360 Secure SkillHub
360 安全技能中心

简历-JD 5维度匹配度评分引擎

核心功能为基于硬技能匹配、经历相关性等5维度对简历与JD进行百分制评分，生成含雷达图的交互式报告，包含总分评级、关键词命中明细、得分扣分项及TOP3优化建议。典型场景：求职前评估简历岗位匹配度、跨岗位对比适配性。输入支持粘贴文本、上传PDF简历，可自动搜索JD；输出为交互式HTML及纯文本MD报告。

bettermen
bettermen
热度 16.02
最近更新 2026-06-21 01:28:47
分类：效率依赖：代码执行 / 读写文件 / 联网浏览搜索应用场景：报告撰写 / 数据处理

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add resume-jd-scorer
Metadata
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