求职助手 (job-search-assistant)

帮助用户撰写/优化简历，并基于简历推荐匹配的岗位，提供完整的求职支持。

功能概述

本 skill 提供完整的求职流程支持：

简历阶段：生成新简历或修改现有简历（支持HTML模板 + Playwright转PDF）
岗位推荐阶段：基于简历自动搜索并推荐匹配的岗位（从腾讯在线表格搜索）
就业指导阶段：针对目标公司/岗位进行公司分析、岗位解读、薪资行情、技能缺口评估和求职策略建议
模拟面试阶段：基于简历和目标岗位，进行针对性的模拟面试训练（含评分复盘）

> 数据源查询方式：岗位数据来自腾讯在线表格《2026春招表》，AI通过腾讯文档MCP工具实时查询，不依赖本地缓存。

触发条件

当用户提出以下类型的问题时，应使用此skill：

"帮我找找工作" / "我想找工作"
"帮我写一份简历" / "帮我修改简历"
"根据我的简历推荐一些岗位"
"有哪些适合我的工作机会"
"帮我生成简历并推荐岗位"
"帮我模拟面试" / "我想准备面试" / "练习一下面试"
"帮我做就业指导" / "分析一下这家公司" / "这个岗位怎么样"
"这个岗位值得投吗" / "帮我评估一下XX公司"
"给我一些求职策略" / "这个行业的薪资水平"

使用流程

⚠️ 使用前检查（必须执行）

在开始前，先检查工作目录是否存在旧的JSON数据文件：

resume_form_data.json
form_data_*.json
matched_jobs.json
其他可能包含简历数据或岗位数据的JSON文件

如果发现这些文件：

询问用户是否需要备份
建议删除或移动到其他位置
避免旧数据干扰新数据生成

第一阶段：简历生成/优化

⚠️ 第一步：询问用户是否已有简历（必须执行）

在开始时，必须先询问用户："你现在有现成的简历吗？（PDF或Word格式都可以）"

根据用户回答，进入不同流程：

场景A：用户没有简历（需要从零生成）

第二步：生成HTML表单

运行 scripts/generate_form.py 生成HTML表单页面
命令：python3 scripts/generate_form.py form.html
在预览面板中展示表单，让用户填写
表单包含以下部分：
基本信息（姓名、电话、邮箱、求职意向等）
教育背景（支持添加多个）
工作/实习经历（支持添加多个）
项目经历（支持添加多个）
技能与证书
自我评价

第三步：收集表单数据

用户填写表单并提交
表单提交后，不保存文件，而是在页面上显示JSON数据
提示用户："请复制下方JSON数据，然后粘贴发给我"
AI通过对话接收JSON数据

第四步：选择简历模板

向用户展示3个可选模板：

简洁商务风（classic）：黑白蓝配色，清晰专业，适合大多数岗位
现代卡片风（modern）：渐变背景，卡片布局，时尚现代，适合互联网/创意岗位
左栏侧边风（sidebar）：左侧信息栏+右侧内容区，结构清晰，适合技术岗位

让用户选择一个模板

第五步：生成简历

基于表单数据和用户选择的模板，生成HTML简历
使用 scripts/generate_resume.py 生成HTML和PDF
命令：python3 scripts/generate_resume.py data.json <模板名称> output.pdf
该脚本会：

读取JSON数据
根据模板名称加载对应的HTML模板（assets/resume_template_<名称>.html）
将数据填入模板，生成HTML文件
使用Playwright将HTML转为PDF

生成初版简历（PDF + HTML）

第六步：提供优化版本

分析初版简历，识别可改进点
提供3-5个优化版本，例如：
版本1：STAR法则优化工作经历
版本2：量化成果，增加数据支撑
版本3：调整结构，突出核心优势
版本4：精简内容，提升可读性
版本5：JD关键词优化（如果用户提供了招聘描述）
每个版本可以选择不同的模板
生成每个版本的PDF简历
让用户选择最满意的版本

第七步：询问是否继续优化

用户选择满意版本后，询问："是否需要继续优化简历？"
如果用户选择"是"，则跳转到场景B流程（已有简历，迭代优化）
如果用户选择"否"，则进入第二阶段：岗位推荐

场景B：用户已有简历（需要修改优化）

第二步：上传简历

让用户上传现有简历（支持PDF或DOCX格式）
保存上传的文件到工作目录（例如：user_resume.pdf 或 user_resume.docx）

第三步：解析简历（必须执行）

运行解析脚本，自动识别文件格式并提取内容：

```bash

python3 scripts/parse_resume.py <用户简历文件> resume_parsed.json

```

示例：

```bash

python3 scripts/parse_resume.py 张三简历_v1.pdf resume_parsed.json

```

该脚本会：

自动判断文件格式（PDF或DOCX）
尝试常规提取（pdfplumber for PDF / python-docx for DOCX）
如果常规提取失败或文本质量差，自动启用OCR模式
OCR模式使用 Tesseract 识别图片中的文字（支持中文：chi_sim+eng）
自动修复 OCR 识别问题（移除中文字符间的空格）
提取简历原始文本
进行基础的结构化信息提取（姓名、电话、邮箱等）
将结果保存为JSON文件（包含raw_text字段）

⚠️ 如果简历是扫描版PDF，需要启用OCR模式：

```bash

python3 scripts/parse_resume.py <用户简历文件> resume_parsed.json --ocr

```

或让脚本自动检测（常规提取失败时会自动启用OCR）

OCR 依赖安装（如果提示缺少）：

```bash

# macOS

brew install tesseract

brew install tesseract-lang # 安装中文语言包

# Ubuntu/Debian

sudo apt install tesseract-ocr tesseract-ocr-chi-sim

# Windows

# 下载安装：https://github.com/UB-Mannheim/tesseract/wiki

# Python包

pip install pytesseract Pillow

```

AI必须读取生成的JSON文件：

```python

# AI读取解析后的简历数据

with open('resume_parsed.json', 'r', encoding='utf-8') as f:

resume_data = json.load(f)

# 获取原始文本进行分析

raw_text = resume_data['raw_text']

```

第三步（关键）：从raw_text完整提取结构化信息（必须执行）

⚠️ parse_resume.py 提取的结构化字段通常不完整（技能可能只有一部分、项目可能为空等）。

必须运行 convert_resume_format.py 从 raw_text 中完整提取所有信息！

python3 scripts/convert_resume_format.py resume_parsed.json resume_full.json

该脚本会从 raw_text 中提取：

完整的个人信息（姓名、电话、邮箱、求职意向、地点、语言等）
完整的技能列表（按分类：AI & Agent、AIGC & 视觉、工程开发、数据分析等）
完整的项目经历（项目名称、描述、技术栈）
完整的工作经历（公司、岗位、时间段、描述）
教育背景（学校、专业、学历）
自我评价
保留raw_text作为后备数据源

