# Resume Diagnosis

> 用于诊断、评审或评分整份简历。当用户要求「诊断简历」「简历有什么问题」「看看简历哪里要改」「简历打分」「评审简历」「resume review」，或上传 PDF/DOCX 并要求分析问题、给出评分或修改建议时触发。输出 3 类诊断（NO_DATA / NO_FILL / DESCRIPTION_SUGGEST）和 6 维评分（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），诊断与评分规则及配置见 `references/`，全程由确定性脚本 + 一次批量 LLM 推理完成。仅诊断、评分和提出建议，不直接重写整份简历或生成优化版；用户明确要求改写、润色、优化内容或生成新版简历时，改用 resume-ai-help。

- Skill: `ahang1598/resume-diagnosis` (Agent Skill, multi-file: 17 files)
- Install (CLI): `npx skillmds@latest add ahang1598/resume-diagnosis`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ahang1598/resume-diagnosis/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ahang1598 (https://skillmd.com/u/ahang1598)
- Updated: 2026-09-09
- Page: https://skillmd.com/skills/ahang1598/resume-diagnosis

---


# 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。

```bash
# 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）**：

```bash
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`：

```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）

```bash
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。