一周前我动手做了一个 Resume Generator Skill，一个能根据岗位 JD 自动定制简历、生成面试准备的 Codex 工具。这篇文章记录了我为什么做它、怎么设计的、以及从中沉淀的一些思考。
为什么需要这个东西
换工作的朋友都懂：每投一个岗位，简历就得改一遍。JD 要求不同，侧重点不同，关键词不同——硬改十几版之后，格式乱掉、版本混淆是常事。
市面上有简历工具，但大多只解决排版问题，不改内容。而真正花时间的恰恰是后者：读懂 JD → 匹配经历 → 用 STAR 法重新组织描述 → 嵌入目标关键词。这是一套可流程化的操作，恰好适合用 AI Agent 来跑。
所以目标很明确：丢一个 JD 进去，拿到三份不同模板的定制简历和一个面试准备包。
整体工作流
整个 Skill 的工作流分为两层：分析层（AI 执行）和执行层（脚本 + AI）。
分析层（每次为新 JD 重新执行）→ 执行层（填充模板 + 生成面试包）→ 自动复检
分析层：AI 做的那些事
Step 1 — 收集信息：读取用户提供的 JD，自动提取公司名和岗位名。同时从 config/profile.yaml 加载个人履历数据，从 photo/ 加载证件照。
Step 2 — JD 需求优先级：把 JD 要求拆成三层：P1 必备（学历、年限、核心技术栈）、P2 重要（强烈期望的技能和经验）、P3 加分（nice-to-have）。同时提取 ATS 关键词、软技能要求和行业背景。
Step 3 — 经验匹配：逐条对比 JD 要求和 profile 里的经历，输出四类结果：直接匹配项、可迁移匹配项、差距短板、独特优势（论文、专利、竞赛等 JD 没写但能加分的内容）。
Step 4 — 定制化简历内容生成：核心步骤。根据匹配结果重新输出每条经历描述，按 STAR 法则改写。格式统一为：[行动动词] + [做了什么] + [怎么做的] + [量化结果]。每条经历的侧重点和排序都根据目标 JD 动态调整。
Step 5 — ATS 优化：确保使用 JD 中的原词（JD 写"需求预测"就不改成"需求预估"），同时保留缩写和全称（LLM / Large Language Model）。标准标题格式，避免表格和图片。
执行层：落地生成
Step 6 — 选模板：从 15 个模板中选择最适合目标岗位的 3 份。
Step 7 — 生成 HTML 简历：将 AI 定制的经历描述写入 profile，对每个模板执行 fill_template.py，输出 3 份 HTML 文件，编号 1 为最推荐。
Step 8 — 生成面试准备包：AI 自动输出完整的面试准备文档，包括 BOSS 直聘打招呼消息、三个版本的自我介绍、技能匹配度清单、常见面试问题 10-15 个、反问问题、优势与差距分析等。
Step 9 — 自动复检：检查模板中是否有残留的占位文本（如"北京大学"、“字节跳动"等），确保每份输出都是定制化的。
15 个简历模板
模板是整个体验的最后一公里。每个模板都是自包含的 HTML 文件，内嵌 CSS 和 JavaScript，支持：
- 在线编辑 — 双击文本即可修改，修改内容自动保存到浏览器 localStorage
- PDF 导出 — 一键打印为 PDF，印刷样式已优化
- HTML 下载 — 保存为独立 HTML 文件
目前已支持的 15 个模板：
1-sidebar-left 2-top-banner 3-timeline 4-magazine-columns 5-centered-classic 6-header-card 7-letterhead 8-metrics-first 9-full-dark 10-side-accent academic editorial modern-tech plain swiss-clean
默认三件套：2-top-banner（推荐首选）+ 1-sidebar-left + 5-centered-classic。
以 2-top-banner 为例，顶部深色横幅展示姓名、头衔和联系方式，正文按专业概述、工作经历、开源项目、技能矩阵、教育背景、证书的结构排列。深色 + 大地色系的配色克制而有质感。
技术实现细节
模板引擎
fill_template.py 是一个纯 Python 脚本，使用正则表达式替换模板中的占位标记。每个可编辑区域通过自定义属性 data-k 标识，脚本读取 YAML 配置中的对应字段进行填充。照片自动裁剪缩放为 120x160 像素并转为 base64 内嵌。
python scripts/fill_template.py <模板路径> config/profile.yaml \
--company "字节跳动" --title "高级后端工程师"
配置文件
个人履历数据以 YAML 格式组织，分 basic、education、work_experience、projects、skills、languages 等模块，结构清晰，便于版本管理。
面试准备包
面试准备文档是一个 Markdown 文件，包含求职场景所需的全部素材：打招呼消息、自我介绍（30秒/1分钟/3分钟版本）、技能匹配度清单、核心面试问题和回答思路、反问问题清单、优势与差距分析。面试前打开这个文件就够了。
一些经验沉淀
分析框架的选择
在设计过程中参考了 composiohq 的 tailored-resume-generator 项目。它的 JD 需求优先级拆解（P1/P2/P3）和经验匹配框架非常成熟，直接拿来用大大降低了设计成本。
STAR 法则的落地
经历描述的改写是最重要的环节。约束 AI 按固定格式输出是关键：[动词] + [动作] + [方法/工具] + [量化结果]。这样产出的每条经历都结构一致、信息密集，HR 扫一眼就能抓到重点。
不需要过度设计
这个 Skill 的核心价值不在于模板有多少个，而在于从 JD 到定制内容这条链路的自动化程度。模板够用就好，15 个覆盖面已经很广，再多就成了维护负担。
ATS 优化是容易被忽略的一环
很多简历工具不关注关键词的一致性，但 ATS 系统是严格按词匹配的。JD 写"需求预测"你写"需求预估”，可能就筛掉了。这个 Skill 在 Step 5 专门做了 ATS 优化，确保关键词高度对齐。
如何使用
在 Codex 中安装该 Skill 后，通过以下触发词调用：
“针对这个岗位帮我生成简历” “生成简历+面试准备” “帮我定制简历” “出 3 份简历”
准备一个 profile.yaml 和一寸证件照，然后丢一个 JD 链接或文本，剩下的交给 Skill 完成。
一些感触
做这个 Skill 最大的收获不是技术实现——YAML 解析、正则替换、HTML 模板这些都不难——而是在于把一件日常琐事系统化、流程化的过程。
从一个模糊的需求（“改简历好烦”）出发，逐步拆解成可执行的步骤，再到每一步该用什么工具、谁来做（AI vs 脚本）、产出什么格式。这种从抽象到具体的推演过程，本身就是很有价值的思维训练。
如果你也在找工作，或者对 AI Agent 的开发感兴趣，不妨试试这个思路：找个你熟悉的场景，把它拆成步骤，然后用工具和 AI 把重复劳动自动化掉。
— 2026 年 7 月