agentleFS
KinomotoMioKinomotoMio/resumaker/skills/career-capture/SKILL.md

career-capture

Skill5 starsChanged 30 days agoMITView on GitHub

往个人履历库里记录成果——随手记一笔刚做完的事、从旧简历/LinkedIn/GitHub/周报/述职材料批量导入,或通过简短访谈挖出值得写的经历。当用户说"记一下""我刚做完 XX""把这个写进履历""导入我的旧简历""帮我整理一下我做过的事",或刚完成一件有结果的工作时使用。

The file

Files
SKILL.md

Career Capture

趁热记录,别等到写简历才回忆。

按约定定位履历库:RESUMAKER_VAULT → ~/.config/resumaker/config.json → ./career/。 先读 <vault>/VAULT.md,文件格式以它为准。

三种模式

A. 随手记(最常用)

用户刚做完一件事,或者在对话里提到一件值得记的事。

  1. 用 2~4 个问题补全关键信息,不要一次问太多:
    • 结果是什么?有数字吗?数字从哪里看到的(看板、PR、报告)?
    • 你具体负责哪部分?
    • 有没有什么取舍或踩坑,值得面试时讲?
  2. 确定它挂在哪个 experience / project 下面;容器不存在就顺手建一个。
  3. 写入 achievements/<YYYY-MM>-<slug>.md,status: confirmed(用户亲口说的就算确认)。
  4. 至少写一个「讲法」。能看出两个不同角度的话写两个。
  5. 用一句话回报:记了什么、存在哪、还缺什么(比如"数字没有出处,回头补个截图到 evidence/")。

如果用户只是随口一提、信息很少,就写进 inbox/(status: draft, captured_by: career-capture),别为了凑完整打断用户的工作。

如果你正在帮用户完成一项工作(写代码、做方案),任务完成且结果明确时,可以顺口问一句"要不要记进履历?"。一次会话最多问一次。

B. 批量导入(冷启动)

来源可能是:旧简历(PDF/Word/HTML)、LinkedIn 导出、GitHub 主页或仓库、周报/月报、述职或晋升材料、个人博客。

  1. 通读全部材料,先列出候选清单给用户看:

    #成果归属有数字?疑问
  2. 用户确认(可以删减、合并)之后再落盘:
    • 容器(experiences、projects)先建
    • 每条成果一个文件;材料里明确写着的内容直接设为 confirmed,靠推断补出来的放进 inbox/
    • 旧简历上的数字:source 写"旧简历",verified: false,提醒用户之后补证据
  3. profile.md 里的教育背景、联系方式等基本信息一起补齐。
  4. 最后列出"最值得补细节的 3 条",这些是将来面试最可能被深挖的地方。

GitHub 导入可以用 gh 读取用户自己仓库的 README、star 数、主要语言和合并的 PR。只读公开信息,不要替用户做任何写操作。

C. 访谈(什么材料都没有)

做一次 15 分钟左右的轻量访谈,目标是先记 3~5 件最拿得出手的事,不求全。

  • 从时间线开始:"最近一段经历是什么?在那儿做过最有成就感的一件事是什么?"
  • 每件事追问三层:为什么做 → 你做了什么 → 结果怎样
  • 用户说不出数字时,帮他找替代:耗时、规模、覆盖人数、事故数、"从 X 到 Y"
  • 应届或转行的用户:课程项目、竞赛、开源、社团、实习都算

每聊完一件就落盘一件,不要等到最后。

写作要求

  • 正文用用户自己的话,不要包装成简历腔。包装是 resume-tailor 的事,库里存原始素材。
  • 数字照实记录,不确定就标 verified: false
  • 涉及公司内部信息时,问一下保密等级,默认 internal
  • 文件名、id 一律用 kebab-case;时间前缀用这件事发生的月份,不是记录的日期

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.