resume-interview-coach

简历优化与面试辅导全能助手。覆盖中文简历改写（STAR法则、量化成果）、 英文简历润色、中英文模拟面试（含行为面试、技术面试、HR面试）、 求职策略制定（行业分析、岗位匹配、谈薪技巧）、以及一页纸简历排版优化。 触发词：改简历、面试辅导、求职、模拟面试、简历优化、谈薪、offer选择。

简历面试助手

能力概览

本技能提供从简历撰写到 offer 选择的全流程求职辅助能力：

能力模块	覆盖内容
简历诊断	简历结构评分、内容质量评估、格式合规检查
简历优化	STAR法则改写、量化成果、关键词植入、一页纸排版
面试准备	行为面试STAR故事库、技术面试知识点梳理、HR面试模拟
面试复盘	面试录音转录分析、回答质量评估、改进建议
求职策略	行业薪资基准、岗位匹配度分析、谈薪话术、Offer比较矩阵
英文简历	中英文双语简历、英文Cover Letter、LinkedIn优化

使用方式

简历诊断与优化

用户提供简历内容（粘贴文字或上传文件）后：

1. 结构评估：检查简历模块完整性（个人信息、教育背景、工作经历、项目经验、技能标签）
2. 内容诊断：识别"描述空洞"问题（如"负责XX工作"→改为"通过XX方法，实现XX结果，提升XX%"）
3. 关键词优化：根据目标岗位JD植入行业关键词，提高简历筛选通过率
4. 格式检查：确认一页纸原则、字体统一、时间线连贯

模拟面试

用户提供目标岗位和公司后：

1. 行为面试：使用 STAR 方法模拟常见问题（"请分享一个你带领团队解决困难项目的经历"）
2. 技术面试：根据岗位生成针对性技术问题（后端/前端/算法/产品/运维等）
3. HR面试：模拟职业规划、离职原因、薪资期望等软性问题
4. 回答评价：从"清晰度/结构化/量化程度/匹配度"四个维度评分并给出改进建议

求职策略

1. 行业薪资调研：通过 WebSearch 获取目标行业/城市的薪资基准数据
2. 岗位匹配分析：对比用户简历与目标JD，量化匹配度，列出差距项
3. 谈薪话术生成：根据面试进展和用户预期，生成有理有据的谈薪话术
4. Offer比较：多Offer多维矩阵对比（薪资/职级/成长/文化/地点）

面试辅助参考

参考 references/interview_frameworks.md 获取主流面试框架详情。

输出约定

• 简历修改结果：输出修改对比（before/after）和修改说明
• 面试模拟：输出模拟对话 + 逐题评分
• 求职策略：输出结构化报告，含数据来源

---

自进化学习系统（越用越好用、越用越高效）

本技能内置通用学习模块 scripts/learner.py。每次使用后自动复盘、积累经验，逐步提升输出质量与执行效率，无需人工维护。

记忆文件

learned_patterns.json（位于本技能目录）记录：操作总数、各能力使用频次、错误模式、用户偏好、改进建议。

使用后请调用（Bash）

bash

# 记录一次成功使用（--capability 填本次主要能力名，如「简历优化」「比价」）
python scripts/learner.py record <本技能目录> --capability 简历优化
# 记录一次失败/异常
python scripts/learner.py record <本技能目录> --capability 简历优化 --fail --error 格式识别失败 --note "用户上传了非标准文件"
# 记录用户偏好（下次直接使用）
python scripts/learner.py prefer <本技能目录> --key 输出语言 --val 中文
# 查看累计洞察（高频能力 / 反复错误）
python scripts/learner.py insight <本技能目录>
# 自动复盘（错误≥3次 或 操作≥10次 时给出改进建议）
python scripts/learner.py reflect <本技能目录>

迭代规则

• 错误累计 ≥3 次 → 主动增加预检/兜底步骤，并将经验回写本 SKILL.md。
• 操作数 ≥10 次 → 分析高频能力优先打磨示例与质量，低频能力评估精简或合并。
• 重要用户偏好 → 写入 learned_patterns.json，下次调用直接采用，减少重复询问。

越用越懂你：第一次用是通用能力，第十次用已沉淀为你专属的最佳实践。