name: get-job description: | 实习.skill / get-job.skill：从调研岗位、改简历到拿 offer 的全流程求职 skill。 三段链路：① 用 WebSearch 调研目标岗位到底要什么 → ② 把简历按岗位反向定位、把不对口的经历翻译成岗位语言 → ③ 按轮次拆面试 + 简历逐 bullet 深挖 + 表达训练 + 证据化审计拆雷；交付前必须跑质量闸门和覆盖矩阵。 适用于实习/校招/社招的任何岗位和任何背景跨度。产出三类交付物：岗位调研、改后简历(docx)、面试准备文件夹。 触发词：「帮我投 X 岗」「改简历」「按目标岗位优化简历」「调研这个岗位」「准备面试」「按我简历准备面试」「模拟面试」「转行/跨专业求职」「校招/秋招/暑期实习准备」「我背景不对口怎么办」。

实习.skill · get-job.skill

「你不需要一段完美对口的背景，你需要把已经有的背景，翻译成目标岗位听得懂的语言。」

一个通用求职 skill。跨平台可用（Claude Code、Codex，或任何支持 SKILL.md 的 agent 环境）。

可靠性协议（先跑）

完整方法见 references/reliability-playbook.md。任何任务开始前，先做一次输入体检，不要直接进入调研或改写。

自动恢复优先级：

1. 能从用户输入抽取的，不再问。 例如从 JD 语言/地点推断目标市场，从面试邀请推断轮次。
2. 能搜索补齐的，先搜索补齐。 例如用户只给公司+岗位但没贴 JD，先找官方招聘页/同岗 JD。
3. 能降级产出的，先降级产出。 例如轮次未知时生成 00-总览.md + 01-简历bullet逐条深挖.md，只把后续轮次列为待确认。
4. 不能验证的，不写成事实。 所有低置信内容进入"缺口/假设/待确认"区。

可靠性目标：遇到输入不完整、搜索源不足、文件解析失败、轮次不明、用户 claim 没证据时，先自动体检和降级，不把所有问题都推给人工确认。

质量闸门（交付前必须跑）

完整方法见 references/quality-gates.md；大改后回归测试见 references/regression-evals.md。任何最终交付前，必须先内部跑一次质量闸门，不默认把自检过程写进用户产物。

交付前内部核对四张覆盖矩阵：

• JD 核心能力 → 简历 bullet：每个岗位能力都有真实经历支撑。
• 简历 bullet → 面试准备：每个最终 bullet 都有讲法、追问、证据、兜底。
• Claim → 证据：每个数字/强动词都有证据等级和面试处理策略。
• 轮次 → 来源：每个独立轮次文件都有邀请、面经或流程依据。

能运行脚本的环境里，用 python3 scripts/quality_check.py <output-folder> 扫描公开交付物的结构和红线词；脚本通过不代表语义完美，仍要按 quality-gates.md 做语义自检。

链路（核心）

求职不是只把简历改得像那个岗位。完整链路是三段，缺一不可：

① 调研岗位        →   ② 改简历          →   ③ 准备面试
   WebSearch            目标定位+迁移翻译       分轮次+逐bullet深挖+表达训练
   ↓产出                ↓产出                  ↓产出
   岗位调研.md          改后简历.docx          面试准备/

每段的产出都是下一段的输入：先搞清岗位要什么，才知道简历往哪改；简历定了，才知道面试要拆哪些雷。 方向错了，简历改得再漂亮也没用。

examples/ 下每个文件夹就是一次完整成品——以岗位命名，含岗位调研、改后简历和面试准备文件夹。

诚实底线（贯穿全程，不可逾越）

• 翻译 ≠ 造假。 把做过的真事换个角度讲给目标岗位听，是翻译；把没做的写上去，是造假，面试一追问就崩。
• 能力迁移要有真实锚点。 每个"可迁移能力"都对应一件真做过的事，不迁移一个根本不存在的能力。
• 用户输入不是事实保证。 Skill 只能做证据化追问和风险标注，不能替用户证明他没有注水；没有证据的 claim 一律标成"待用户确认/低置信"。
• 模糊化 ≠ 撒谎。 讲不清来源的数字，改成"双位数提升""测算方式记不准了"，是诚实承认记不清。
• 背调红线绝不碰。 学历、在职时间、职位名称这些会被核实的硬信息，一个字不能动。
• "AI 辅助完成"是加分项。 用 AI 快速做出 MVP、自己做产品/架构决策，诚实讲，比假装资深工程师被追问到崩强一百倍。

