# Resume Writer

> 基于 Modular RAG MCP Server 项目生成定制化简历项目经历。结合项目技术亮点与用户业务场景，按简历编写原则输出高质量项目描述（中英文）。Use when user says '写简历', 'resume', '简历', 'write resume', '项目经历', 'project experience', '简历项目', or asks to generate resume content based on this project.

- Skill: `aarong365/resume-writer` (Agent Skill, multi-file: 3 files)
- Install (CLI): `npx skillmds add aarong365/resume-writer`
- Raw SKILL.md: https://api.skillmd.com/api/skills/aarong365/resume-writer/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: Aarong365 (https://skillmd.com/u/aarong365)
- Updated: 2026-08-19
- Page: https://skillmd.com/skills/aarong365/resume-writer

---


# Resume Writer

基于"写作原则 + 项目亮点 + 用户画像 = 定制化简历"三角模型生成简历项目经历。

## 工作流程

### Phase 1: 加载知识

1. 读取 [references/resume_principles.md](references/resume_principles.md) — 四段式结构、技术标签、亮点挖掘策略、常见误区
2. 读取 [references/project_highlights.md](references/project_highlights.md) — 10 大技术亮点（含话术方向和量化角度）
3. 按需深读 `DEV_SPEC.md` 对应章节或源码补充模块细节

### Phase 2: 用户画像采集

用 `ask_questions` 一次性收集（最多 4 个问题）：

**问题 1 — 目标岗位**（单选）：
- RAG Engineer / Backend Engineer / MLE / LLM Application Engineer / Agent Engineer / 全栈 AI
- 决定：技术关键词策略、亮点筛选优先级

**问题 2 — 业务背景**（自由文本，无预设选项）：
- **这是生成高质量"背景"段的关键输入，必须主动引导用户详细描述。**
- 问题文本示例：`简历的"背景"段需要真实业务场景来打动面试官。请描述你的实际工作背景，越具体越好。例如：你的团队做什么业务？日常工作中面临什么信息/知识检索痛点？现有工具为什么不好用？这个系统服务于谁？（如果你不想绑定具体业务，想作为"通用 RAG 基础框架"来展示也可以，请注明。）`
- 引导示例（展示在问题描述中以启发用户）：
  - "我们团队做 Windows 平台开发，版本发布信息散落在多个 Wiki 和文档系统，关键词搜索查不准"
  - "我在法务部门，合同和法规文档量大，律师需要快速定位条款但现有搜索只能精确匹配"
  - "我做智能客服，客户问题经常涉及产品手册里的细节，客服靠经验回答不稳定"
- 如用户选择"通用框架"模式：背景段聚焦于"企业级 RAG 框架设计"的技术叙事，弱化具体业务
- 如用户提供了具体背景：**必须将团队职能、信息源类型、检索痛点、服务对象等细节融入背景段**，使背景段读起来像真实项目经历而非模板套话
- 决定：背景段落叙事、包装方向、项目名称建议

**问题 3 — 技术侧重**（多选）：
- Hybrid Search / Rerank / MCP 协议 / 可插拔架构 / 多模态 / 可观测性 / 评估体系 / 工程化(TDD) / Agent 扩展
- 决定：哪 3-5 个亮点写入 bullet points

**问题 4 — 特殊要求**（自由文本）：
- 示例："往 Agent 方向靠""强调系统设计""中英双版本""5 条 bullet 以内""量化指标建议帮我给"
- 如用户填写了量化指标需求，在 Phase 3 自动建议合理数值

### Phase 3: 内容生成

#### 3.1 亮点匹配

从 `project_highlights.md` 按岗位筛选 3-5 个亮点：

| 岗位方向 | 优先亮点 |
|---------|---------|
| RAG Engineer | 亮点1(Hybrid Search) → 3(Ingestion) → 5(多模态) → 7(评估) |
| Backend / 架构 | 亮点2(可插拔架构) → 9(工程化) → 6(可观测性) → 8(DocumentManager) |
| Agent Engineer | 亮点10(Agent) → 4(MCP) → 1(Hybrid Search) → 2(可插拔架构) |
| MLE / LLM App | 亮点1(Hybrid Search) → 3(Ingestion) → 5(多模态) → 2(可插拔架构) |

用户的"技术侧重"多选结果优先覆盖默认排序。

#### 3.2 四段式内容生成

严格遵循 `resume_principles.md` 的**四段式结构**（背景 → 目标 → 过程 → 结果），依次生成四个段落：

##### 段 1：背景

描述项目所属业务场景、服务对象和核心需求。**必须基于用户在 Q2 提供的真实业务背景来撰写**，而非套用通用模板。

生成策略：
- **用户提供了具体业务背景时**：将用户描述的团队职能、信息源类型、现有工具痛点、服务对象等细节全部融入，写出 2-3 句"读起来像真实项目"的背景描述。模式：`在[用户的团队/业务]中，[具体信息源]分散于[具体系统]，[具体角色]在[具体场景]中面临[具体痛点]，[现有方案]无法满足[具体需求]。`
- **用户选择"通用框架"模式时**：聚焦技术叙事，描述为"设计面向企业级场景的通用 RAG 框架"。模式：`针对企业知识库场景中[通用痛点]，设计并实现[系统定位]。`

