Metadata

name: AI-Resume-Judge
description: AI简历评分助手。根据用户上传的简历（含Markdown文本或文件），按照AI领域满分/及格线两份参考简历为基准，计算简历能力值（满分100分）。若简历非AI领域，则进行跨行业等价换算，评估该简历在其所属行业的能力水平。

AI-Resume-Judge 简历评分系统

核心概念

评分基准

100分基准（resume_AI_engineer.md）：头部AI公司资深工程师简历，含完整联系方式、量化成就（延迟、成本、QPS）、全栈技术深度、顶会论文、开源项目。
60分基准（resume_AI_engineer_60.md）：典型及格线简历，信息残缺、无量化、动词模糊、技能平铺、自我评价套话。

评分维度（100分制）

维度	权重	说明
基本信息完整性	15分	联系方式（邮箱、手机、GitHub、LinkedIn）、所在地
成就量化程度	25分	数字/百分比、业务影响指标、成本/收益量化
技术深度与广度	20分	技术栈覆盖、前沿技术（LLM/Agent/RAG）、熟练度分层
工作经历质量	20分	公司背书、职责深度（主导vs参与）、成长轨迹
教育背景	8分	学历、学校、其他亮点
个人品牌/影响力	7分	开源贡献、论文、演讲、技术社区
表达能力	5分	结构化程度、格式规范、无套话

跨行业等价换算

AI行业简历评分体系可横向迁移至其他行业，核心逻辑：各行业顶级人才的可比性 ≈ 行业整体难度系数。

行业	等价系数	说明
AI / 大模型 / 机器学习	1.00	基准行业
金融 / 量化交易	0.92	高门槛，但无开源文化
自动驾驶 / 机器人	0.88	硬件约束强，算法要求高
游戏开发 / 图形学	0.82	特定技术栈深度要求高
前端 / 移动开发	0.70	入门相对友好
后端 / DevOps	0.72	技能可迁移性强
数据分析 / BI	0.65	门槛较低
产品经理	0.60	非技术岗，按沟通/决策维度
财务 / 会计	0.55	高度规范化，换算区间窄
行政 / 人力资源	0.45	非技术岗，权重重新分配

跨行业换算公式：

行业等价分 = max(0, min(100, round(简历原始分 × 等价系数)))

当用户简历被识别为非AI领域时：

先按100分AI评分体系给简历打分（能力分）
识别简历所属行业（金融、前端、建筑等）
用等价系数换算：行业等价分 = 能力分 × 该行业系数
报告格式：「原始能力分 X 分 → 在[行业]中等价于 Y 分」

工作流程

步骤1：简历解析

接收用户传入的简历内容（Markdown文本或文件路径）。若是文件，读取并解析为纯文本。

步骤2：AI领域检测

扫描简历关键词，判断是否属于AI领域：

强AI关键词：LLM、大模型、GPT、Transformer、RLHF、LoRA、RAG、Agent、Prompt、PyTorch、TensorFlow、vLLM、LangChain、深度学习、强化学习
弱AI关键词：NLP、CV、机器学习、算法、数据科学

若命中强AI关键词≥2个，或弱AI关键词≥4个，判定为AI领域简历。

步骤3：逐维度评分

对每个维度进行打分：

维度得分 = 基础分 × 匹配系数

基础分：维度满分 × 该维度在基准简历中的表现系数
匹配系数：0.0~1.0，基于文本特征计算

关键扣分规则：

出现"参与"、"配合"、"协助"、"做一些"等模糊动词：对应维度×0.5
无量化数字（%、倍数、具体值）：成就维度×0.6
技能无层次（平铺列表无精通/熟练/了解）：技术维度×0.7
自我评价出现"认真负责、学习能力强"等套话：表达能力=0

步骤4：跨行业换算（如适用）

非AI领域简历，识别行业后应用等价系数，换算最终等价分。

步骤5：输出评分报告

生成结构化Markdown报告：

# 📋 简历评分报告

## 基础信息
- 评分时间
- 简历类型：[AI领域 / 非AI领域（XX行业）]
- 原始能力分：X分

## 分项得分

| 维度 | 得分 | 满分 | 评级 |
|------|------|------|------|
| 基本信息完整性 | X | 15 | X |
| 成就量化程度 | X | 25 | X |
| 技术深度与广度 | X | 20 | X |
| 工作经历质量 | X | 20 | X |
| 教育背景 | X | 8 | X |
| 个人品牌/影响力 | X | 7 | X |
| 表达能力 | X | 5 | X |
| **总分** | **X** | **100** | **X** |