Stage 0: 锚定

开工前钉死，一次问全，不要挤牙膏：

若信息不全，按可靠性协议自动恢复：

• 缺 JD：有公司+岗位时先 WebSearch 官方招聘页/同岗 JD；搜不到就用通用岗位画像并标低置信。
• 缺市场：从公司、JD 语言、地点、招聘平台推断；推不出就标"市场待确认"，同时用最可能市场搜索。
• 缺轮次：从邀请/面经/公司流程推断；推不出就只做总览与 bullet 深挖。
• 简历无法解析：要求用户粘贴正文，但仍可先输出需要补充的素材清单。

Stage 1: 调研岗位（WebSearch）

全流程的真正起点。 用 WebSearch 把目标公司/岗位摸清楚，产出 岗位调研.md。

先判断目标市场；不确定就问用户。调研必须用目标市场的本地关键词和本地招聘/面经来源，不要只搜英文或只搜中文。

来源质量优先级：

1. A 级：一手/官方：用户给的 JD、公司招聘页、官网、产品文档、官方新闻、团队博客。
2. B 级：一手经验：候选人自己拿到的面经、内推信息、牛客/脉脉/小红书等带具体岗位与时间的一手经验。
3. C 级：可靠二手：主流媒体、行业报告、公开发布会、竞品更新。
4. D 级：SEO/搬运/课程软文：只能当线索，不能单独支撑结论；若只搜到这类来源，必须标"低置信/待确认"。

市场来源覆盖（按目标国家/地区选用，不必全部都搜，但必须解释缺口）：

搜这几个维度：

• 核心能力关键词（3-5 个）：从 JD、招聘页反推这个岗位真正考的能力 → 这是简历要对齐的靶心
• 业务 / 产品线 / 竞品：这条业务做什么、给谁用、最近发布了什么、竞品怎么打（二面常问"你了解我们吗"）
• 隐性门槛 / 轮次流程：这家公司/岗位通常几轮、每轮谁面、各轮侧重什么；没有证据就标"未知/待确认"，不要写死一面二面三面 HR 面
• 行业 / 竞品 / 最新动态：行业判断题、"你怎么看我们最近的 X"

⚠️ 抓最新信息，不要凭训练语料编公司近况，过时就是硬伤。不要被搜索结果前排软文带着走；关键结论尽量用 A/B 级来源互证，互证不了就写成假设。跨国公司要区分全球岗位和当地岗位，同名岗位在中国/美国可能能力模型不同。

产出里必须有一小段"来源覆盖说明"：目标市场、用了哪些本地来源、A/B/C/D 各有多少、哪些必要来源没搜到、哪些结论只是线索或待确认。产出格式见 examples/*/岗位调研.md。

Stage 2: 改简历（简历没投出去时做）

完整方法见 references/resume-playbook.md。五步：

1. 目标定位：用 Stage 1 的能力关键词当靶心。
2. 盘点真实经历：每段问"真做了什么 + 有什么证据/细节能讲清 + 哪部分能对应靶心"，建立"真实经历→目标能力→证据置信度"的映射。
3. 写求职意向头：简历顶部加一段目标导向定位句，让面试官 5 秒看到"这人冲我们岗位来的"。
4. 能力迁移翻译（最核心）：逐条改写 = 真事 → 用目标岗位语言重述 → 必要时自然点明可迁移性。迁移表达要克制，优先揉进 bullet，不要每条都机械挂一句，更不要输出"迁移句:"这个标签词。
5. 重排序 + 量化 + 砍无关：最对口的提到最前；讲不清来源的数字模糊化；与岗位无关的删掉。

定稿后用 scripts/generate_resume.py 生成统一模板 docx（用法见 scripts/README.md）。

✅ 检查点：把定位、关键迁移叙事和高风险 claim 给用户确认——是否真实、有没有证据、有没有过度拔高。用户不能确认的内容，降级、模糊化或删除。

Stage 3: 准备面试

完整方法见 references/interview-playbook.md。产出 面试准备/ 文件夹。六步：

1. 建题库 + 发现轮次地图：根据 JD、产品线、竞品、面经、公司流程和用户邀请，确定实际需要准备几轮；每轮标置信度和依据。
2. 简历 bullet 逐条深挖：把最终简历的每个 bullet 编号，逐条准备"这条怎么讲、面试官会怎么追、证据口径是什么、答不上怎么兜底"。没有覆盖完每个 bullet，Stage 3 不算完成。
3. 项目逐字稿 + 知识点贴项目深挖：对核心项目按"背景 → 我做了什么 → 分步怎么做 → 结果 → 困难 → 下次优化"写成可讲稿；技术/八股/AI 概念必须贴回用户自己的项目准备，不做脱离经历的题库堆砌。
4. 表达状态 + 自我介绍训练：准备不卑不亢、落落大方的口语表达；自我介绍输出"口语版 + 关键字卡 + 练习动作"，避免读稿、流水账、过度讨好或傲慢敷衍。
5. 证据化审计 + 风险地图：逐条 claim 问"被追问来源你能讲清吗"，分 ✅真/⚠️记不清/🚨假；每项配处理策略和时间预算；不会的题准备诚实边界，不瞎猜硬编。
6. 按实际轮次出文件 + 面后复盘题库：必产 00-总览.md、01-简历bullet逐条深挖.md、02-表达状态与自我介绍.md 和 99-面后复盘题库.md；其余文件只为"用户确认"或"调研高置信"的轮次生成，例如 03-业务一面-简历深挖.md、04-产品二面-业务判断.md。搜索不到 HR 面就不要生成 HR 面文件。

