简历-JD 5维度匹配度评分引擎

SKILL.md

---
name: resume-jd-scorer
description: 简历-JD匹配度5维度评分技能。输入简历文本和目标JD，自动提取关键词→交叉匹配→5维评分→生成交互式HTML报告。5维度：硬技能匹配30分/经历相关性25分/学术产出20分/ATS关键词覆盖率15分/加分项10分。输出：总分评级+维度表+关键词命中表+得分扣分明细+TOP3建议+跨岗位对比。
trigger_words:
  - 简历评分
  - JD匹配度
  - 简历打分
  - 匹配度评分
  - 简历评估
  - 岗位匹配
  - 简历对比JD
  - score resume
  - resume match
  - 简历能打几分
agent_created: true
location: user
allowed-tools: ["Bash", "Read", "Write", "Edit", "WebSearch", "WebFetch"]
metadata:
  openclaw:
    requires:
      bins:
        - python
---

# 简历-JD 5维度匹配度评分技能

> 输入简历原文 + 目标JD → 输出含雷达图的交互式HTML评分报告

## 触发条件

- 用户说"给这份简历对XX岗位打几分 / 匹配度如何 / 差距在哪"
- 用户提供简历（PDF/文本/粘贴）+ JD（文本/粘贴）
- 明确需要**结构化评分报告**

## 评分体系（5维度 × 100分）

| 维度 | 满分 | 权重 | 评分逻辑 |
|---|---|---|---|
| 1. 硬技能匹配 | 30 | 30% | JD要求的技术栈/框架/工具在简历中的覆盖比例 |
| 2. 经历相关性 | 25 | 25% | 过往岗位角色、项目方向与目标岗位的匹配程度 |
| 3. 学术产出 | 20 | 20% | 论文发表（顶会优先）/专利/学位专业匹配度 |
| 4. ATS关键词覆盖率 | 15 | 15% | JD核心关键词在简历中的命中率（精确+模糊） |
| 5. 加分项 | 10 | 10% | 经验年限/学历层次/行业认证/前沿技术/跨行业经验 |

## 工作流

```
Step 1: 简历文本提取
  ├── PDF → PyMuPDF/pdfplumber 提取
  ├── 文本 → 直接读取
  └── 输出: resume_text (UTF-8)
      ↓
Step 2: JD解析 & 关键词提取
  ├── 提取硬技能关键词（framework/tool/language 权重: 高/极高）
  ├── 提取软技能关键词（权重: 低/中）
  ├── 提取学术要求（论文/专利/顶会 权重: 中/高）
  └── 输出: jd_keywords (带权重分类)
      ↓
Step 3: 关键词交叉匹配
  ├── 精确匹配: 简历原文含JD关键词 → ✅ 完整命中
  ├── 语义匹配: 近义词/上下文相关 → ⚠️ 部分命中
  ├── 未匹配: JD有简历无 → ❌ 未命中
  └── 额外项: 简历有JD无但有价值 → 🔵 额外命中
      ↓
Step 4: 5维度打分
  ├── 硬技能30分: (命中hard_skills / 总hard_skills) × 30
  ├── 经历相关性25分: 角色匹配 + 项目方向 + 行业匹配
  ├── 学术产出20分: 论文/专利/学位专业
  ├── ATS覆盖率15分: 总命中率 × 15
  └── 加分项10分: 年限/学历/认证/前沿技术
      ↓
Step 5: 报告生成
  ├── 评级: A(85-100)/B(70-84)/C(50-69)/D(0-49)
  ├── 一句话定位
  ├── 5维度分数表 + 雷达图(SVG)
  ├── 关键词命中明细表
  ├── 每维度得分/扣分项
  ├── TOP 3修改建议(按ROI排序/区分改写与被补做)
  └── 跨岗位匹配度对比表
      ↓
Step 6: 输出
  ├── resume-output/<version>/jd-match-report.html (交互式)
  └── resume-output/<version>/jd-match-report.md (纯文本)
```

## 使用方式

### 方式一：直接粘贴
```
用户: 帮我给这份简历对XX岗位打分
[粘贴简历文本]
[粘贴JD文本]
```

### 方式二：上传PDF简历
```
用户: @简历.pdf 给这份简历对XX岗位打分
[粘贴JD文本]
```

### 方式三：指定已有简历+搜索JD
```
用户: 用我的master简历，对腾讯AI Lab算法研究员打分
（Skill自动搜索JD或追问用户提供）
```

## 输出报告6要素

1. **总分 + 评级 + 一句话定位**
2. **5维度分数表**（含进度条可视化）
3. **关键词命中明细表**（JD关键词 × 简历证据矩阵）
4. **每维度得分项与扣分项**（展开明细）
5. **TOP 3 修改建议**（按ROI排序，标注「改写已有」vs「需补做」）
6. **跨岗位匹配度对比表**（当前岗 vs 5个替代岗位）

## 评级标准

| 评级 | 分数区间 | 含义 | 建议动作 |
|---|---|---|---|
| A | 85-100 | 高度匹配 | 可直接投递，微调简历 |
| B | 70-84 | 较好匹配 | 针对性改写后投递 |
| C | 50-69 | 部分匹配 | 需要补充技能/改写到位后投递 |
| D | 0-49 | 严重不匹配 | 建议考虑其他岗位方向或大幅补课 |

## 脚本说明

| 脚本 | 用途 |
|---|---|
| `scripts/score_resume.py` | 核心评分引擎：JD解析→关键词提取→交叉匹配→5维打分→JSON输出 |
| `scripts/generate_report.py` | HTML报告生成：读取评分JSON→渲染交互式报告 |

## 依赖

- Python 3.9+ (PyMuPDF 用于PDF提取)
- 无需外部API Key
- 关键词匹配基于规则+NLP相似度

## 与 resume-assistant 的关系

本技能专注**评分诊断**，不涉及简历改写。完整简历定制流程请使用 resume-assistant 的 `tailor` 模式。
评分结果可作为 tailor 的输入参考（如"按刚才的score报告改简历"）。

## NEVER

- NEVER 编造简历中不存在的事实来提升分数
- NEVER 修改原始简历文件
- NEVER 在无JD时评分（至少需要岗位名称+基本要求）
- NEVER 省略6要素中的任何一项