references/scoring-dimensions.md 中。技能的工作流程分为三个步骤：

1. 接收简历：用户提交简历内容（粘贴文本、文件路径或图片），技能会先确认字段提取情况，无法提取的字段标注"⚠️ 未提取到"
2. 逐维度评分：按照七个维度逐一检查，参考行业/岗位差异标准
3. 输出报告：按照 references/report-template.md 中的固定模板生成评分报告，包含总分、各维度得分、扣分原因、改进建议

最终的评级分为五档：优秀（90-100 分，可直接投递）、良好（75-89 分，有竞争力但需打磨）、一般（60-74 分，存在明显短板）、较差（40-59 分，需大幅修改）、不合格（0-39 分，建议重写）。

使用边界与注意事项

这个技能的核心原则是用数据说话、拿标杆对照、建议可执行、分岗位定制、不虚构内容。它不会凭空捏造你的经历，只针对已有内容提出改进建议。也就是说，如果你的简历本身缺少具体数据，它会告诉你"需要补充数据化成果"，但不会帮你编造一个不存在的项目经历。

评分参考了行业和岗位差异标准（存储在 references/industry-standards.md），因此技术岗、销售岗、应届生的评分侧重点会有所不同。技术岗更看重项目经验和技能深度，销售岗更看重业绩数据，应届生则更关注教育背景和实习经历。

需要注意的边界是：这个技能的评分标准模拟的是大厂 HR 和面试官的视角，这意味着它的标准可能偏严格。如果你的简历目标是中小型企业或创业公司，某些评分维度（如政治面貌、学校档次）的重要性可能需要重新评估。此外，技能不会主动帮你改写简历内容，它只负责诊断和建议，具体的修改仍需你自行完成。