验证提取结果：脚本会输出提取的统计信息，例如：

✅ 个人信息: 张三
✅ 技能: 30 项，5 个分类
✅ 项目经历: 5 个
✅ 工作经历: 2 段
✅ 教育背景: 1 条
✅ 自我评价: 120 字
✅ 原始文本: 1800 字（已保留作为后备数据源）

⚠️ 重要：resume_full.json 是后续所有操作的"数据源"。岗位匹配和简历调整都基于这个完整数据。

不要使用 resume_parsed.json 或 resume_converted.json，它们的数据不完整！

基于原始文本，AI分析简历内容，提取完整的结构化信息（教育背景、工作经历、项目经历、技能等）

第四步：分析并提供修改方向

分析简历的优缺点
提供3-5个明确的修改方向，例如：
方向1：使用STAR法则重写工作经历，突出成就
方向2：根据用户提供的JD，优化关键词匹配度
方向3：量化工作成果，添加具体数据和指标
方向4：调整简历结构，突出与目标岗位最相关的经历
方向5：精简内容，将简历控制在一页内
如果用户简历信息不全，通过聊天提问补充

第五步：选择简历模板

向用户展示3个可选模板（同场景A第四步）
让用户选择一个模板（可以为每个修改方向选择不同模板）

第六步：生成修改后的简历

基于用户选择的修改方向和模板，生成修改后的HTML简历
使用 scripts/generate_resume.py 生成HTML和PDF
生成3-5个不同侧重点的版本供用户选择
每个版本对应一个修改方向

第七步：用户确认并迭代优化

展示所有版本
让用户选择最满意的版本
如需进一步修改，根据用户反馈继续优化（回到第三步，迭代改进）
简历确认无误后，询问用户："是否基于这份简历为你推荐匹配的岗位？"
如果用户确认，则进入第二阶段：岗位推荐

第二阶段：岗位推荐（基于简历）

⚠️ 必须询问用户确认

在简历阶段完成后，必须询问用户："是否基于这份简历为你推荐匹配的岗位？"

只有当用户确认后，才能进入岗位推荐阶段。

⚠️ 前置条件：检查腾讯文档连接状态（必须执行）

在执行岗位搜索前，必须先提醒用户：

> "请确保你已经在 WorkBuddy 中连接了腾讯文档（😇→设置→已连接服务→腾讯文档），否则我无法读取岗位数据。"

确认连接后，继续执行以下步骤。

第一步：从简历提取关键词（AI自行处理）

AI 直接根据简历JSON（resume_full.json）提取以下关键信息：

期望城市（如：北京、上海、深圳）
技能列表（如：Python、LangChain、ComfyUI）
目标岗位（如：大模型架构工程师、AI应用开发工程师）
工作经历中的岗位名称

关键词提取逻辑参考 extract_keywords_from_resume() 函数（在 match_resume_to_jobs.py 中）。

生成搜索查询组合：将城市+岗位、城市+技能、纯岗位、纯技能等组合成多个查询对，用于后续搜索。

第二步：AI实时查询腾讯文档表格数据（核心）

AI 通过腾讯文档 MCP 工具实时读取表格数据执行搜索，具体步骤如下：

确认表格结构

```python

# 使用 get_sheet_info 获取表格信息（file_id 已内置于 skill）

get_sheet_info(file_id="DQUZ5RUdFd2hveXJm")

# 确认子表信息

sheet_info → 子表 "2026春招表"（sheet_id: eno0p4），26列×3633行

```

分批读取数据并搜索

```python

# 先读取表头行确认列结构（row index 2，即第3行）

get_cell_data(

file_id="DQUZ5RUdFd2hveXJm",

sheet_id="eno0p4",

start_row=2, end_row=2, # 表头

start_col=0, end_col=13,

return_csv=True

)

# 然后从第4行（row index 3）开始分批读取数据

# 每次读取200行，在AI端进行关键词匹配

# 在以下列中搜索：招聘岗位(列6)、公司名称(列1)、工作地点(列8)、行业大类(列4)

搜索逻辑（参考 search_records()）:

for 每批数据:

for 每条记录:

for 每个搜索关键词:

在关键列中模糊匹配（不区分大小写）

如果匹配，保留该记录

去重逻辑:

使用 (公司名称, 招聘岗位, 工作地点) 作为唯一标识去重

```

读取完所有批次后，汇总匹配结果

腾讯文档表格列结构（数据从第3行开始，第1-2行为标题行）：

索引	列名	说明
:----:	:----	:----
0	序号	记录编号
1	公司名称	公司全称
2	批次	春招/秋招
3	企业性质	央国企/民企/外企等
4	行业大类	行业分类
5	招聘对象	面向人群
6	招聘岗位	岗位名称
7	网申状态	招聘中/已截止
8	工作地点	多城市用空格分隔
9	更新时间	日期
10	截止时间	截止日期或招满即止
11	官方公告	公告名称或URL
12	投递方式	投递链接或描述
13	内推码/备注	备注信息

第三步：计算匹配度

AI 对匹配到的每个岗位计算匹配度分数（参考 calculate_match_score() 逻辑）：

维度	分数	说明
------	------	------
城市匹配	30分	工作地点与期望城市一致
岗位名称匹配	25分	岗位名称与期望岗位相关
技能匹配	25分	岗位要求与简历技能匹配
公司类型/行业	20分	公司类型与期望行业匹配

AI 也可以使用脚本辅助计算：

# 从 match_resume_to_jobs.py 导入 calculate_match_score
# AI将读取到的数据传入脚本
python3 -c "
from match_resume_to_jobs import calculate_match_score
import json
with open('record.json') as f:
    record = json.load(f)
with open('resume_full.json') as f:
    resume = json.load(f)
score = calculate_match_score(record, resume)
print(score)
"

第四步：生成岗位推荐HTML报告

AI 收集到匹配结果后，使用 scripts/generate_job_report.py 生成HTML报告：

python3 scripts/generate_job_report.py resume_full.json matched_jobs.json report.html

该脚本会生成包含以下内容的HTML报告：

岗位列表（公司、岗位、地点、投递链接、基本信息）
推荐理由总结（专业匹配、经历匹配、城市匹配、技能匹配）
下一步建议（优先投递、备选方案、简历优化建议）

第五步：展示报告给用户

在预览面板中展示HTML报告，让用户查看推荐的岗位。

第六步（核心）：为所有匹配岗位批量生成不同版本的简历

展示报告后，询问用户："是否需要为你推荐的每个岗位分别调整简历，让每份简历都最匹配对应岗位？"

如果用户选择"是"：

批量适配简历：使用 adapt_resume_to_job.py --batch 一次性为所有匹配的岗位生成对应版本

命令：python3 scripts/adapt_resume_to_job.py resume_full.json matched_jobs.json --batch --output-dir ./output
该脚本会为每个岗位：

