ahang1598 简历诊断 Skill (Resume Diagnosis)
Overview
本 skill 对整份简历输出诊断与评分：
- 诊断（3 类问题）：
NO_DATA/NO_FILL/DESCRIPTION_SUGGEST； - 评分（6 维分数）：简历完整度 / 经历描述 / 学习能力 / 专业能力 / 创新领导力 / 职场能力；
- 报告输出：一份 HTML 诊断报告（
score/beatPercent/reportDetails）。
全部规则、配置与 Prompt 原文已落盘到 references/；确定性逻辑由 scripts/resume_pipeline.py 代码化执行，模型只承担填值与一次批量 LLM 推理。
性能设计（2026-08-17 提速重构，v2.0）：模型在整条流水线里只做两件事、两次推理——①填值（把原文抄进模板）；②一次性批量 LLM 推理（诊断 + 评分合并成单次）。其余（解析/清洗/评分/报告装配/HTML 渲染/校验）全部由脚本确定性执行。因此：
- 文本提取不限定文件类型：默认由模型用 Read 工具直接读取原文；仅当 AI 读不了（如旧版
.doc二进制）时，才用extract-text兜底。scripts/resume_pipeline.py prepare一次完成「照片检测 + 生成填写模板」，替代原先多次 Bash 往返； scripts/resume_pipeline.py emit-llm-tasks把suggestTargets+ 评分输入组装成单份任务单，每份诊断 Prompt 从references/diagnose-prompts.json按需逐字注入（不再让模型整份加载 25KB 的 md）；原本逐字段独立 LLM 调用的 (prompt, 值) 二元组逐字不变、互不影响，判定结果与逐条调用等价，只是串行 → 批量；scripts/orchestrate.py合并「(finalize) → 注入 LLM 结果 → build-report → 渲染 HTML → 校验」为一次调用。
触发场景（When to use this skill）
- 用户上传/粘贴简历并请求："帮我诊断"、"简历哪里有问题"、"帮我优化简历"、"简历打分"。
- 用户问"这份简历能过 HR 初筛吗"。
- 不适用于：纯面试准备、笔试刷题、offer 选择、薪资谈判。
工作流（Workflow）
Phase 0：确定 resumeType（不询问、不打断，从简历内容推断）
resumeType 键名 |
推断条件（按优先级） |
|---|---|
havingWorkExperience |
简历含全职工作经历内容 |
havingInternshipExperience |
否则，含实习经历内容 |
noInternshipExperience |
否则（无经历或只有校内/实践） |
onlineApplication |
**仅当用户明确说"网申"**时使用 |
推断完成后，仅在对话里顺带说明采用了哪种类型（如与用户表述冲突才提醒），不阻塞流程。
⚠️ 命令行
--resume-type一律传键名，不要传数字（0/1/2/3 会KeyError）。
Phase 1：解析（AI 读取 + prepare + 模型填值 + 确定性结算）——脚本强制，禁止手算
第 1 步：读原文 + 生成模板。
- 文本提取不限定文件类型：无论 PDF / DOCX /
.doc/ 其他格式，一律先用 Read 工具读取附件原文（AI 提取）； - 仅当 Read 读不了时（旧版
.doc二进制等），才显式调extract-text兜底提取文本； - 纯文本粘贴：直接跳过文件读取；
- 照片检测（idPhoto）由脚本对原始字节判定（魔数 / docx media），与文件类型无关。
# ① 文本（AI 提取）：模型用 Read 工具读原文，不限定文件类型；
# Read 读不了时兜底：
# PYTHONDONTWRITEBYTECODE=1 python scripts/resume_pipeline.py extract-text \
# --resume-file "<用户上传的文件路径>" --out tmp/resume.txt
# ② 照片检测 + 模板（一次 Bash 调用；有附件时传 --resume-file，纯文本粘贴可省略）
PYTHONDONTWRITEBYTECODE=1 python scripts/resume_pipeline.py prepare \
--resume-type <resumeType> --resume-file "<用户上传的文件路径>" --out tmp/prepare.json
# 纯文本粘贴时
PYTHONDONTWRITEBYTECODE=1 python scripts/resume_pipeline.py prepare \
--resume-type <resumeType> --out tmp/prepare.json
tmp/prepare.json 含：idPhoto（脚本已按魔数/媒体判定，含照片填 <已上传证件照>，否则 ""）、template（全模块×全字段填写模板）。文本读取与照片判定都不再需要手工处理。
第 2 步：模型填值（模型在解析阶段的唯一职责）。把 template 复制一份并逐字段填值，用 Write 工具写成 tmp/filled.json（不要用 python -c json.dump，Write 工具 UTF-8 无引号污染）：
- 逐字段照抄原文，一个字段都不许跳过；原文没有的字段保持
""——空白是合法值，由脚本决定是否记 NO_FILL，不要编造，也不要因"觉得不可见"而删字段。 - 经历类模块按原文条数增加
records数组元素（如 8 条校内活动 = 8 个 records 元素），每条字段齐全，缺值留空。 - 时间字段照抄原文（
2023.09/2023年9月/至今均可），归一化由脚本完成。 - 特别注意别漏：基本信息的
workCity（期望城市）/position（应聘岗位）；实习/工作的xxxPostName/xxxDepartmentName；hobbySpecialityDesc、campusActivitiesDesc、practicalExperienceDesc等描述正文（哪怕很短也是"有值"）；campusActivities/rewardRecords虽配置 hidden=true 但原文有内容就必须填（脚本会判 SHOW）。
第 3 步：确定性结算 + 生成 LLM 任务单（一条 Bash 调用）：
PYTHONDONTWRITEBYTECODE=1 python scripts/resume_pipeline.py finalize \
