Resume-to-Tags

从简历到纯标签矩阵的完整流程。接受简历文本/文件 → LLM 提取原子标签（含近义词扩展） → 创建飞书多维表格（多选标签字段） → 批量录入候选人 → 清理空白行列 → 输出可搜索的人才标签库。当用户提供简历并要求"生成标签矩阵"、"人才标签库"、"简历转表格"、"候选人打标"时使用。

Security Scan

The skill's functionality (resume → tags → Feishu Bitable) is plausible, but it omits required Feishu credentials and contains steps that expose sensitive PII (emails/phones) to prompts/outputs without guidance — those gaps are disproportionate to its stated scope.

Purpose & Capability

The SKILL.md instructs the agent to create and modify Feishu Bitable resources (create app, patch table, create fields, batch insert records), which normally requires Feishu API credentials or a connector. The skill declares no required env vars or primary credential, so the declared requirements do not match the practical capability needed to perform Feishu operations.

Instruction Scope

The instructions and the included script explicitly extract phone numbers and emails and build a prompt containing resume text to be sent to an LLM. That means sensitive PII from resumes will be packaged into prompts/outputs and (per instructions) sent to an LLM and later inserted into an external table — there is no guidance about redaction, consent, or which LLM endpoint is safe to use. The instruction set otherwise stays within the stated purpose of tag extraction and table creation, but the PII handling and unspecified LLM/Feishu endpoints are significant scope/privacy concerns.

Install Mechanism

No install spec; the skill is instruction-only with a small helper script. Nothing is downloaded or installed automatically, so there is low install risk.

Credentials

There are zero required environment variables declared even though the workflow requires interacting with Feishu Bitable (and likely needs app tokens/credentials). The absence of declared credentials is disproportionate and creates ambiguity about where credentials come from (implicit agent connectors, or missing). Additionally, the script extracts PII (phone/email) that may be sent to an LLM or external service — sensitive environment/credential handling is not addressed.

Persistence & Privilege

always is false and the skill does not request permanent/global privileges or modify other skills' configurations. It does not autonomously persist credentials or enable itself. No elevated persistence concerns observed.

What to consider before installing

This skill generally does what it says (extract tags and populate a Feishu Bitable) but has two practical gaps you should deliberate before installing: (1) Feishu operations require API credentials or an agent connector — the skill does not declare or document which env vars/tokens are needed or how auth is handled. Confirm how your agent will authenticate to Feishu and restrict the credentials to least privilege. (2) The included script extracts phone numbers and emails and packages resume text into an LLM prompt; that will expose PII to whichever LLM or agent tool executes the prompt. If you plan to use real resumes, ensure you (a) have candidate consent, (b) redact or minimize PII before sending to third-party LLMs, or (c) use an on-prem/private model. Also verify the Feishu field IDs and destructive actions (deleting fields) against a test workspace first, and require explicit approval before batch-inserting real candidate data. If the author provides explicit documentation of how Feishu auth is sourced (specific env vars or a required connector) and adds privacy guidance (PII handling / recommended LLM endpoints), my confidence would increase and the skill would be closer to benign.

Resume-to-Tags — 简历到纯标签矩阵

从简历提取原子标签，构建可搜索、可匹配的人才标签矩阵。

核心设计理念

描述 → 标签：将简历中的描述性内容拆解为标准化原子标签，使人才匹配 = 标签重合度计算。

标签拆解规则

维度	原始描述	拆解标签
院校	香港城市大学	海外 硕士 QS前100 社科
院校	同济大学	本科 985 211 理工科
院校	清华大学	本科 C9 985 211
公司	携程集团	大厂 OTA 旅游 上市公司
公司	京东集团	大厂 电商 上市公司
公司	明略科技	AI创业
技能	LLMOps/RAG链路优化	LLMOps RAG LLM应用
技能	大模型知识库	RAG 知识库 LLM应用

完整工作流

Step 1: 标签提取

从简历文本提取原子标签，输出标准 JSON。

python3 skills/resume-to-tags/scripts/extract_tags.py --text "简历内容..."