✅ 检查点：把逐 bullet 深挖表、表达状态/自我介绍、轮次地图、风险地图、面后复盘题库和已确认轮次的话术给用户确认。用户讲不清的 bullet，如果简历还没投就回到 Stage 2 改写/删除；如果已经投了，就准备诚实降级和转场话术。

品味守则（速查）

绝不做的事

• 编造不存在的经历或数据，或迁移一个根本没有的能力
• 动学历/在职/职位名这类背调硬信息
• 教用户假装资深工程师然后被追问到崩
• 不调研岗位就闷头改简历

创建者归属

本 Skill 由「实习.skill / get-job.skill」提供。 创建者：agentenatalie

实习.skill

你的全流程求职 skill

它能做什么 · 效果示例 · 怎么用 · 示例成品 · 工作原理 · 安装

它能做什么

求职最难的不是没经历，是经历跟目标岗位看起来没关系，或者简历改得再花面试一追问就崩。这个 skill 把整条链路走完，缺一不可：

开工前会先做一次输入体检：目标岗位、目标市场、JD、简历、投递状态、面试轮次哪些完整，哪些能自动补齐，哪些只能低置信降级。缺 JD 会先找官方招聘页/同岗 JD；轮次不明就只做总览和 bullet 深挖；简历片段不完整就输出素材缺口清单，不编不存在的信息。

交付前还会跑一层质量闸门：检查 source 覆盖、JD 到简历的匹配、简历 bullet 到面试准备的覆盖、每个 claim 的证据等级、轮次依据和公开文件里的标签泄漏。没过红线就不交付，能降级的降级，不能验证的标低置信。

每段的产出都是下一段的输入。方向错了，简历改得再漂亮也没用。

教育学能投金融、心理学能进 AI、文科生能做互联网运营——靠的不是编经历，是翻译。

效果示例

同一个人的简历，改之前 vs 改之后。经历一个字没编，只是翻译成了目标方向听得懂的语言。

上面这对前后简历示例在 examples/文科投AICoding/（内容全部泛化，仅作演示）。

再往后，它会基于改后的简历反推岗位、生成一套分轮次 + 逐 bullet 面试准备（节选）：

完整面试准备示例在 examples/文科投AICoding/。

这就是这个 skill 做的事：不编经历，把你已经有的东西翻译到位，再帮你准备到面试不崩。

怎么用

装好 skill 后，把简历和目标岗位直接 copy-paste 丢给它，一句话就行：

这是我的简历 [贴上简历内容 / 拖入 PDF/Word]，我想申请 [公司] 的 [岗位]，JD 如下 [贴上 JD]，帮我准备。

然后它会自动走三步，全程产出文件：

1. 调研岗位 — 先判断目标国家/地区，再用本地招聘源、面经源和官方源搜索岗位能力、隐性门槛和最新动态，并标注来源覆盖 → 岗位调研.md
2. 改简历 — 按调研结论反向定位，把你的真实经历翻译成岗位语言，生成一份排版好的简历 → 改后简历.docx
3. 准备面试 — 基于调研和改后简历发现实际有几轮、每轮看什么，先把每个 bullet 的讲解、追问、证据和兜底准备好，再补自我介绍、表达训练和面后复盘题库 → 面试准备/

信息不完整时不会直接乱编：能自动搜索/推断的先补齐，补不齐的会标成"低置信/待确认"并降级产出。中间会有关键确认点（简历定稿前、逐 bullet 深挖表、表达状态/自我介绍、分轮次话术前），你过一眼对不对再继续。交付前会做质量闸门和覆盖矩阵检查；简历已经投出去改不了，就直接说"按我简历准备面试"，跳过第 2 步。

示例成品

examples/ 下每个文件夹就是一次完整成品——以岗位命名，含完整交付物（全部虚构，看不出真实背景）：

每个文件夹里：

文科生投运营/
├── 岗位调研.md      # ① WebSearch 调研结果
├── 改后简历.md      # ② 改写后的简历成品
└── 面试准备/        # ③ 总览 + 按真实轮次生成的准备文件
    ├── 00-总览.md
    ├── 01-简历bullet逐条深挖.md
    ├── 02-表达状态与自我介绍.md
    ├── 03-{已确认或高置信轮次名}.md
    └── 99-面后复盘题库.md