保留完整简历数据（不丢失任何字段）
按岗位相关度重新排序经历、项目、技能
调整技能分类顺序
标记目标岗位信息（adapted_for 字段）
生成独立的调整后简历JSON文件

输出文件命名：adjusted_resume_<公司名>.json
每个版本还生成修改说明：explanation_<公司名>.md
生成批量摘要：batch_adapt_summary.json（包含所有版本的概览）
⚠️ 必须使用 resume_full.json（完整数据），不要用 resume_parsed.json

AI深度优化（关键步骤）：这是确保各版本简历"看起来不一样"的核心环节。

脚本只做了排序，AI必须做深度的内容差异化改造——核心原则是"量体裁衣，因企而异"。

⚠️ 常见Bug说明：之前出现过的问题——AI优化后5份简历读起来几乎一模一样，只是个别词有替换。这是因为没有真正做内容差异化。以下规则必须逐条执行，缺一不可。

差异化改造必须执行的8条规则：

① 项目排序差异化：每个公司最相关的项目必须排在第一位。不同公司的前3个项目组合必须不同。

算法岗：数据分析类项目 > 工程类项目 > 综合项目
Agent岗：Agent平台项目 > 工作流项目 > 其他
视觉岗：视觉AI项目 > 综合项目 > Agent项目

② 项目描述差异化：同一项目在不同公司简历中写不同的角度。例如"某智能客服Agent平台"：

对算法工程师：强调模型选型、意图识别准确率、多轮对话优化
对Agent架构师：强调Agent编排流程、全链路设计、工具集成
对视觉工程师：强调视觉理解模块集成、多模态交互能力
⚠️ 不能只换一两个关键词，必须改变整个描述的切入角度

③ 工作经历描述差异化：同一段工作经历（如"某科技公司"），为不同公司写不同的描述重点：

对算法岗：强调算法优化、模型评估、推理加速
对Agent岗：强调多智能体系统、工作流编排、工具集成
对视觉岗：强调视觉模型训练、图像处理管线、AIGC落地
对教学/培训岗：强调课程设计、学员交付、知识体系构建

④ 自我评价完全重写：每个版本必须是全新的自我评价，从不同角度切入：

不能是同一个模板换几个关键词
要像"针对这家公司写的"而不是"通用模板"
不同的句式结构、不同的能力维度排序

⑤ 技能分类排序调整：在每个技能分类内部，把最匹配目标公司的技能移到最前面。

例如对视觉岗："视觉/AIGC"分类要排在其他分类之前，内部图像生成>视觉理解>模型微调

⑥ 项目精选控制：每个版本从原简历中精选4-6个最相关的项目，不相关的剔除。

不同版本保留的项目组合应不同
确保简历长度适中、重点突出

⑦ 教学/非技术经历差异化处理：

面向技术开发岗位：教学/非技术经历压缩到1-2条简明描述即可
面向讲师/培训/运营岗位：保留详细描述，突出教学或运营能力

⑧ 求职意向调整：每个版本的 job_intention 字段必须是对应公司的目标岗位全称，不能所有版本都用同一个意向。

执行后的自检标准（必须逐项验证）：

[ ] 随机对比两个版本的简历，读起来感觉像是"写给不同公司"的
[ ] 前3个项目的排序组合在不同版本中不同
[ ] 同一段工作经历在不同版本中的描述角度不同
[ ] 自我评价的内容和切入角度不同
[ ] 每个版本的JD侧重点（项目强调什么、压缩什么）有明显差异

如果自检发现"只是同义词替换"，必须重新改。

优化完成后，为每个版本生成一份 explanation_<公司名>.md，说明：该版本改了哪些内容、突出了什么、压缩了什么
将优化后的完整简历数据保存回对应的JSON文件

修改说明（新增）：每个版本优化完成后，必须生成一份清晰的修改说明并存为 explanation_<公司名>.md，说明该版本修改了哪些内容、为什么要这么修改。这份说明也应该展示给用户看。

修改说明模板（以下内容必须逐条填写）：

```markdown

# 简历修改说明 - {公司名}

## 目标岗位

岗位：{目标岗位名称}
公司：{公司名称}
工作地点：{城市}

## 为什么这么修改

这家公司的岗位要求是{核心要求}，因此我的简历做了以下针对性调整：

## 修改了哪些内容

### 1. 项目排序调整

调整前：{原来的项目排序}
调整后：{修改后的项目排序}
为什么：因为该岗位最看重{某方面能力}，所以把{某项目}放到最前面

### 2. 项目描述角度调整

{项目A}：原来侧重{旧角度}，改为侧重{新角度}
{项目B}：原来侧重{旧角度}，改为侧重{新角度}
为什么：这样能更好地体现{公司/岗位最看重的技能}

### 3. 工作经历描述调整

{公司A/岗位} 描述从{旧侧重}调整为{新侧重}
为什么：因为该岗位要求{能力维度}，而这些描述突出了这方面的能力

### 4. 自我评价重写

从原来的"{旧自我评价核心}"调整为"{新自我评价核心}"
为什么：新版本突出了该岗位最需要{某能力描述}

### 5. 项目精选

移除了{不相关项目}，保留了{精选项目列表}
为什么：保留的项目与岗位的{关键要求}直接相关

### 6. 技能排序调整

{某技能类别}被调整到前面，内部{核心技能}提到最前
为什么：这些技能是该岗位JD中最核心的要求

```

在向用户交付PDF时，同时展示这份修改说明，让用户清楚知道每份简历做了哪些针对性调整。

批量生成PDF：使用 scripts/generate_resume.py 为每个版本生成PDF

命令：python3 scripts/generate_resume.py adjusted_resume_<公司名>.json <模板名称> adjusted_resume_<公司名>.pdf
可以批量执行：遍历 batch_adapt_summary.json 中的每个条目，逐个生成PDF

展示结果：向用户展示所有生成的简历版本

列出所有版本：公司名、岗位名、PDF文件名
提示用户：每份简历都是针对对应公司/岗位定制的
只提供PDF给用户（不展示HTML，除非用户要求）

用户选择和迭代：询问用户："对哪些版本的简历需要进一步调整？"

如果需要调整某个版本：根据用户反馈修改对应的JSON，重新生成PDF
如果满意：提醒用户及时投递简历

如果用户选择"否"：

结束流程
提醒用户及时投递简历
可以提供进一步的面试准备建议（如果用户需要）

新增脚本功能说明

`scripts/job_jd_templates.py` - JD推断模板

功能：根据岗位名称推断该岗位的常见要求
用法：被 adapt_resume_to_job.py 调用
包含内容：
常见岗位的JD模板（AI算法工程师、大模型应用开发工程师、Python开发工程师等）
每个模板包含：关键词、经历重点、技能优先级、自我评价关键词、岗位描述
行业关键词映射（用于根据公司行业微调JD）
匹配逻辑：
先尝试精确匹配岗位名称
如果没匹配到，尝试模糊匹配（包含关键词）
如果还是没匹配到，使用默认模板