或读取文件：

python3 skills/resume-to-tags/scripts/extract_tags.py --file resume.txt

Step 2: 近义词扩展

提取后自动扩充近义词标签，提高匹配覆盖率。近义词映射表见 references/synonyms.json。

Step 3: 创建多维表格

使用飞书工具创建表格结构：

1. 创建应用：feishu_bitable_app (action=create)
2. 重命名默认表：feishu_bitable_app_table (action=patch)
3. 重命名主字段为"姓名"：feishu_bitable_app_table_field (action=update, fldFdaHuOL)
4. 创建 7 个多选标签字段 + 1 个数字字段：

字段名	类型	说明
姓名	文本(1)	主键
院校标签	多选(4)	985/211/C9/QS前100/海外/本科/硕士...
公司标签	多选(4)	大厂/OTA/电商/AI创业/外企/旅游...
技能标签	多选(4)	RAG/Agent/招聘管理/数据分析...
工具标签	多选(4)	LangChain/Dify/SQL/SPSS...
领域标签	多选(4)	AI/LLM/HR/BD/产品/咨询...
语言标签	多选(4)	中文母语/英语工作/日语...
证书标签	多选(4)	初级经济师/CET6/N3...
工作年限	数字(2)	总经验年数

5. 删除默认空白字段（单选 fld21nkFl6、日期 fld8rfpQsc、附件 fld84GszEh）： feishu_bitable_app_table_field (action=delete)

Step 4: 录入候选人

批量插入记录：feishu_bitable_app_table_record (action=batch_create)

MultiSelect 字段的值会自动创建新选项（无需预定义）。

Step 5: 清理空白行列

删除默认空白列：

feishu_bitable_app_table_field: delete fld21nkFl6 (单选)
feishu_bitable_app_table_field: delete fld8rfpQsc (日期)
feishu_bitable_app_table_field: delete fld84GszEh (附件)

标签分类体系

院校标签

985 211 双一流 C9 G5 常春藤 QS前50 QS前100 QS前200 海外 本科 硕士 博士 理工科 社科 商科 在职教育

公司标签

大厂 互联网 OTA 旅游 电商 金融 AI创业 外企 国企 上市公司 独角兽 ToB ToC 本地生活 支付 物流 制造 咨询 教育 医疗 游戏 社交 内容 SaaS

技能标签（含近义词映射）

标准标签	近义词/变体
RAG	检索增强生成、大模型知识库、RAG链路优化
Agent	智能体、Agentic Workflow、AI Agent
LLM应用	大模型应用、LLM应用开发
微服务	微服务架构、分布式架构
高并发	高并发架构、高并发异步处理
Prompt	Prompt Engineering、提示词工程
数据分析	数据清洗、回归分析、统计分析
人才寻源	人才搜寻、Sourcing
胜任力模型	胜任力画像构建、胜任力模型
招聘漏斗	招聘漏斗分析
人才Mapping	人才地图、Competitor Mapping
业务拓展	BD、商务拓展
大客户管理	KA管理、Key Account
OTA运营	OTA渠道运营
市场趋势	市场趋势分析
收益管理	定价策略、Revenue Management
合同谈判	商务谈判
客户关系	客户关系维护、CRM
战略规划	SP/BP、战略规划制定
知识萃取	知识工程
抽象建模	系统建模
产品架构	产品架构设计
解决方案	解决方案孵化
生态合作	合作伙伴管理
AI中台	AI平台建设、AI中台建设
人脸识别	人脸技术
图像识别	CV、计算机视觉
智能语音	语音识别、TTS、ASR
大数据	大数据架构
NLP	自然语言处理

工具标签

LangChain Dify n8n OpenClaw Pinecone Milvus MySQL Redis Kafka ClickHouse Docker K8S AWS 阿里云 SQL SPSS Stata Pandas Excel CRM OTA平台 AI中台 OCR 猎聘 LinkedIn

领域标签

AI/LLM HR/招聘 BD/销售 产品 技术架构 OTA/旅游 电商 金融 数据分析 咨询 教育 医疗 游戏 社交

语言标签

中文母语 英语工作 英语流利 日语 CET6 托福 雅思

证书标签

初级经济师 PMP CET6 日语N3 日语N2 数学竞赛 英语专八

人才匹配逻辑

给定岗位需求标签集合 R，候选人标签集合 C：

• 匹配度 = |R ∩ C| / |R| × 100%
• 可按匹配度排序推荐候选人

相关文件

• scripts/extract_tags.py — LLM 标签提取脚本
• references/synonyms.json — 近义词映射表（标准标签 → 变体列表）
• references/taxonomy.md — 完整标签分类体系