Resume Tailor

简历是编译产物：履历库 + JD → 匹配报告 + 简历 + 深挖卡。

0. 准备

按约定定位履历库：RESUMAKER_VAULT → ~/.config/resumaker/config.json → ./career/。找不到就转 resumaker-init。 先读 <vault>/VAULT.md，然后读 profile.md。

1. 收下 JD

用户可能贴文本、给链接或给文件。链接打不开时请用户直接粘贴。 新建投递目录 applications/<YYYY-MM-DD>-<company>-<role>/（kebab-case，公司和岗位可以用拼音或英文）， 把 JD 原文和来源链接写进 jd.md。

2. 拆解 JD

写进 match.md 的第一部分（模板见 references/match-template.md）：

• 硬性要求：年限、学历、必须会的技术。国内 JD 里通常在"任职要求"
• 核心职责：真正要干的活。通常在"岗位职责"，比要求更能说明岗位本质
• 加分项
• 隐含信号：职级、团队阶段（从 0 到 1 / 规模化 / 维护）、业务方向、JD 里反复出现的词
• 关键词：ATS 和 HR 初筛会找的词，保留 JD 的原始写法（比如是"K8s"还是"Kubernetes"）

3. 在库里找匹配

1. 先按 skills、tags 在 achievements/ 的 frontmatter 里粗筛（grep 就够了），再细读候选文件。
2. 对每条要求和职责，标出 强命中 / 部分命中 / 未命中，并写出对应的成果 id。

3. 针对缺口主动提问，这是最有价值的一步。很多人做过但没记下来：

   JD 很看重"跨团队推动"。你在 Acme 推网关迁移时，是不是协调过其他组？大概几个组？

   用户的回答写回履历库：完整的成果直接存进 achievements/（status: confirmed，因为是用户亲口确认的）；不确定的放进 inbox/。 这样每投一次，库就更厚一点。

4. 在 match.md 里给出结论：匹配度（高/中/低）、值不值得投、主打什么叙事、缺口怎么应对。 匹配度低就直说，不要为了生成简历而硬凑。

4. 编译简历

按 resume-render 的 assets/example/resume.yaml 的结构写 resume.yaml。

选材

• 按和 JD 的相关度排序，而不是按时间轴把所有事都塞进去
• 每段经历 2～5 条 bullet；无关的经历可以压缩成一行，或者不写
• 技能区只列和 JD 相关、并且在成果里有支撑的技能

选讲法

• 每条成果的 ## 讲法 里可能有好几个角度，选和 JD 核心职责最贴近的那个
• 没有合适的现成讲法，就基于成果原文重写，新讲法顺手补回成果文件

写 bullet

• 结构：动词开头 + 做了什么 + 怎么做的 + 结果（数字），一条不超过两行
• 用 JD 的词描述你确实做过的事（比如你做过 K8s 部署，JD 写的是"云原生"，可以这样表述）；不会的技能不写
• 每条最多加粗 1～2 处，留给数字和关键结果
• 每条都带上 from: <成果 id>
• internal 级别的成果要脱敏：内部系统名换成通用描述，去掉客户名，未公开的数据用相对值
• secret 级别的成果不出现

summary：两句话，第一句"我是谁 + 核心方向"，第二句是最贴合这个 JD 的一项硬实力。

5. 溯源检查（必须做）

python3 scripts/trace.py <投递目录>

• errors：引用了草稿、不存在的成果，或 secret 内容。必须修
• warnings：数字找不到出处、用了未验证的数字、internal 内容需要确认脱敏。逐条处理：找到出处补进成果文件，或者改写 bullet
• unsourced：没有 from 的 bullet。只允许出现在教育背景、技能这类来自 profile.md 的内容里

ok: true 之前不要进入下一步。

6. 排版和后续

1. 转 resume-render 渲染并自检。
2. 告诉用户：匹配结论、主打的叙事、主要缺口，以及 PDF 路径。
3. 建议用 interview-grill 生成深挖卡，对着这份简历练一遍。
4. 在 notes.md 里记一笔：投递日期、渠道、简历版本。以后有面试反馈或结果也记在这里，复盘时可以看出哪种讲法更有效。