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。

winkychannn@winkychannn

Install

openclaw skills install @winkychannn/campus-pm-coach

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

bash

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

text

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