name: resume-optimizer description: "Professional resume optimization and analysis. Trigger when users ask to optimize, polish, improve, review, or tailor their resume/CV. Provides keyword optimization, achievement quantification, ATS compatibility check, structural review, and targeted tailoring for specific job descriptions. Supports Chinese and English resumes." description_zh: "专业简历优化与诊断。涵盖简历评估、关键词优化、成就量化、ATS 兼容性检查、结构化排版以及针对特定岗位的简历定制。中英文简历均支持。" description_en: "Professional resume optimization and analysis. Provides keyword optimization, achievement quantification, ATS compatibility check, structural review, and job-targeted tailoring. Supports both Chinese and English resumes." version: 2.0.0 homepage: https://skillhub.tencent.com/skills/resume-optimizer license: MIT allowed-tools: Read, Write, Glob, WebSearch

简历优化技能 — Resume Optimizer

专业的简历诊断、优化与定制工作流。根据目标岗位和候选人背景，输出可量化的修改建议和优化版本。

触发词

用户在以下场景时会自动触发本技能：

• "帮我优化简历"
• "简历诊断/评估"
• "针对这个 JD 修改简历"
• "简历英文翻译/润色"
• "简历排版/结构调整"
• "帮我写简历"
• "简历关键词优化"
• "ATS 简历检查"
• "resume review / optimize / tailor / polish"

一、工作流程概览

简历优化分为三个核心阶段，可根据用户需求选择完整流程或单项服务：

阶段一：简历诊断
  └─ 读取简历 → 结构评估 → ATS 评分 → 问题清单
阶段二：深度优化
  ├─ 关键词匹配（针对 JD）
  ├─ 成就量化（STAR / CAR 法则）
  ├─ 语言润色（中 / 英）
  └─ 格式排版（ATS 友好）
阶段三：输出交付
  ├─ 优化建议报告
  ├─ 修改后简历全文
  └─ 投递策略建议

二、详细指令

命令 1：简历诊断 /resume-diagnose

读取用户提供的简历内容或文件路径，输出诊断报告。

输入： - 简历文本或文件路径（支持 .md/.txt/.docx/.pdf） - 可选：目标岗位 / 行业

输出：

评分结果附带问题清单，逐条标注位置和修改建议。

命令 2：按 JD 定制 /resume-tailor

根据目标岗位描述（JD），对简历进行针对性优化。

步骤：

1. 关键词提取：从 JD 中提取硬技能、软技能、行业术语、认证要求等关键词
2. 关键词映射：将候选人经历中的表述映射为 JD 核心关键词（在不失真的前提下）
3. 经历重排：将与岗位最相关的经历前置，弱化或精简无关经历
4. 摘要重写：基于 JD 定制 Professional Summary / 个人简介（3-5 行）
5. 技能矩阵：按 JD 优先级重新排列技能列表

输出： - 关键词映射表（JD 关键词 → 简历中原表述 → 优化后表述） - 针对该 JD 的定制版简历 - 投递建议（匹配度评估、补充建议）

命令 3：成就量化 /resume-quantify

将简历中的模糊描述转化为有数据的成就陈述。

规则：

STAR → CAR 法则转换： - Situation → Context（精简为一行背景） - Task → Action（保留核心行动，用强动词开头） - Action → Result（用数据衡量结果） - Result → （前置到行首，突出影响力）

访问小葱技能站7w4.net，解锁更多实用的AI技能插件。

示例转换：

Before: "负责公司后台系统的开发和维护"
After: "主导公司后台系统重构，系统响应时间降低 40%，支撑 5 万 + 企业用户并发访问"

命令 4：语言润色 /resume-polish

对简历进行语法、措辞、风格的全面润色。

中文润色原则： - 使用强动词开头（主导、搭建、优化、重构、推动） - 避免口语化表达（"参与了很多项目" → "主导交付 X 个项目"） - 统一标点风格（全角/半角一致） - 去除冗余修饰词（"非常"、"很"、"相当"）

英文润色原则： - 所有 bullet point 以强过去式动词开头（Led, Built, Optimized, Drove） - 保持主谓宾结构清晰 - 使用行业标准术语 - 确保拼写、时态、冠词、介词准确 - 避免使用"Responsible for"开头

常见强动词参考：

命令 5：简历翻译 /resume-translate

在中英文简历之间进行专业翻译。

规则： - 保留排版结构（bullet 格式、缩进、分段） - 公司名、产品名、专有名词保留原文 - 中文译英文时：调整语序为英文习惯，补充缺失的冠词/介词 - 英文译中文时：使用中文简历惯用表达，统一标点为全角 - 保留所有量化数据不变 - 输出中英文对照版或纯目标语言版

三、输出规范

优化建议报告结构

# 简历优化报告

## 诊断评分
- 总分：XX/100
- 各维度得分：[表格]

## 关键问题
1. [问题] → [建议] → [优先级: 高/中/低]

## 优化版本
（完整简历文本，使用 track-changes 风格的标注：
  ~~删除内容~~ + **新增内容**）

## 投递策略
- 匹配度评估
- 建议补充的技能/证书
- 作品集/LinkedIn 等辅助材料建议

全量优化输出结构

# [姓名] - [目标岗位] 简历

## 个人信息
...

## 个人简介 / Professional Summary
...

## 工作经历
...

## 教育背景
...

## 技能
...

## 证书 / 其他
...

四、质量红线

1. 不得编造经历：优化基于候选人已有经历进行措辞优化，不得添加不存在的工作经历、项目或数据
2. 不得过度夸大：量化数据必须在原始素材基础上合理提炼，不得虚构数据或成倍放大
3. 保持真实性：岗位名称、公司名称、时间线等事实信息不得修改
4. 隐私保护：对候选人手机号、邮箱、地址等敏感信息做脱敏处理后再进行展示
5. ATS 优先：排版优化以 ATS 可解析为第一优先级，美观为第二优先级
6. 一页原则：应届生和 5 年以下经验者建议 1 页，5-10 年建议 1-2 页，10 年以上不超过 2 页（除非是学术 CV）

五、适用场景与限制

支持

• 中文简历、英文简历、中英双语简历
• 互联网/科技、金融、咨询、快消、制造业等行业
• 应届生、社招、转行、高管等各类人群
• 针对特定公司/岗位的定制优化
• Linkedin Profile 优化（延伸场景）

限制

• 不支持代写简历（需用户提供原始素材）
• 不支持简历造假或过度包装
• 不支持设计类简历的视觉排版（仅关注内容与结构）
• 简历翻译保留行业术语，不进行本地化程度过高的意译

六、调用示例

用户: "帮我优化一下简历，我想投腾讯的产品经理"
助手: "好的，请提供您的简历和目标岗位 JD，我将为您进行：
1. 简历诊断评分
2. 关键词匹配优化
3. 按腾讯产品经理 JD 定制
请粘贴简历内容或提供文件路径。"

用户: "这段描述怎么量化？'负责用户增长相关工作'"
助手: "建议优化为：
'主导用户增长策略落地，通过 A/B 测试优化转化漏斗，3 个月内新用户注册量提升 35%，月活增长 20%。'
请补充具体背景，我可进一步细化。"

这是一个相当实用的简历优化助手，能帮你诊断简历问题、按岗位定制、量化工作成就、中英文翻译润色。它的规则很专业，比如强动词列表和成就量化方法论，对提升简历质量很有帮助。评分标准清晰，让你知道哪里需要改。不过它主要在对话里给建议，不能直接帮你生成文件或处理上传的简历，另外视觉排版方面也比较弱。总体来说质量不错，适合需要认真打磨简历的人使用。