# 构建简历

从零创建简历内容，或在用户提供的模板中填入内容。

## 目录

- [场景判断](#场景判断)
- [读取文件与填写模板](#读取文件与填写模板)
- [从零构建](#从零构建)
- [内容组织原则](#内容组织原则)

---

## 场景判断

| 场景 | 做法 |
|------|------|
| 用户给了简历模板（空白 Word） | 读取结构 → 精确回填 → 校验与渲染 |
| 用户给了旧简历（有内容的 Word/PDF） | 提取内容 → 编辑优化 → Word 回填；PDF 重建时说明版式差异 |
| 用户什么都没给 | 通过对话收集信息 → 生成新文件 |

---

## 读取文件与填写模板

按 `references/resume-writing.md` 的文件流程执行。Word 用 `scripts/inspect_document.py`，PDF 用 `scripts/extract_source.py`；回填使用 `scripts/edit_document.py`，保留原模板。

## 从零构建

用户没有模板也没有旧简历时，通过对话收集信息。

### 收集顺序

不要一次问完。分步来：

**第一步：基础信息**
- 姓名、联系方式
- 当前/最近的工作和职位
- 目标岗位（如果有）

**第二步：工作经历**
- 从最近的工作开始，逐个展开
- 每个职位问 3-5 个核心成就
- 如果用户说不出来，切换到辅导模式（参见 `references/resume/coaching.md`）

**第三步：补充板块**
- 教育背景、技能、项目、证书等

### 对话开场

> "先告诉我你最近的工作——在哪家公司、做什么岗位、干了多久？"

不要从"你想做什么格式的简历"开始。先收集内容，格式最后再说。

### 收集完成后

内容收集完毕后，需要生成文件。此时有两条路：

1. **生成 Word** — 使用 `scripts/create_document.py`，参数见 `references/word-operations.md`。
2. **用户要 PDF 时** — 可从已完成的 DOCX 转换；用户需要独立 Typst 排版时见 `references/typst.md`

---

## 内容组织原则

### 成就描述公式

```
[强动作动词] + [做了什么] + [技术/方法] + [量化成果]
```

**好的例子：**
- 主导搭建实时风控系统，基于 Flink 处理引擎，日均处理 5000 万笔交易，误报率降低 40%
- 设计并落地微服务拆分方案，将单体应用拆为 12 个服务，部署频率从月度提升至日级

**差的例子：**
- 负责后端开发
- 参与了数据库优化

### 篇幅控制

| 经验水平 | 目标页数 | 每个职位描述条数 |
|----------|---------|-----------------|
| 0-3 年 | 1 页 | 3-4 条 |
| 3-8 年 | 1-2 页 | 4-5 条（近期）/ 2-3 条（早期） |
| 8 年以上 | 2 页 | 4-6 条（近期）/ 1-2 条（早期） |

### 摘要公式

`[职级/角色] + [工作年限] + [核心能力] + [行业经验] + [关键价值]`

> 拥有 8 年后端开发经验的高级工程师，专注于分布式系统和微服务架构。在金融科技和电商领域主导过多个核心系统的设计与落地，擅长高并发场景下的性能优化。