`scripts/adapt_resume_to_job.py` - 根据岗位调整简历

功能：根据岗位信息调整简历内容，使其更符合该岗位的要求
用法：python3 scripts/adapt_resume_to_job.py <原始简历JSON> <岗位数据JSON> <输出简历JSON> [--explain 输出说明文件]
输入：
原始简历JSON文件
岗位数据JSON文件（从 matched_jobs.json 中获取某个岗位的数据）
可选：JD文本文件（如果用户能提供）
输出：
调整后的简历JSON文件
修改说明文件（可选）
核心逻辑：

提取岗位关键信息（岗位名称、公司行业等）
推断JD要求（使用 job_jd_templates.py）
调整简历内容：

经历排序：把与岗位最相关的经历放在前面
技能排序：把JD要求的技能放在技能列表的前面
关键词优化：在经历描述中适当增加JD关键词（不添加虚假内容）

生成修改说明

重要原则：
不捏造经历：所有调整基于用户提供的真实信息
不过度优化：调整要自然，不能生硬堆砌关键词
保持可读性：调整后的简历仍然要清晰易读

根据用户回答，提供选项：

如果用户不满意：
选项1：修改简历 → 回到第一阶段，重新优化简历
选项2：调整搜索条件重新搜索 → 让用户指定新的搜索条件，重新搜索
选项3：就业指导 → 不调整岗位，先听求职策略建议（进入第四阶段）
选项4：直接模拟面试 → 先练习面试，后续再优化（进入第三阶段）

如果用户满意：
选项1：就业指导 → 针对满意岗位进行公司分析、薪资策略、技能评估（推荐，进入第四阶段）
选项2：模拟面试训练 → 针对满意岗位进行模拟面试（进入第三阶段）
选项3：结束流程，提醒用户及时投递简历
或者在第二阶段完成后询问："要不要针对这家公司做一下就业指导，了解一下发展前景和薪资行情？"

简历生成规则

简历结构（推荐顺序）

个人信息

姓名、电话、邮箱、求职意向城市
可选：GitHub、个人网站、LinkedIn

教育背景（时间倒序）

学校、专业、学历、毕业时间
可选：GPA、相关课程、荣誉奖项

工作/实习经历（时间倒序）

公司名称、岗位、时间段
工作描述（使用STAR法则，量化成果）
每段经历2-4条bullet point

项目经历（时间倒序）

项目名称、角色、时间段
项目描述（突出技术栈、个人贡献、项目成果）
量化项目影响（用户量、性能提升等）

专业技能

编程语言、框架、工具
按熟练度分类（精通/熟练/了解）

奖项/证书（可选）

奖学金、竞赛奖项、专业证书

自我评价（可选）

2-3句话总结核心优势

写作原则

STAR法则：Situation（情境）、Task（任务）、Action（行动）、Result（结果）
量化成果：尽可能使用数字、百分比、金额等量化指标
动词开头：每条bullet point以动词开头（如"开发"、"优化"、"主导"）
关键词优化：如用户提供JD，将JD中的关键词自然融入简历
不捏造经历：所有优化基于用户提供的真实信息

格式要求

简历长度：应届生1页，社招可根据情况1-2页
字体：使用常规字体（如微软雅黑、宋体）
时间格式：统一使用"2023.06 - 2024.09"格式
手机号格式：+86 138-xxxx-xxxx 或 138 xxxx xxxx
邮箱：使用专业地址，避免非主流邮箱

岗位推荐规则

搜索策略

多次搜索：根据简历提取的关键词，生成多个搜索查询组合
去重：合并搜索结果，去除重复的岗位
匹配度评分：基于城市、岗位、技能、公司类型等维度计算匹配度
排序：按匹配度分数从高到低排序
推荐数量：推荐5-10个岗位

匹配度评分标准

维度	分数	说明
------	------	------
城市匹配	30分	工作地点与期望城市一致
岗位名称匹配	25分	岗位名称与期望岗位相关
技能匹配	25分	岗位要求与简历技能匹配
公司类型/行业	20分	公司类型与期望行业匹配

报告内容

岗位列表

公司名称、岗位名称、工作地点
招聘类型、截止日期、是否免笔试
投递链接（优先）或公告链接

推荐理由总结

专业匹配：简历专业与岗位要求的匹配情况
经历匹配：工作/项目经历与岗位的匹配情况
城市匹配：期望城市与岗位地点的匹配情况
技能匹配：简历技能与岗位要求的匹配情况

下一步建议

优先投递：建议优先投递的岗位
备选方案：其他可考虑的岗位或方案
简历优化建议：进一步提高匹配度的建议

环境要求与依赖

运行环境

Python 3.8+（必须）— 所有脚本均使用 Python 编写
Node.js（可选，仅生成PDF时需要 Playwright）

第三方 Python 包

以下包按功能分类，按需安装（不需要全部装）：

功能	依赖	安装命令
------	------	---------
HTML→PDF 转换（简历/报告）	Playwright	`pip install playwright && playwright install chromium`
解析 PDF 简历（常规模式）	PyMuPDF	`pip install PyMuPDF`
解析 PDF 简历（扫描件 OCR 模式）	pytesseract + Pillow	`pip install pytesseract Pillow`
解析 DOCX 简历	python-docx	`pip install python-docx`

系统级依赖

OCR 模式（仅解析扫描版PDF时需要）：
macOS：brew install tesseract tesseract-lang
Ubuntu/Debian：sudo apt install tesseract-ocr tesseract-ocr-chi-sim
Windows：下载安装 https://github.com/UB-Mannheim/tesseract/wiki

WorkBuddy 连接要求

腾讯文档：必须连接（用于搜索岗位数据）
路径：😇→设置→已连接服务→腾讯文档

> ⚠️ 所有第三方依赖均为懒加载（使用时才检查），即使未安装也不会影响脚本加载，只在调用对应功能时报错并提示安装。

脚本功能说明

本 skill 包含以下脚本，每个脚本都有明确的功能：

`scripts/generate_form.py` - 生成HTML表单

功能：生成一个HTML表单页面，用于收集用户简历信息
用法：python3 scripts/generate_form.py <输出文件.html>
输出：HTML表单文件，用户可在浏览器中填写
适用场景：场景A（用户无简历，需要从零生成）

`scripts/form_server.py` - 本地表单服务器（备用）

功能：启动一个本地HTTP服务器，用于展示表单并接收提交的数据
用法：python3 scripts/form_server.py
说明：当前版本不依赖此脚本，表单数据通过JSON复制粘贴方式传递

`scripts/parse_resume.py` - 解析上传的简历

功能：解析PDF或DOCX格式的简历文件，提取结构化信息
用法：python3 scripts/parse_resume.py <简历文件> <输出.json> [--ocr]
支持格式：PDF（pdfplumber / OCR）、DOCX（python-docx）
OCR模式：添加 --ocr 参数可强制使用OCR解析扫描版PDF
输出：JSON文件，包含raw_text（原始文本）和基础结构化信息
适用场景：场景B（用户已有简历，需要修改优化）