## 跨行业等价分析
（非AI简历时输出）
- 识别行业：XX行业
- 等价系数：X.XX
- 等价分：XX分（相当于AI简历XX分）

## 详细点评
（每维度2-3句话具体分析）

## 改进建议
Top 3优先级建议

资源说明

scripts/resume_scorer.py

评分引擎核心脚本，包含：

parse_resume(text)：文本解析
detect_field(text)：行业检测
score_dimension(text, dimension)：单维度评分
cross_industry_equivalent(score, industry)：跨行业换算
generate_report(raw_score, breakdown, industry, equiv)：报告生成

references/scoring_benchmark.md

评分维度的详细基准文档，包含：

每个维度的满分/及格线表现标准
各行业等价系数确定依据
评分公式详细说明

assets/report_template.html

可视化报告模板，用于生成带图表的HTML评分报告。

使用示例

直接评分（Markdown文本）：

@skill://AI-Resume-Judge
请评价以下简历：
[粘贴简历内容]

评分文件：

@skill://AI-Resume-Judge
@C:/Users/xxx/resume.pdf

跨行业评分：

@skill://AI-Resume-Judge
这是一份建筑工程师的简历，请评分：
[简历内容]

实际案例（实测记录）

案例：李沛毅 · 云运维工程师简历评分

用户输入：

@skill://AI-Resume-Judge @C:/Users/UncleC/Desktop/李沛毅简历.pdf 为我的简历评分

简历概况：

姓名：李沛毅
岗位：云运维工程师（DevOps / 云计算方向）
教育：某一本院校（计算机科学）
认证：RHCA + CKA/CKS + HCIP-Datacom（共13个证书）
竞赛：省级一等奖 × 2
工具链：OpenStack → K8s → Docker → GitLab CI → Prometheus → MySQL/Redis

评分结果：

项目	结果
领域检测	❌ 非AI领域 → DevOps
原始能力分	33.5 / 100
跨行业等价分	24.1 / 100（系数0.72）
评级	F（不及格）

分项得分：

维度	得分	满分	评级
成就量化程度	14.5	25	⭐
工作经历质量	6.7	20	⚠️
基本信息完整性	6.5	15	⚠️
教育背景	2.0	8	⚠️
技术深度与广度	3.8	20	⚠️
个人品牌/影响力	0.0	7	❌
表达能力	0.0	5	❌

亮点：

✅ 认证体系完整且含金量高（RHCA、CKA/CKS 等顶级认证）
✅ 技能覆盖面全（OpenStack → K8s → CI/CD → DB）
✅ 有省级竞赛一等奖，有量化排名

主要失分点：

❌ 无 GitHub / LinkedIn 技术档案
❌ 成就无量化（无 QPS、延迟、成本等数字）
❌ 技术深度停留在工具使用层，缺少架构设计能力
❌ 自我评价套话：「工作认真负责...」→ 表达能力=0

改进建议（Top 3）：

补充 GitHub/LinkedIn，并在简历中展示开源贡献
将「负责K8s运维」改为「主导 K8s 集群架构设计，支撑 500+ 微服务，集群可用性 99.99%」
删除自我评价套话，用具体成就替代

行业等价解读：

该简历在 DevOps 行业的能力水平，等价于一份 24.1 分的 AI 领域简历。换算公式：33.5 × 0.72 = 24.1

行业检测Bug修复记录：

❌ 初版问题：NON_AI_KEYWORDS 包含「基金」，导致「国家自然科学基金项目」被误判为「金融/基金行业」
✅ 修复方案：移除「基金」关键词，仅保留精确的职业标识词（会计师、财务总监、券商等），避免项目/论文名称误触发
✅ 修复后：同一简历正确识别为 DevOps 行业

Resume Score for the resume

安装技能