校招产品经理教练
为校招/实习互联网产品经理候选人提供一站式应聘助手。专业评分:基于 5 维度 100 分制体系(经验匹配度、逻辑能力、表达能力、AI 探索、个人素养)评估简历。一键优化:按 STAR 框架与北极星指标重构简历,输出 .docx 文档。JD 押题:基于岗位 JD 预测 8-12 道面试题,附答题思路。三大能力可串联使用:评分→优化→押题。
校招产品经理简历评分与面试模拟(resume-jd-review)
面向人群:校招 / 实习 · 互联网产品经理求职者 定位:四大能力一体 —— ⓪ 首轮诊断(三部分一体化) ① 简历评分 ② 简历一键优化 ③ 基于 JD 的模拟面试题 技术路线:矩阵内技能(腾讯云 OCR 全家桶)+ 本地规则引擎,零大模型依赖、零推理费用、得分可追溯
〇、首轮诊断(--stage quick)
拿到简历 + JD 后直接一次性输出三部分,适合首轮沟通/面试前快速预览:
- ① 简历评分 + 细项原因描述 —— 总分 + 5 维度得分表 + 每条规则的命中证据与失分原因
- ② 可能问到的问题 —— 按 JD 匹配度与简历短板排序的 Top 8 面试问题
- ③ 综合判断 —— 匹配度结论(高/中/低)、核心竞争力、关键风险点、投递前必改项、投递建议
输出 1 份 00_首轮诊断报告.md(规则化推导,零大模型、可追溯)。
一、四大能力
⓪ 首轮诊断(--stage quick)
见上文「〇、首轮诊断」。
① 简历评分(--stage review)
按《校招产品经理能力评价体系》5 大维度进行规则驱动评分(总分 100):
| 维度 | 权重 | 考察内容 | 关键规则 |
|---|---|---|---|
| 过往经验匹配度 | 20% | 实习/项目方向与 JD 行业一致性;实际性工作(调研→PRD→评审→落地→复盘闭环);专业是否计算机相关 | industry_match、substance_work、major_relevance |
| 逻辑能力 | 30% | 项目是否讲清 背景(为什么做)/ 产出(做什么)/ 价值衡量(怎么衡量)/ 北极星指标;能否看到核心价值与长期 roadmap | logic_elements、roadmap_presence |
| 表达能力 | 20% | 描述是否重复累赘;跨境行业英语是否可作为工作语言 | redundancy_check、english_ability |
| AI 探索能力 | 15% | 是否通过 AI 落地产品、输出产出、实现提效 | ai_exploration |
| 产品经理个人素养 | 15% | 责任心(不半途而废)/ 创造力 / 逻辑严谨(定量定性+规划)/ 热爱(持续体验产品有成绩) | soft_quality |
- 每条得分可追溯:报告第四部分列出每条规则命中证据(如"已覆盖 4/5 个实际性工作环节"、"专业命中计算机相关关键词")
- 维度标准可替换:编辑
config/default_dimensions.json或--dimensions传入自定义 JSON
② 简历一键优化(--stage review --optimize-instruction "...")