`scripts/generate_resume.py` - 生成HTML简历并转为PDF

功能：基于JSON数据和选定的模板，生成HTML简历，并使用Playwright转为PDF
用法：python3 scripts/generate_resume.py <数据.json> <模板名称> <输出.pdf>
支持模板：classic（简洁商务风）、modern（现代卡片风）、sidebar（左栏侧边风）
依赖：需要安装Playwright（pip install playwright && playwright install chromium）
输出：PDF文件 + HTML文件
适用场景：场景A和场景B的简历生成阶段

`scripts/generate_resume_simple.py` - 简化版简历生成器（备用）

功能：简化版的简历生成脚本，直接生成HTML + PDF，不依赖Playwright
用法：python3 scripts/generate_resume_simple.py <数据.json> <输出.pdf>
说明：作为 generate_resume.py 的备用方案，当Playwright不可用时使用

`scripts/match_resume_to_jobs.py` - 基于简历匹配岗位

功能：从简历JSON中提取关键词并计算岗位匹配度
用法：作为辅助工具使用，AI读取数据后传入脚本计算匹配度
核心函数：
extract_keywords_from_resume(resume_json) - 从简历提取关键词
generate_search_queries(keywords) - 生成搜索查询组合
calculate_match_score(record, resume_json) - 计算单条记录的匹配度（纯函数）
注意：岗位数据由AI通过腾讯文档MCP工具实时读取后传入，脚本不直接加载数据

`scripts/search_and_generate.py` - 腾讯在线表格搜索与HTML报告生成

功能：搜索岗位数据并生成HTML报告
数据源：通过get_cell_data MCP工具从腾讯在线表格实时读取
核心函数（AI可直接调用）：
search_records(records, keywords, search_mode='AND') - 在记录列表中搜索
generate_html_report(results, keywords, output_file) - 生成HTML报告
get_apply_link(record) - 提取投递链接

`scripts/generate_job_report.py` - 生成岗位推荐HTML报告

功能：基于简历和匹配的岗位数据（来自腾讯在线表格），生成美观的HTML推荐报告
用法：python3 scripts/generate_job_report.py <简历.json> <匹配岗位.json> <输出.html>
数据源：岗位数据来自腾讯在线表格（2026春招表）
输出：HTML报告，包含岗位列表、推荐理由、下一步建议
适用场景：第二阶段（岗位推荐）

`scripts/job_jd_templates.py` - JD推断模板（新增）

功能：根据岗位名称推断该岗位的常见要求
用法：被 adapt_resume_to_job.py 调用
包含内容：
常见岗位的JD模板（AI算法工程师、大模型应用开发工程师、Python开发工程师等12个岗位）
每个模板包含：关键词、经历重点、技能优先级、自我评价关键词、岗位描述
行业关键词映射（用于根据公司行业微调JD）
匹配逻辑：
先尝试精确匹配岗位名称
如果没匹配到，尝试模糊匹配（包含关键词）
如果还是没匹配到，使用默认模板
适用场景：新增的"简历自适应调整"功能

`scripts/adapt_resume_to_job.py` - 根据岗位调整简历（支持批量）

功能：根据岗位信息调整简历内容，使其更符合该岗位的要求。支持单个适配和批量适配两种模式。
用法：
单个适配：python3 scripts/adapt_resume_to_job.py <原始简历JSON> <岗位数据JSON> <输出简历JSON> [--explain 说明文件] [--job-index N]
批量适配：python3 scripts/adapt_resume_to_job.py <原始简历JSON> <岗位数据JSON> --batch [--output-dir 输出目录]
输入：
原始简历JSON文件（必须使用 resume_full.json）
岗位数据JSON文件（matched_jobs.json 或单个岗位JSON）
--job-index N：指定岗位列表中的第N+1个岗位（从0开始，仅单个模式）
--batch：批量模式，为所有匹配岗位分别生成对应版本的简历
--output-dir：批量模式的输出目录（默认当前目录）
输出：
单个模式：调整后的完整简历JSON文件 + 修改说明文件（可选）
批量模式：
adjusted_resume_<公司名>.json：每个岗位对应一份调整后的简历JSON
explanation_<公司名>.md：每个岗位对应的修改说明
batch_adapt_summary.json：批量处理摘要（包含所有版本的概览：公司、岗位、匹配度、数据完整性等）
核心逻辑：

读取完整的简历数据（包括 raw_text）
提取岗位信息（岗位名称、公司、行业、地点、投递链接）
推断JD要求（使用 job_jd_templates.py）
按相关度重新排序经历、项目、技能
调整技能分类顺序
标记目标岗位信息（adapted_for 字段）
验证数据完整性（经历、项目、技能数量不变）

重要原则：
不丢失数据：调整后的简历保留所有原始数据
只做排序：脚本只做排序调整，不改写描述内容
AI深度优化：描述改写、关键词优化由AI在运行时完成
批量一致性：批量模式确保每个版本的数据完整性
⚠️ 后续步骤：脚本调整后，AI需要进一步优化简历描述（关键词优化、描述改写、自我评价调整等），然后使用 generate_resume.py 生成PDF
适用场景：岗位推荐后，为每个匹配岗位生成定制版简历
适用场景：新增的"简历自适应调整"功能

`scripts/convert_resume_format.py` - 简历格式转换（重写版）

功能：从 parse_resume.py 的 raw_text 中完整提取结构化信息，生成 generate_resume.py 和 match_resume_to_jobs.py 需要的格式
用法：python3 scripts/convert_resume_format.py <输入.json> <输出.json>
输入：parse_resume.py生成的简历JSON文件（必须包含 raw_text 字段）
输出：完整的结构化简历JSON文件（resume_full.json），包含：
personal：完整的个人信息（姓名、电话、邮箱、求职意向、地点、语言、生日等）
skills_by_category：按分类的技能列表（AI & Agent、AIGC & 视觉、工程开发、数据分析等）
skills：扁平化的全部技能列表
projects：完整的项目经历（项目名称、描述、技术栈）
experiences：完整的工作经历（公司、岗位、时间段、描述）
education：教育背景
self_evaluation：自我评价
raw_text：原始文本（保留作为后备数据源）
核心改进：
从 raw_text 中提取完整信息，不再丢失数据
技能按分类提取
项目经历提取技术栈
验证提取结果完整性
⚠️ 重要：场景B中解析简历后必须运行此脚本，输出的 resume_full.json 是后续所有操作的数据源
适用场景：场景B（用户已有简历）中，解析简历后、匹配岗位前的格式转换