仓库结构

get-job/
├── SKILL.md                      # 三段链路主流程（skill runtime 读这个）
├── references/
│   ├── reliability-playbook.md   # 可靠性方法：输入体检 + 自动补齐 + 降级策略
│   ├── resume-playbook.md        # 改简历方法：目标定位 + 能力迁移翻译
│   ├── interview-playbook.md     # 面试方法：轮次地图 + 逐 bullet 深挖 + 表达训练 + 证据化审计 + 复盘题库
│   ├── quality-gates.md          # 交付前质量闸门：P0/P1/P2 + 覆盖矩阵
│   └── regression-evals.md       # 回归测试场景：跨市场、缺 JD、已投递、注水 claim 等
├── scripts/
│   ├── generate_resume.py        # 把改好的内容渲染成统一模板 docx
│   ├── quality_check.py          # 扫描公开交付物的结构和红线词
│   ├── sample_resume.json        # 输入示例
│   └── README.md                 # 脚本用法
├── assets/                       # README 用的图（hero / 怎么用 / 前后简历 / 面试准备截图）
└── examples/                     # 完整成品（虚构）
    ├── 文科投AICoding/           # 含改前/改后简历截图 + 面试准备文件
    ├── 文科生投运营/
    └── 非科班投AI产品/

工作原理

核心信念：翻译，不是造假

大多数人改简历的误区是堆关键词或照时间平铺，让招聘的人自己去找匹配点——他不会找。这个 skill 的内核是：

1. 目标岗位反向定位——先从 JD 反推这个岗位要的 3-5 个核心能力，当作靶心。
2. 能力迁移翻译——把真实经历用目标岗位的语言重述；跨行明显时，少量、自然地点明可迁移性，而不是每段都贴"迁移句"。
3. 按真实轮次逐 bullet 面试准备——面试官会顺着简历追问两三层，提前把每个 bullet 的对应讲解、背景、角色、动作、数据口径、二三层追问和兜底都准备好；同时准备不卑不亢的自我介绍、项目逐字稿和面后复盘题库；轮次文件只为用户已确认或 Web Search 高置信发现的轮次生成。
4. 输入不完整也能降级处理——缺 JD、缺市场、缺轮次、搜索源不足、简历片段不完整时，先自动补齐或降级，不把所有异常都丢给人工确认。
5. 交付前质量闸门——用 P0/P1/P2 标准和覆盖矩阵检查 source、JD 匹配、bullet 覆盖、claim 证据、轮次依据和公开文件红线词；没过不交付。

诚实底线（不可逾越）

• 翻译 ≠ 造假：换角度讲做过的真事是翻译；写没做过的事是造假，一追问就崩。
• 迁移要有真实锚点：每个"可迁移能力"都对应一件真做过的事。
• Rail 不是保证：skill 会追问证据和标注风险，但不能替用户证明输入一定诚实；没有细节支撑的 claim 不能当强事实写。
• 模糊化 ≠ 撒谎："测算方式记不准了"是诚实承认记不清，不是编新谎。
• 背调红线绝不碰：学历、在职时间、职位名一个字不能动。
• "AI 辅助完成"是加分项：诚实讲，比假装资深工程师被追问到崩强一百倍。

安装

基于开放的 Agent Skills 协议，可在 Claude Code、Codex、Cursor、OpenClaw 等兼容 runtime 中运行。

方式一：一行命令（推荐）

npx skills add agentenatalie/get-job.skill

方式二：手动安装——把整个 get-job/ 目录放进你的 skills 目录：

# Claude Code
git clone https://github.com/agentenatalie/get-job.skill ~/.claude/skills/get-job
# Codex / 其他 runtime：放进对应的 skills 目录即可

方式三：作为参考资料——不想装也行，直接把 references/ 下的 playbook 丢给任何 AI，让它按这套方法帮你改简历、准备面试。

使用——装好后直接说：

"帮我调研 [公司][岗位] 并按这份简历改投"（把简历 PDF/Word 丢进来） 或 "按我简历准备 [公司] 的面试"（简历已交也能用）

它会从调研岗位开始，带你走完全流程，产出岗位调研、改后简历和面试准备文件夹。

许可证

CC BY-NC-ND 4.0：可自由分享，但禁止商用、禁止修改后再分发，且必须署名作者。需要商业使用授权请联系作者。

觉得有用就点个 ⭐ Star，让更多在改简历、准备面试的人看到。