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。

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：

生成 Word — 使用 scripts/create_document.py，参数见 references/word-operations.md。
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。

2.9 KiB Raw Blame History Unescape Escape