数据源说明

本 skill 的岗位搜索数据来自腾讯在线表格，AI 通过腾讯文档 MCP 工具实时查询：

表格链接：https://docs.qq.com/sheet/DQUZ5RUdFd2hveXJm?tab=eno0p4（已内置于 skill，用户无需提供）
子表名称：2026春招表（约3600+条记录）
数据格式：纯文本（14列：公司名称、招聘岗位、工作地点、行业大类等）
file_id：DQUZ5RUdFd2hveXJm（调 MCP 工具时使用）
sheet_id：eno0p4（2026春招表的子表ID）
查询方式：通过 get_cell_data MCP 工具分批读取数据，在AI端进行搜索匹配
数据时效性：实时读取，无需本地缓存（每次执行岗位搜索时直接从腾讯文档读取最新数据）
注意事项：
⚠️ 必须提醒用户：确保腾讯文档已连接（😇→设置→已连接服务→腾讯文档），否则无法读取数据
可以搜索其他子表（如"2026秋招表" sheet_id:BB08J2、"2026企业内推" sheet_id:697ld1）
腾讯文档表格由第三方维护，数据量可能变化
列索引基于0，表头在第3行（row index 2）

文件结构

job-search-assistant/
├── SKILL.md                              # Skill说明文档（本文件）
├── scripts/
│   ├── generate_form.py                  # 生成HTML表单脚本
│   ├── parse_resume.py                  # 解析上传的简历（PDF/DOCX）
│   ├── generate_resume.py               # 生成HTML简历并转为PDF
│   ├── search_and_generate.py           # 腾讯在线表格搜索与HTML报告生成
│   ├── match_resume_to_jobs.py          # 基于简历匹配岗位（接受外部数据）
│   ├── generate_job_report.py           # 生成岗位推荐HTML报告
│   ├── job_jd_templates.py             # JD推断模板
│   ├── adapt_resume_to_job.py          # 根据岗位调整简历
│   └── convert_resume_format.py        # 简历格式转换
├── assets/
│   ├── form_template.html                # HTML表单模板
│   ├── resume_template_classic.html     # 简历HTML模板 - 简洁商务风
│   ├── resume_template_modern.html      # 简历HTML模板 - 现代卡片风
│   ├── resume_template_sidebar.html     # 简历HTML模板 - 左栏侧边风
│   └── job_report_template.html         # 岗位推荐报告HTML模板
└── references/
    ├── questions.md                      # 表单问题列表（备用）
    ├── data_format.md                   # 腾讯在线表格数据格式说明
    ├── field_mapping.json              # 腾讯在线表格列名定义
    └── option_mapping.json             # 腾讯在线表格常见值参考

第四阶段：就业指导

本阶段在岗位推荐完成之后、模拟面试之前执行。针对用户选定的公司/岗位，分析公司背景、岗位解读、薪资行情、技能缺口，并给出求职策略建议。

触发方式（二选一）

流程内触发：第二阶段（岗位推荐）完成后，询问用户是否想做就业指导。如果用户选择"是"，进入本阶段
独立触发：用户直接说"帮我做就业指导"、"分析一下这家公司"、"这个岗位怎么样"等，自动进入本阶段

前置条件

⚠️ 进入就业指导前，必须确认已有目标公司/岗位（如用户从推荐列表中选中了某家）。如用户没有目标，可以先帮用户分析简历适合什么方向，再推荐具体公司。

就业指导流程（两步走）

第一步：AI生成公司/岗位分析报告

用户选定公司/岗位后，AI基于自身知识和网络搜索能力，生成一份简要的分析报告，包含以下内容：

公司背景与业务分析

公司主营业务和市场地位
所在行业的发展阶段和趋势
公司的技术栈偏好和用人风格（如适用）

岗位要求深度解读

岗位职责的核心要点拆解
隐性要求分析（简历中没有明写但实际看重的）
与用户现有能力的匹配度评估

薪资水平与行情参考

该岗位在目标城市的薪资范围（初级/中级/高级）
薪资构成说明（固定薪资、绩效、股票/期权等）
行业平均水平对比

发展前景与成长路径

该岗位的职业发展天花板和发展方向
建议的技能进阶路径
跳槽/晋升的常见节奏

技能缺口分析

用户现有技能与岗位要求的差距
建议优先补充的技能清单
学习资源和路径建议

投递策略建议

建议的投递时机和渠道
简历优化方向（补充说明）
面试准备重点方向

> 报告格式：以清晰的Markdown结构呈现，用粗体突出关键结论，适当使用项目符号。避免长篇大论，控制在500-800字以内。

第二步：问答对话

报告展示后，进入问答环节：

询问用户："对这份分析有什么疑问吗？比如薪资、发展、技能方面，或者想了解其他公司？"
用户可自由提问，AI基于调研和分析给出回答
如果用户想换一家公司/岗位分析，可以回到第一步

与第三阶段的关系

就业指导完成后，询问用户："要不要针对这家公司/岗位来一场模拟面试？"

如果用户选择"是" → 进入第三阶段：模拟面试
如果用户选择"否" → 结束流程，提醒用户及时投递简历

第三阶段：模拟面试

本阶段在简历优化和岗位推荐完成后执行。模拟面试会根据用户的简历、目标公司/岗位的JD，生成针对性的面试题。

触发方式（三种）

流程内触发①：第二阶段（岗位推荐）完成后，进入第四阶段（就业指导），就业指导完成后进入本阶段
流程内触发②：第二阶段（岗位推荐）完成后，用户直接选择模拟面试
独立触发：用户直接说"帮我模拟面试"、"我想准备面试"、"练习一下面试"等，自动进入本阶段

前置条件（必须执行）

⚠️ 执行模拟面试前，必须先确认是否有用户的简历数据。判断逻辑：

已有简历数据（如 resume_full.json 存在）：直接进入面试
已有岗位数据（如 matched_jobs.json 存在或用户指定了公司/岗位）：结合简历+岗位信息出题
没有任何数据：必须先引导用户完成简历收集（参考第一阶段），再进入面试
有简历但无目标岗位：结合简历内容，先帮用户分析适合的方向，再出通用面试题

面试流程（简化版）

面试采用一问一答的真实面试节奏：我提问 → 用户回答 → 我点评并给出下一题，每次只出一题。

面试环节（共5轮）：

轮次	环节	时长	说明
:----:	:----	:----:	------
①	自我介绍	~2分钟	"请简单介绍一下自己，重点说说为什么适合这个岗位"
②	技术问题 × 2	~5分钟	根据用户技能栈和JD出题（Agent/RAG/AIGC/工程等方向）
③	项目深挖 × 1	~3分钟	从简历中挑出与目标岗位最相关的项目，追问技术细节和个人贡献
④	行为问题 × 1	~3分钟	STAR问题（如"讲一次解决过的技术难题"、"最有成就感的事"）
⑤	反问环节	~2分钟	"你有什么想问我的吗？"