- 指令自动识别意图:量化补充 / 重点突出 / 精简 / JD 对齐 / 规范化
- 直接生成新简历文档
02_优化后简历.md,不编造数据,待补数字以> 待补充量化数据引用提示行标出(不写入正文,避免干扰重新评分) - 附优化摘要与逐条变更日志
- 防幻觉原则:只做原有内容上的表达/结构调整——
- 不新增任何非本人执行的细节(不新增经历、数据、头衔、成果)
- 不把"参与/协助"夸大为"主导/独立"等强所有权词(动词升级保持保守)
- 每轮优化后自动执行防幻觉校验(数字溯源 + 所有权词强度比对),发现疑似新增内容即告警并需人工核对
- 高评分方向优化:默认清理口语/空话词(大概/基本上/等等…)并做弱动词升级;评分规则中「负责/参与/协助」等正常强动词不计为重复口水词,避免"优化动词反而触发扣分"
- 闭环复评:每轮优化后自动用评分引擎对优化稿正文复评,验证分数不低于原文;若异常下降会明确告警
- 评分公平性:评分与结构化解析前自动剥离优化稿的元信息(头部声明、量化提示、优化摘要、三部分诊断),保证"优化稿重新评分"与"原文评分"在同一口径下对比,杜绝"优化后反而低分"的假象
- 三部分输出约定:每一轮优化简历之后,输出结构都包含三部分——① 简历评分 + 细项原因描述 ② 可能问到的问题 ③ 综合判断(追加在优化稿文档末尾「本轮优化后的三部分诊断」)
③ 模拟面试题(--stage interview)
- 基于 JD 职责拆解 + 简历项目/实习深挖,生成 7 大类 30+ 题: 自我介绍与产品认知 / 需求分析与产品设计 / 数据思维与数据分析 / 项目与实习经历深挖 / 行为面试 / 开放设计题 / 反问环节
- 附 JD 高频考察点附录与 AI 方向专项题(自动检测 JD 是否含 AI 相关要求)
二、输入方式
| 方式 | 命令 |
|---|---|
| 首轮诊断(三部分一体化) | python3 main.py --resume-text "$(cat resume.txt)" --jd jd.txt --stage quick -o output/ |
| 简历 PDF/图片 | python3 main.py --resume-doc resume.pdf --jd jd.txt --stage all -o output/(自动调用矩阵内 OCR + 文档抽取) |
| 简历纯文本 | python3 main.py --resume-text "$(cat resume.txt)" --jd jd.txt --stage all -o output/ |
| 一键优化 | 追加 --optimize-instruction "突出实习经历,补充量化表达" |
| 自定义维度 | --dimensions my_dims.json |
输出文件:
00_首轮诊断报告.md(--stage quick):三部分一体化(评分+细项原因 / 可能问到的问题 / 综合判断)01_评分报告.md、03_评分结果.json:评分与依据02_优化后简历.md(含优化指令时):优化稿 + 末尾附「本轮优化后的三部分诊断」04_模拟面试题.md(--stage interview/all):7 大类题库
三、矩阵内技能依赖
| 依赖技能 | 用途 |
|---|---|
tencentcloud-ocr | GeneralAccurateOCR 通用高精度识别(简历图片/PDF → 全文) |
tencentcloud-ocr-extractdocagent | ExtractDocAgent 文档抽取(按字段抽取姓名/学校/实习/项目等) |
环境变量(与矩阵内 OCR 技能一致):TENCENTCLOUD_SECRET_ID、TENCENTCLOUD_SECRET_KEY。
四、测试与验证
cd scripts
python3 tests/test_unit.py # 规则引擎 + 解析 + 评分 + 优化 + 面试题
python3 tests/test_e2e.py # 全流程端到端
五、目录结构
resume-jd-review/
├── _meta.json # 技能元数据(场景/能力/依赖)
├── SKILL.md # 本说明
├── config/
│ ├── default_dimensions.json # ★ 评分维度(按你的 Excel 标准)
│ └── interview_templates.json # 面试题分类模板
├── sample/ # 样例简历/JD/输出
├── scripts/
│ ├── main.py # 入口编排
│ ├── ocr_service.py # 矩阵内 OCR + 文档抽取封装
│ ├── resume_parser.py # 本地结构化解析
│ ├── rule_engine.py # ★ 规则引擎(21 种规则)
│ ├── evaluator.py # 评分引擎
│ ├── optimizer.py # 简历优化
│ ├── interviewer.py # 面试题生成
│ ├── formatter.py # 报告格式化
│ └── tests/ # 单元 + 端到端测试
- Downloads
- Security audit
- Review
- Last updated
- 3mo ago
- Current version
- v1.0.1
- License
- MIT-0