具体业务背景示例：
- *"在 Windows 平台开发团队中，版本发布相关信息（Release Notes、变更日志、补丁公告、兼容性说明等）分散于多个 Wiki、文档仓库和内部系统，工程师排查版本差异或回答客户问题时需跨系统翻找，现有关键词搜索无法理解语义，导致检索效率低、信息遗漏频发。"*
- *"在某金融机构合规部门，法规文件和内部政策文档不断增长，合规团队面临跨系统文档检索效率低、条款定位困难的问题，传统全文搜索只能精确匹配关键词，无法理解语义近义表达。"*

通用框架示例：
- *"针对企业级知识库场景中文档分散、检索精度不足、AI 应用难以接入私有知识的共性痛点，设计并实现了模块化 RAG 检索框架。"*

##### 段 2：目标

说明技术目标和改进方向，体现技术判断力。模式：`为解决[问题]，目标构建[系统]，实现[核心能力]，达成[预期效果]。`

示例：
- *"目标构建基于 RAG + MCP 协议的智能知识检索系统，实现精准语义检索与 AI Agent 直接调用私有知识库的能力，将文档问答准确率提升至 90% 以上。"*
- *"设计多模态智能问答系统，支持医学文档与图表的语义检索，将日均查询响应时延控制在 1 秒内。"*

##### 段 3：过程（Bullet Points）

以 4-6 条 bullet 展示关键技术方案和工程实现，每条遵循 `resume_principles.md` 规则：

1. **动词开头**：设计 / 实现 / 构建 / 优化 / 集成 / 主导
2. **三段式**：做了什么 → 用了什么技术 → 达成什么效果
3. **夹带关键词**：从 `resume_principles.md` 技术标签表中选取岗位匹配关键词
4. **量化收尾**：每条尽量附带数字（文档数 / chunk 数 / 准确率 / 延迟 / 测试数）

##### 段 4：结果

用独立段落总结项目最终成果，集中展示 3-5 个核心量化指标。模式：`系统上线后，[指标 1]，[指标 2]，[指标 3]。`

示例：
- *"系统上线后，检索准确率（Hit Rate@10）达到 92%，端到端查询延迟控制在 800ms 以内，支撑 5000+ 篇文档的实时语义检索，累计处理查询 XX 万次。"*

#### 3.3 量化指标

如用户提供了具体数字，直接使用。如未提供，基于项目实际能力建议合理值：

| 指标类型 | 建议范围 | 说明 |
|---------|---------|------|
| 检索准确率提升 | 15%-30% | Hit Rate@10 or MRR 提升 |
| 响应延迟 | 500ms-1500ms | 端到端单次查询 |
| 文档规模 | 1000-50000 篇 | 视业务场景调整 |
| 测试覆盖 | 1200+ 用例 | 项目实际数据 |
| 组件支持数 | 4+ LLM Provider | 项目实际数据 |

标注"建议值，请根据实际调整"，需用户确认。量化指标须同时出现在**过程段 bullet 尾部**和**结果段汇总**中（结果段为最终汇总，bullet 中为分点展开）。

### Phase 4: 输出格式

严格按四段式结构输出，模板如下：

```
**[项目名称]** | [时间段] | [角色]

**背景**：[2-3 句描述业务场景、服务对象、面临的问题/需求]

**目标**：[1-2 句说明技术目标、核心能力、预期效果]

**过程**：
• [Bullet 1：核心架构/检索设计] — 动词开头 + 技术细节 + 效果
• [Bullet 2：关键技术实现] — 动词开头 + 工具/方法 + 量化
• [Bullet 3：工程化/可观测性] — 动词开头 + 实践 + 数据
• [Bullet 4：业务成果/量化指标] — 动词开头 + 指标 + 影响
• [Bullet 5：可选扩展] — Agent/多模态/评估等

**结果**：[2-3 句汇总核心量化指标：准确率、延迟、规模、测试覆盖等]

**技术栈**：[按权重排列的关键词列表]
```

约束：
- 四段（背景/目标/过程/结果）缺一不可
- 过程段 4-6 条 bullet（除非用户指定）
- 每条 bullet 不超过 80 字
- 结果段必须包含至少 3 个量化指标
- 项目名称默认"智能知识检索与问答系统"（用户可改）

### Phase 5: 迭代与面试准备

1. 展示初稿，询问反馈
2. 根据反馈调整侧重、措辞、篇幅
3. **主动提供面试追问预测**（3-5 条），例如：
   - "BM25 和 Dense 检索的权重怎么调的？RRF 的 k 参数选多少？"
   - "为什么选 Chroma 不选 Qdrant？什么场景下会切换？"
   - "Rerank 失败时怎么回退？回退后准确率下降多少？"
   - "你的 Ingestion Pipeline 如何保证幂等性？"
   - "MCP 协议相比直接 REST API 有什么优势？"
4. 如需英文版，提供翻译

## 放大策略

| 维度 | 允许 | 禁止 |
|------|------|------|
| 业务场景 | 包装为真实业务落地 | 伪造公司名/产品名 |
| 量化指标 | 添加合理效果数据 | 脱离项目能力的夸大 |
| 角色 | "设计并主导实现" | 虚构团队规模 |
| 技术深度 | 强调决策与判断力 | 编造未实现的功能 |
| 规模 | 声称支撑 XX 文档/请求 | 不合理的数量级 |

**底线**：不声称使用了项目中未实现的技术（如 CLIP、FAISS），不声称完成了标记为"未来扩展"的功能。

## 反模式检查

输出前检查简历不包含：
- 泛化描述（"负责大模型相关工作"、"参与 RAG 系统开发"）
- 工具堆砌（列工具名不解释作用）
- 缺失量化结果
- 被动语态（"参与"、"协助"、"了解"）
- 过长无主线的过程描述
- 面试中无法自圆其说的声称