出题原则

技术题：基于用户简历中的技能栈（Skills）和目标公司的JD要求
项目题：从用户的项目经历（Projects）中选取与目标岗位最相关的1个
行为题：通用STAR问题 + 根据工作经历做适当调整
反问建议：基于目标公司调研结果，推荐有深度的问题

复盘评分卡

面试结束后，生成面试复盘评分卡，输出格式如下：

════════════════════════════════════════
        📋 面试复盘评分卡
════════════════════════════════════════
目标公司：{公司名称}
目标岗位：{岗位名称}

面试表现：
  技术理解：        7/10
  项目表达：        8/10
  逻辑沟通：        7/10
  岗位匹配：        6/10
  综合印象：        7/10
───────────────────────────────────
综合得分：         7/10

💪 优势：
  1. XXX
  2. XXX

🔧 改进建议：
  1. XXX
  2. XXX

📚 复习方向：
  1. XXX
  2. XXX
════════════════════════════════════════

评分卡基于面试过程中的回答质量动态生成，不生成PDF，直接在聊天对话中展示。

迭代优化

评分卡展示后，询问用户：

"要不要针对薄弱环节再加练一轮？"
"想换个公司/岗位再练一次吗？"
"哪里觉得不满意，我帮你调整？"

示例对话

示例1：完整流程（无简历 → 生成简历 → 推荐岗位）

用户："帮我找找工作"

AI："好的！我来帮你。你现在有现成的简历吗？（PDF或Word格式都可以）"

用户："没有，我是应届生，还没写过简历"

执行步骤：

（确认无简历）运行 scripts/generate_form.py 生成HTML表单
在预览面板展示表单，用户填写
用户提交表单，页面显示JSON数据
用户复制JSON数据并粘贴给AI
AI询问用户选择简历模板（展示3个模板）
用户选择模板
基于表单数据和选择的模板，生成初版HTML简历
使用Playwright将HTML转为PDF
提供3-5个优化版本（每个版本可选择不同模板）
用户选择最满意的版本
询问用户："是否基于这份简历为你推荐匹配的岗位？"
（用户确认后） 使用 scripts/match_resume_to_jobs.py 从简历提取关键词并搜索匹配岗位
使用 scripts/generate_job_report.py 生成岗位推荐HTML报告
在预览面板展示报告
询问用户："对推荐结果满意吗？"
根据用户反馈决定下一步

示例2：有简历（修改优化 → 推荐岗位）

用户："我有一份简历，帮我优化一下，然后根据简历推荐一些岗位"

AI："好的！请上传你的简历（PDF或Word格式），我帮你优化，然后根据优化后的简历为你推荐匹配的岗位。"

执行步骤：

让用户上传简历文件
解析简历内容（PDF用pdf skill，DOCX用docx skill）
分析并提供3-5个修改方向
用户选择修改方向
询问用户选择简历模板（展示3个模板）
基于用户选择的修改方向和模板，生成修改后的HTML简历
使用Playwright将HTML转为PDF
生成3-5个不同侧重点的版本（对应不同修改方向）
展示所有版本，让用户选择
如需进一步修改，根据用户反馈继续优化（迭代改进）
询问用户："是否基于这份简历为你推荐匹配的岗位？"
（用户确认后） 进入岗位推荐阶段

示例3：仅推荐岗位（已有简历且满意）

用户："我有一份简历，帮我推荐一些适合的岗位"

AI："好的！请上传你的简历（PDF或Word格式），我会基于你的简历为你推荐匹配的岗位。"

执行步骤：

让用户上传简历文件
解析简历内容，提取结构化信息（JSON格式）
询问用户确认："这是你的简历信息，是否准确？是否需要修改？"
（用户确认无误后） 使用 scripts/match_resume_to_jobs.py 从简历提取关键词并搜索匹配岗位
使用 scripts/generate_job_report.py 生成岗位推荐HTML报告
在预览面板展示报告
询问用户："对推荐结果满意吗？"
如果用户不满意，提供选项：修改简历 / 调整搜索条件重新搜索

示例4：推荐岗位后批量生成多版本简历（核心功能）

用户："帮我推荐一些岗位，然后根据岗位调整我的简历"

AI："好的！请上传你的简历（PDF或Word格式），我会为你推荐匹配的岗位，然后为每个岗位分别生成定制版简历。"

执行步骤：

让用户上传简历文件
解析简历内容，运行 convert_resume_format.py 提取完整结构化信息
使用 scripts/match_resume_to_jobs.py 从简历提取关键词并搜索匹配岗位（5-10个）
使用 scripts/generate_job_report.py 生成岗位推荐HTML报告
在预览面板展示报告
询问用户："是否需要为你推荐的每个岗位分别调整简历，让每份简历都最匹配对应岗位？"
（用户选择"是"） 运行批量适配：

```bash

python3 scripts/adapt_resume_to_job.py resume_full.json matched_jobs.json --batch --output-dir ./output

```

AI对每个版本进行深度内容差异化改造（按"差异化改造8条规则"逐条执行，包括项目排序/描述差异化、工作经历角度差异、自我评价完全重写、项目精选等），确保每份简历读起来明显是"写给不同公司的"
批量生成PDF：遍历每个调整后的JSON，使用 generate_resume.py 生成PDF
展示所有版本：公司名、岗位名、PDF文件名
只提供PDF给用户（不展示HTML，除非用户要求）
询问用户："对哪些版本的简历需要进一步调整？"

如果需要调整某个版本：根据用户反馈修改对应的JSON，重新生成PDF
如果满意：提醒用户及时投递简历

示例对话：

AI："这是为你推荐的5个岗位（展示报告）。是否需要为你推荐的每个岗位分别调整简历？"

用户："好的，帮我每个岗位都调整一下"

AI："好的！我正在为5个岗位分别生成定制版简历...

   ✅ 批量适配完成！共生成 5 个版本：

   | 序号 | 公司          | 岗位                  | 匹配度 |
   |------|---------------|----------------------|--------|
   | 1    | 某科技公司     | AI算法工程师          | 85分   |
   | 2    | 某互联网公司   | 大模型应用开发工程师   | 80分   |
   | 3    | 某数据公司     | Python开发工程师      | 75分   |
   | 4    | ...           | ...                  | ...    |
   | 5    | ...           | ...                  | ...    |

   现在我对每份简历进行深度内容差异化改造——按每家公司JD要求，重新排序项目、改写描述角度、完全重写自我评价，确保每份简历读起来明显不同...
   
