简历诊断与成品导出·元简 yotta-resume
元简 — 本地求职者简历诊断、单轮模拟面试与成品导出技能:分析简历结构、经历证据、量化指标、岗位匹配和风险,向用户追问缺失事实,给出逐条合理化修改建议,并运行由简历证据、JD 缺口和来源题库共同驱动的模拟面试与复盘,把确认后的内容导出为 DOCX/PDF。触发:简历诊断、改简历、简历追问、JD匹配、模拟面试、面试复盘、导出Word/PDF。边界:不编造经历,不承诺ATS、面试或Offer结果;不自动投递;不处理复杂设计作品集排版;默认本地处理且不联网。
元简(yotta-resume)
元简先根据简历内容自动识别行业,再分析结构、经历证据和 JD 关键词覆盖, 提出可回答的高价值问题,并按用户确认的事实导出 DOCX、HTML 或 PDF。
触发与边界
- Triggers:用户要求诊断简历、改简历、补强经历证据、做 JD 匹配,或把已确认的简历导出为 Word/PDF。
- Do NOT trigger:用户要求代投简历、编造经历或数字、预测面试结果、评估受保护个人属性,或制作复杂设计作品集排版。
常见自然语言说法:
- “帮我看下这份安全运营简历哪里写虚了。”
- “照这个 JD 看我还缺哪些关键词和证据。”
- “先别改,告诉我还需要问我什么。”
- “把确认后的内容导成 Word 和 PDF。”
- “这段经历我只能确认范围,不能确认具体数字,应该怎么写?”
相近但不适用:“帮我海投”“把结果写成 90 分”“编一段大厂经历”“替我预测 Offer”。
核心流程
- 首次安装或排查环境时先运行:
python scripts/yotta_resume.py doctor
doctor 会检查随包文件、数据契约、PyMuPDF、PDF 浏览器、临时目录和 Python 版本。
PDF 依赖是可选项:缺少时仍可使用 Markdown / DOCX 输入和 DOCX / HTML 输出。
- 读取简历文件。支持 UTF-8 Markdown、UTF-8 文本、DOCX 和文字层 PDF。 PDF 解析优先使用本地 PyMuPDF;缺少依赖、加密、损坏或扫描件时明确失败或降级, 不生成伪完整报告。
- 运行分析,优先让用户提供目标岗位 JD:
python scripts/yotta_resume.py audit --resume resume.md --jd jd.txt --format json
- 阅读
source_manifest、parse_warnings、issues、unknowns和questions。 先确认输入解析质量、规模、个人边界、结果、日期和 JD 缺口,再修改简历。 用户没有确认的事实不要写进简历。 - 按用户确认的信息修改 Markdown,再导出成品:
python scripts/yotta_resume.py export --input revised.md --docx revised.docx --html revised.html --pdf revised.pdf
-
核对输出文件存在且可打开。多格式导出会先写入临时区,全部成功后一次性提交; 任一格式失败时不会留下本次部分成品,也不会覆盖原有同名文件。 PDF 依赖本机 Chromium、Chrome 或 Edge;未找到浏览器时命令会明确失败,不会生成伪 PDF。
-
需要模拟面试时运行:
python scripts/yotta_resume.py interview start \
--resume resume.md --jd jd.txt --role-family soc --level mid \
--session interview-session.json --format markdown
python scripts/yotta_resume.py interview answer \
--session interview-session.json --answer answer.md --format markdown
python scripts/yotta_resume.py interview review \
--session interview-session.json --format markdown
interview 默认一轮 6 个主题,每题最多 1 次追问。题目来自版本化题库,
选择依据同时引用简历规则发现、JD 明确关键词缺口和岗位族维度。会话只写入
用户显式指定的本地文件,可中断恢复,不调用模型、不联网、不写长期记忆。
回答状态只使用“证据充分 / 部分 / 缺失”,不生成面试分数、通过率或竞争力判断。
- 需要单独校验随包岗位族、证据账本、题库、来源和双角色权限契约时运行:
python scripts/yotta_resume.py contracts --format json
输出契约
audit:JSON 或 Markdown,包含文件来源清单、解析提示、行业识别、章节识别、 要点统计、工具发现、未知项、追问、修改建议、JD 匹配、结构准备度和边界声明。interview:计划、当前问题、回答记录、追问路径和证据缺口复盘。会话状态 只保存在显式--session文件中;不包含整份简历原文。export:DOCX / HTML / PDF。三者来自同一份 Markdown 内容模型,联系方式保留在成品简历中。contracts:离线校验data/下的 7 个实际契约与 8 个 JSON Schema, 失败返回退出码6,不写文件、不联网。doctor:返回PASS / WARN / FAIL,核心文件或契约失败返回退出码6; PyMuPDF 或浏览器缺失只记为WARN,不阻断 DOCX / HTML 路径。- 分析报告:手机号、邮箱、URL、IP 和客户名会被打码;不承诺 ATS、面试或 Offer 结果。
评分与数字护栏
readiness.score的展示名称固定为“结构准备度(规则分)”,score_type为structure_rule_score,只反映章节、量化证据、文本清洁度和 可选 JD 关键词覆盖,不是招聘方评分。- 只能原样引用工具返回的数值;不得改写为其他数值、主观数字区间或“实际分数”。 需要对招聘方视角作判断时,只允许定性标签并列出简历证据。
- 未提供 JD 时
jd_match.coverage必须为null,报告写明不能判断岗位匹配。 jd_match使用版本化固定词表,只检查明确关键词,不做语义匹配或岗位排名; 必须同时展示lexicon_version和limitations。- 报告必须区分“工具规则发现”“智能体复核发现”“待用户确认事实”。 智能体额外发现不得冒充工具输出,且必须引用简历原文或来源页。
- 规则不能判断招聘竞争力、面试通过率或 Offer 结果;必须列入
unknowns。
行业扩展
industry_detection根据简历明确关键词识别行业,只使用可见内容,不读取受保护属性。- 当前可区分网络安全、软件研发、数据与人工智能、业务运营和通用兜底。
- 网络安全已有 6 个岗位族和 162 项结构化题库:120 道知识题、 30 条简历追问、12 个情景案例;其他行业暂用通用证据与追问维度。
- 新增行业时扩展
data/industry-registry.json及 Schema,不需要修改主分析流程。 - 多个行业信号接近时
status=ambiguous,不得自行猜测行业。
渐进披露
- 详细输入格式、CLI 退出码和浏览器要求见 references/usage.md。
- 常见问题见 references/faq.md。
- 自然语言说法见 references/trigger-examples.md。
- 端到端工作流见 references/workflow-examples.md。
- 行业、岗位族、题库、来源与 HR 权限契约见 references/data-contracts.md。
自检
python scripts/yotta_resume.py doctor
源码仓库维护者运行完整自动化测试;测试文件不作为终端用户运行前提。
Related skills
- Downloads
- 145All time
- Security audit
- Review
- Last updated
- 9h ago
- Current version
- v0.2.0
- License
- MIT-0
