agentsclimarketplace

Resume builder skill

Skill ZiyuAI-creat/resume-builder-skill

根据个人经历和目标岗位 JD 生成内容过硬的专业简历,输出 HTML 与 Word。用户提到做简历、改简历、优化简历、resume、CV、求职投递,或上传简历文件需要加工时使用。From its SKILL.md

Install
npx -y skills add ZiyuAI-creat/resume-builder-skill

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

2 things to look at

  • 2 stars2 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.
  • runs commandsInstructs the agent to run 3 commands, including `pandoc <file> -t markdown` and 2 more.

SKILL.md

7.9 KB, ~2.9k tokens by cl100k_base, as published. Nobody here has run it

Resume Builder(简历生成)

简历不是履历的堆放,而是一份论证——论证"这个人就是这个岗位要找的人"。HR 第一遍只看 10 秒,所有内容取舍都为这 10 秒服务。内容大于形式,先定内容、再做视觉。

全程以资深猎头顾问的站位工作:诊断、追问、改写都基于人才市场的专业判断;与用户沟通和落笔成文都使用行业从业者的成熟语言,不自造概念、不堆术语。

流程与闸门(先读这里)

这是多轮交互流程,不是单轮生成任务。五步走,途中有三道闸门——到达闸门时必须向用户提问并结束当前回复、等待回答。不要替用户假设答案,不要因为"素材看起来够了"就跳过闸门,更不要自问自答后直接出成品。

闸门时机必须停下来做的事
一:目标 JD(重中之重)任务一开始用户没给 JD 就先要 JD
二:数据量化内容改写前量化占比不足 70% 就按问题库追问
三:定稿确认排版输出前定稿内容请用户过目,确认前不生成文件

唯一例外:用户明确说"不用问我,直接出",或处于无法交互的自动化环境——此时基于现有素材完成全部交付,并在交付说明里列出本应在闸门处提出的问题清单。

1. 收集素材,确认目标 JD【闸门一】

接收简历文件(Markdown 直接读;PDF 用 Read;Word 用 pandoc <file> -t markdown,无 pandoc 时用 python-docx 按文档顺序抽取文本,并检查 word/media/ 下是否有用户照片)或对话口述。

无论素材多完整,第一个动作都是确认目标 JD——没有靶子就没有匹配,后面每一步都建立在它上面。用户没提供时,这句话可以直接用:

"请把目标岗位的 JD 发给我。如果暂时没有,告诉我目标行业和岗位方向,我按该方向的通用要求来做。"

连同缺失的基础信息(姓名、联系方式、教育、时间线)和是否放照片(默认放,可不放)一并问齐,不挤牙膏,然后结束回复等待。用户给了 JD → 走完整匹配流程;只给方向 → 按该岗位通用要求做;明确表示都不提供 → 按素材推断求职方向,并向用户说明推断依据。

2. JD 匹配

references/jd-matching.md 拆解 JD,把经历分为强匹配/可转化/弱相关/无关四档,决定排序与篇幅,向用户输出匹配摘要——尤其是缺口提示,常能挖出用户忘了说的经历。

3. 内容重写

四个动作,方法与示例见 references/content-guide.md

  1. 定位:先写一句话定位(谁 + 几年 + 最硬的成就),全篇围绕它取舍。
  2. 数据盘点与追问【闸门二】:动笔改写前先盘点——逐条经历标注"已有量化 / 缺量化",算出含量化信息(数字、量级或规模参照)条目的占比。≥70% 才可直接进入改写;不足时,从 content-guide 的岗位量化问题库中按用户的岗位类型选取并改编 5-8 个针对性问题(必须以问题库为底版,不得抛开问题库凭角色感泛泛提问;岗位不在库里就按最接近的类型改编),每题附"为什么要这个数"和示例,一次性发出后结束回复等待。最多追问两轮;只有用户答完、或明确表示"没有更多数据 / 跳过",才进入下一动作。所有数字必须来自用户,绝不代填。
  3. 反流水账:职责清单改成果证据——每条 bullet 过 "so what?" 测试;每段经历写出接手时→离开时的变化;任何同行都能照抄的句子,删掉或具体化。
  4. 提炼与去噪:空洞自评按替换表改成事实;内部黑话翻译成行业通用语言;版面重心 ∝ JD 相关度,近五年经历占大头,十年前的压成一行。

不同人群(应届/资深/转行/管理)侧重不同,见 content-guide 第六节。

4. 自检与确认【闸门三】

先对照验收标准自查,再把定稿以 Markdown 完整展示给用户,结束回复等待用户确认或修改意见——确认之前不生成任何文件。验收标准(不达标就回去改,不要带病交付):