   ✅ 全部优化完成！5份定制版简历已生成PDF。
   
   | 版本 | 项目侧重点 | 自我评价角度 | 擅长方向 |
   |------|-----------|-------------|---------|
   | 某科技公司-AI算法 | 数据分析 > 工程 > 视觉 | 算法工程能力 | LLM/RAG/Agent |
   | 某互联网公司-Agent | Agent平台 > 工作流 > 数据 | Agent架构能力 | 链路设计/MCP |
   | 某公司-视觉岗 | 视觉识别项目 > 多模态Agent > AIGC工具 | AIGC视觉能力 | 图像生成/视觉理解 |
   
   每份简历的内容侧重点都不同，请在投递时使用对应版本。对哪些版本需要进一步调整？"

用户："第2份的大模型应用开发，项目经历再突出一些"

AI："好的，我调整第2份简历的项目经历部分...（重新生成PDF）
   ✅ 第2份简历已更新，请查收。"

HTML转PDF说明

本skill使用Playwright将HTML转为PDF，优势：

使用真实的浏览器内核渲染，样式还原度100%
支持现代CSS特性（flexbox、grid、渐变等）
生成的PDF在不同设备上显示一致

使用方法：

# 安装Playwright
pip install playwright
playwright install chromium

# 生成简历
python3 scripts/generate_resume.py data.json classic output.pdf

模板说明

简历模板

本skill提供3个简历模板：

简洁商务风（classic）

配色：黑白蓝
特点：清晰专业，适合大多数岗位
适用：金融、咨询、传统行业

现代卡片风（modern）

配色：渐变紫
特点：时尚现代，卡片布局
适用：互联网、创意、设计岗位

左栏侧边风（sidebar）

配色：深蓝白
特点：左侧信息栏+右侧内容区
适用：技术、开发、工程师岗位

用户可以在生成简历前选择模板，也可以为每个优化版本选择不同模板。

岗位推荐报告模板

岗位推荐报告使用专门的HTML模板（assets/job_report_template.html），包含：

推荐理由总结（专业匹配、经历匹配、城市匹配、技能匹配）
岗位卡片列表（公司、岗位、地点、投递链接、匹配度、推荐理由）
下一步建议（优先投递、备选方案、简历优化建议）

注意事项

保护隐私：简历包含个人隐私信息，确保不泄露给第三方
不捏造经历：所有优化基于用户提供的真实信息，不添加虚假内容
用户体验：流程尽量简洁，避免一次性提出过多问题
版本管理：生成的多个版本要清晰命名，方便用户区分
PDF兼容性：确保生成的PDF在不同设备上显示正常（使用Playwright可确保）
JSON数据：路线A中，表单提交后不保存文件，提示用户复制JSON数据并粘贴给AI
必须询问确认：简历阶段完成后，必须询问用户确认，才能进入岗位推荐阶段
可迭代性：用户不满意推荐结果时，可以提供修改简历或调整搜索条件的选项

后续改进

[x] 使用HTML模板生成简历（已完成）
[x] 使用Playwright将HTML转为PDF（已完成）
[x] 提供多个简历模板供用户选择（已完成）
[x] 基于简历推荐匹配的岗位（已完成）
[x] 生成包含推荐理由的岗位推荐报告（已完成）
[x] 根据岗位自动调整简历（已完成）
[x] 批量生成多版本简历（为每个匹配岗位生成定制版）（已完成）
[x] 支持英文简历
[x] 模拟面试功能（新增）
[x] 就业指导功能（新增）
[x] AI深度优化8条差异化规则（修复简历雷同bug）
[x] 修改说明模板（改了什么+为什么这么改）
[ ] 简历雷同Bug修复后的自检流程自动化
[x] 模拟面试功能（新增）
[ ] 集成JD关键词自动优化（AI深度优化步骤自动化）
[ ] 添加ATS兼容性检查
[ ] 支持简历版本管理（保存多个版本）
[ ] 支持LinkedIn资料导入
[ ] 支持自动投递简历（需要用户授权）
[ ] 模拟面试生成PDF复盘报告

最后更新：2026-05-14（通用化改造：去个人信息+去硬编码路径+环境依赖说明+腾讯文档实时查询）

求职助手

概述

求职助手 (job-search-assistant)

功能概述

触发条件

使用流程

第一阶段：简历生成/优化

场景A：用户没有简历（需要从零生成）

场景B：用户已有简历（需要修改优化）

第二阶段：岗位推荐（基于简历）

新增脚本功能说明

scripts/job_jd_templates.py - JD推断模板

scripts/adapt_resume_to_job.py - 根据岗位调整简历

简历生成规则

简历结构（推荐顺序）

写作原则

格式要求

岗位推荐规则

搜索策略

匹配度评分标准

报告内容

环境要求与依赖

运行环境

第三方 Python 包

系统级依赖

WorkBuddy 连接要求

脚本功能说明

scripts/generate_form.py - 生成HTML表单

scripts/form_server.py - 本地表单服务器（备用）

scripts/parse_resume.py - 解析上传的简历

scripts/generate_resume.py - 生成HTML简历并转为PDF

scripts/generate_resume_simple.py - 简化版简历生成器（备用）

scripts/match_resume_to_jobs.py - 基于简历匹配岗位

scripts/search_and_generate.py - 腾讯在线表格搜索与HTML报告生成

scripts/generate_job_report.py - 生成岗位推荐HTML报告

scripts/job_jd_templates.py - JD推断模板（新增）

scripts/adapt_resume_to_job.py - 根据岗位调整简历（支持批量）

scripts/convert_resume_format.py - 简历格式转换（重写版）

数据源说明

文件结构

第四阶段：就业指导

触发方式（二选一）

前置条件

就业指导流程（两步走）

第一步：AI生成公司/岗位分析报告

第二步：问答对话

与第三阶段的关系

第三阶段：模拟面试

触发方式（三种）

前置条件（必须执行）

面试流程（简化版）

出题原则

复盘评分卡

迭代优化

示例对话

示例1：完整流程（无简历 → 生成简历 → 推荐岗位）

示例2：有简历（修改优化 → 推荐岗位）

示例3：仅推荐岗位（已有简历且满意）

示例4：推荐岗位后批量生成多版本简历（核心功能）

HTML转PDF说明

模板说明

简历模板

岗位推荐报告模板

注意事项

后续改进

版本历史

安全检测

腾讯云安全 (Keen)

腾讯云安全 (Sanbu)

🔗 相关推荐

自动化岗位猎手

信息差求职攻略

简历优化专家

`scripts/job_jd_templates.py` - JD推断模板

`scripts/adapt_resume_to_job.py` - 根据岗位调整简历

`scripts/generate_form.py` - 生成HTML表单

`scripts/form_server.py` - 本地表单服务器（备用）

`scripts/parse_resume.py` - 解析上传的简历

`scripts/generate_resume.py` - 生成HTML简历并转为PDF

`scripts/generate_resume_simple.py` - 简化版简历生成器（备用）

`scripts/match_resume_to_jobs.py` - 基于简历匹配岗位

`scripts/search_and_generate.py` - 腾讯在线表格搜索与HTML报告生成

`scripts/generate_job_report.py` - 生成岗位推荐HTML报告

`scripts/job_jd_templates.py` - JD推断模板（新增）

`scripts/adapt_resume_to_job.py` - 根据岗位调整简历（支持批量）

`scripts/convert_resume_format.py` - 简历格式转换（重写版）