--resume-type <resumeType> --filled tmp/filled.json --out tmp/finalized.json && \
PYTHONDONTWRITEBYTECODE=1 python scripts/resume_pipeline.py emit-llm-tasks \
--finalized tmp/finalized.json --out tmp/llm_tasks.md
finalize 确定性执行：解析清洗（技能合并/教育前缀/枚举归一化/时间归一化）→ 状态与排序 → 可见字段过滤 → NO_FILL / NO_DATA 判定 → 5 个确定性评分维度。emit-llm-tasks 输出单份任务单（A 诊断 + B 评分 + 输出协议）。模型不得自行重算或重跑任何确定性逻辑。
Phase 2：单次批量 LLM 推理（诊断 + 评分）
读 tmp/llm_tasks.md，一次推理完成全部任务，把结果用 Write 工具写成 tmp/llm.json：
{"suggestions": [{"moduleCode": "...", "fieldCode": "...", "dataSort": 1, "suggestion": "..."}],
"score": {"实习经历": 82, "自我评价": 70}}
- 判定纪律（任务单头部已固化）：逐条对照 Rules，全部明确满足才判"暂无修改建议"（跳过不写），任何一条存疑/不满足都给建议；与本字段无关给「请认真完善哦～」。
dataId不需要（build-report 只按 moduleCode+fieldCode 分组、dataSort 排序）。- 评分按任务单中评分 Prompt 的 OutputFormat，键用其中文模块名原样，无内容模块给 0。
Phase 3：报告装配 + HTML 交付（一条 Bash 调用）
PYTHONDONTWRITEBYTECODE=1 python scripts/orchestrate.py \
--resume-id <简历标识> --finalized tmp/finalized.json --llm tmp/llm.json \
--html-out 简历诊断报告_<resumeId>.html --tmp-dir tmp
orchestrate.py 完成 build-report（经历描述分折算/求和/beatPercent/描述建议编号/reportDetails 装配）→ 渲染 HTML → 占位符校验，输出到 stdout 的 JSON 摘要（score/beatPercent/模块数/明细数）。成功后自动清理 tmp/（零残留）；失败时保留 tmp/ 便于修正 llm.json 重跑。
生成后调用 present_files 将 HTML 报告交付给用户。
接口外扩展（综合评价/整改计划/求职赛道建议/改写草稿）仅在用户明确要求时追加到 HTML 报告末尾，并标注"以下为扩展分析"（见 diagnose-output-template.md 第 4 节）。
交付纪律（模型执行）
- 中间文件（prepare/filled/finalized/llm_tasks/llm.json）只放
tmp/，成功后由 orchestrate 整体清理，不残留。 - 最终只产出 1 份 HTML 报告文件（
简历诊断报告_<resumeId>.html）并用present_files交付；不输出 markdown/文本版报告。 - 所有
python scripts/...调用前缀PYTHONDONTWRITEBYTECODE=1（避免生成__pycache__）。
资源说明（简）
| 文件 | 用途 |
|---|---|
scripts/resume_pipeline.py |
确定性流水线：prepare（照片检测+模板）/ extract-text（兜底提取，仅 AI 读不了时用）/ emit-template / finalize / emit-llm-tasks / build-report |
scripts/orchestrate.py |
报告装配 + HTML 渲染 + 校验，一次调用 |
references/diagnose-prompts.json |
12 份诊断 Prompt 原文（执行权威，emit-llm-tasks 按需注入） |
references/resume-module-config.json |
模块+字段权威配置（4 种 resumeType 全量 + visibleModuleMap） |
references/resume-score-config.json |
评分权威配置（scoreList / moduleScoreMap / 阶梯表 / diagnosePromptMap / scoreGptConfig） |
references/resume-score-prompt.txt |
经历描述评分 Prompt 原文（promoteId=1640） |
references/analysis-resume-rules.md |
解析与可见性规则（清洗、起止时间、状态赋值、模块 sort、枚举归一化） |
references/diagnosis-categories.md |
3 类诊断判定 + 描述建议文案拼装 |
references/scoring-rubric.md |
6 维评分公式、阶梯表、学历映射 |
references/diagnose-prompts.md |
调用协议 + 判定纪律 + 映射表（Prompt 原文见 JSON） |
references/diagnose-output-template.md |
报告结构、话术模板、排序规则、HTML 占位符清单 |
assets/diagnose-report-template.html |
HTML 交付模板（静态占位符 {{...}}，无脚本） |
执行规则/红线、已知 quirk 与排查口径：见 references/troubleshooting.md。
局限与免责
- 本 skill 不读取任何线上服务的真实简历数据，所有数据来自用户输入/上传。
- 评分/诊断所需配置已全部落盘；线上配置若变更，需同步
resume-score-config.json/resume-module-config.json/diagnose-prompts.json/resume-score-prompt.txt。 - LLM 评分具有主观性；严禁把诊断报告中的"问题清单"直接作为淘汰候选人的依据，仅供优化参考。