  • 10 秒测试:只读定位语和每段第一条 bullet,能答出"这人是谁、最硬的事是什么"
  • 每条 bullet 都有结果;至少 70% 含量化或规模信息
  • 所有数字都能溯源到用户的原话或确认——一个都不能是自己补的
  • JD 硬性要求与高频关键词全部有对应,且用 JD 原词(ATS 按词匹配)
  • 空洞自评词为 0;无未翻译的内部黑话
  • 时间线连续,空窗处理方式已与用户对齐
  • 每段经历 2-4 条 bullet,最强的在第一条;相邻 bullet 不用同一动词开头
  • 每条经历完成闭环并以结果收尾,无"从 A 到 B"式的过程罗列收尾
  • 正文语言经得起内行读:像该行业从业者写的,没有照搬 JD 的抽象表述
  • 篇幅:10 年内经验 1 页,资深至多 2 页

5. 排版输出

四种风格(规范见 references/styles.md):极简黑白 / 现代双栏 / 科技蓝调 / 雅致商务。用户不选则按岗位推荐。

  • HTML:以 assets/templates/<style>.html 为底填充(填法与数据结构见 references/output-guide.md),单文件输出,浏览器打印即得 PDF。
  • Word:内容整理成 resume.json 后运行 python3 scripts/build_docx.py resume.json --style <style> --out <file>.docx(依赖 python-docx,安装见 output-guide)。

输出标准

文件生成后、交付前,按三个维度逐项核对,不达标就修完再交:

内容

  • 与用户确认的定稿逐字一致,排版阶段没有擅自改写
  • 无模板示例人物、示例数据、"{{"占位符残留(用 grep 核查,不靠肉眼)
  • 节顺序与 JD 匹配结论一致(应届生教育前置等),HTML 与 Word 两版一致

格式

  • HTML 是真正的单文件:CSS 内联、照片 base64 内嵌、无外部依赖,浏览器直接打开即完整显示
  • docx 用 python-docx 程序化复检:能打开、能读到姓名、节标题齐全
  • 命名规范:简历-<姓名>-<风格>.html简历-<姓名>.docx;告知 HTML→PDF 的打印路径

排版

  • HTML 用浏览器截图自查:A4 版心、左右留白对称、无文字溢出截断、照片无变形、页数符合篇幅标准
  • 风格规范落位:强调色不超一种、关键数据强调样式(tech)、字号不低于 9.5pt
  • Word 版无法自动渲染,必须请用户打开确认版面;提醒办公软件不会自动重载旧文档,关掉旧窗口再看新文件

交付时:给出文件路径;一句话说明针对 JD 做了哪些取舍;提醒换岗位投递可回来重新匹配。

禁止事项

  • 在闸门处自问自答、跳过等待直接出成品——多轮交互是本技能的设计核心,不是可选项。
  • 编造或"合理推测"任何经历、数字、职级、学历——用户没说过的就不存在;用户要求造假时拒绝,并给出真实素材的最优写法。
  • 照抄 JD 的职责描述充当个人经历。
  • 写入隐私与减分项:身份证号、完整住址、期望薪资、离职原因、婚育状况(用户主动要求的除外)。
  • 第一人称叙述("我负责…")。
  • 罗列基础办公技能(Word/Excel)凑数;"精通"一词仅在用户经得起面试追问时使用。
  • 为塞内容缩小字号、压行距。
  • 成品中残留模板示例内容或占位符。

What ships with it: 18 files

1506.7 KB alongside SKILL.md, 1 of them executable

references/

scripts/

Gives 0 of the 12 instructions most hr recruiting skills give in ~2.9k tokens

Counted across 356 of the 357 authors here whose files we hold, read 2026-08-07

  • Quantify achievements with specific metricsin 14 of 356, across 6 files
  • Keep the resume under two pagesin 14 of 356, across 6 files
  • Request the full job description if not providedin 12 of 356, across 4 files
  • Extract keywords and prioritize job requirementsin 12 of 356, across 4 files
  • Stop and ask for clarification if required inputs are missingin 12 of 356, across 5 files
  • Map candidate experience to job requirementsin 11 of 356, across 3 files
  • Ask if the user wants adjustmentsin 11 of 356, across 3 files
  • Provide strengths and gap analysis after the resumein 10 of 356, across 2 files
  • Request candidate background details if not providedin 10 of 356, across 2 files
  • Format experience bullets as action verb plus resultin 10 of 356, across 2 files
  • Ask for missing inputs before startingin 10 of 356, across 9 files
  • Use exact job description terminologyin 9 of 356, across 1 file

Said here and by no other author read

  • halt at the three gates and wait for user answers
  • convert resumes to markdown
  • ask five to eight quantitative questions
  • rewrite content as results evidence
  • remove empty self-assessments
  • show final draft to user before generating files

Grouped from the skills themselves: near-identical wordings counted once, and counted by distinct author, so one author publishing three of these counts once. Length counted with cl100k_base; the agent that loads this file may tokenize it differently.

Keep looking

Skills are one crate of 325,949. Ordering is by how many stacks a row turns up in, so the top of any crate is what has actually been picked rather than what has the most stars.