name: resume-claim-guard description: 从岗位 JD 出发写一份经得起面试追问的简历：拆解 JD 要求，把要求翻译成生活里的线索反问候选人，挖出简历上没写的相关真实经历，只用候选人确认过的事实贴着 JD 写定向简历，最后逐句做事实体检并预演面试官会怎么追问、该怎么答。也可单独体检已有简历，识别 AI 改写造成的动词升级、无依据数字和把计划或团队成果写成个人成果。用户要求按 JD 写或改简历、定向简历、岗位匹配、简历事实核查、反注水审查、准备面试时讲清每段经历时使用。

Resume Claim Guard

目标

让简历上的每一句话，面试官一对一追问时候选人都答得上来。流程从岗位 JD 开始，到面试追问预演结束；全程只使用候选人确认过的事实，不替候选人补经历，不判断录用概率。

顺序是先挖，再贴着 JD 写，最后守：先从 JD 出发，把候选人做过、但自己没想到或简历没写的相关经历问出来；再用 JD 的说法写这些真实经历；最后逐句检查有没有越界，并预演面试追问。挖和写之间只隔一次事实确认：AI 一旦把简历写顺，人就很难再挑出哪里越界，所以先确认事实，再动笔。

从哪里进来

按用户手里有什么选入口，不要求用户先懂“事实底稿”：

用户说不清时，问一句“你手里有岗位 JD 吗？”有就走定向模式。不论哪个入口，简历、JD 和模型建议都不是事实来源。

五步流程

第 1 步：拆 JD

把 JD 原文拆成四类：硬性条件（学历、届别、地点、到岗时间、语言）、核心职责、能力要求、加分项。每条保留 JD 原句。硬性条件不满足时先告诉用户，由用户决定是否继续。细则见 references/jd-breakdown.md。

第 2 步：反问经历（先挖，再落实）

挖。 从第 1 步挑出的 3–5 条核心职责出发，每条翻译成 2–3 个生活里的线索再问，帮候选人想起简历上没写的经历。例如 JD 写“收集整理用户反馈形成周报”，不问“你做过用户反馈吗”，问“你有没有整理过读者留言、问卷意见或群里的吐槽，汇总给别人看？”线索只从 JD 来，不凭空猜候选人可能做过什么。先按 JD 要求挖，一次一条要求；挖完再核实旧简历上还没问到的说法。按简历条目逐段问，很容易一直在核实旧说法，永远轮不到挖。

落实。 挖出来的每段经历，都要问清四件事才能进底稿：你本人做了哪部分、做到了哪一步（计划/原型/上线/有结果）、数字从哪来、什么时候的事。候选人说“好像有过”，就追问具体是哪一次；说不出具体一次的，记为 待确认，不写进简历。

一次最多问 3 个问题，先问最影响简历的。用户答“没做过”“不记得”就如实记下，不引导用户承认没做过的事，也不替用户补。挖只能补表达缺口（做过但没写），补不了真实缺口（没做过）。

问完整理成带编号和日期的事实底稿（F-01、F-02……），先给用户确认，再往下走。问法和底稿格式见 references/intake-questions.md，模板见 templates/facts.md。

第 3 步：匹配

把 JD 每条要求对上事实编号，状态只用五种：已匹配、表达缺口（做过但简历没写好）、证据不足（可能做过但缺来源）、真实缺口（没做过）、待确认。真实缺口如实列出，写进“面试时怎么诚实回应”，不写进简历。最后给一个投递建议：建议投递、补充材料后投递、谨慎投递、暂不建议投递，不输出匹配分或百分比。

第 4 步：写定向简历

只用确认过的事实写。按 JD 的优先级排经历顺序，用 JD 的术语描述候选人真实做过的事，但动词不超过两条轴的上限（见下）。规则见 references/resume-writing.md。

第 5 步：体检与面试预演

逐句体检：每条主张标五种证据状态之一，查动词是否越级、数字是否有来源、是否把团队或 AI 的成果写成个人的。定向模式体检两样东西：新写的定向简历（应当全部是 confirmed 或 supported，否则退回第 4 步改）；有旧简历时再体检旧简历，让候选人看到原来哪里站不住。旧简历已经投出去过的，和新简历一起做跨版本对比，给出面试统一口径。体检细则（含 PDF、多版本对比、内部编号）见 references/claim-audit.md。

然后对每条经历预演面试：面试官最可能问的 2–3 个追问、只用事实写成的回答要点、绝对不能说的话、被问到真实缺口时怎么诚实回应。见 references/interview-probe.md。

确认闸门：候选人确认事实、动词上限和最终文案之后，才能生成对外版本。体检结果、建议文本和审计者提出的上限都不等于事实确认。

证据状态

底稿没提到写 needs-source；底稿说的是另一回事（写“上线”而事实是“原型”）写 rejected。同时符合多种时取最严：rejected > needs-source > supported。inference 只标审计者自己加的推断（如“这句可能对应 F-03”），体检旧简历时计数为 0 是正常的。

动词上限：两条轴分别检查

• 个人角色：参与/协助 → 负责（某一部分） → 主导（对整体方向和结果负责）。团队成果写成个人、“共同”写成“独立”都算越级。
• 交付阶段：计划/建议 → 原型/演示 → 上线/落地（有真实用户） → 有结果数据。AI 生成内容、原型、计划和估算，不能写成已上线、已验证或已有结果。

两条轴都不能超过事实。动词上限由事实决定，不由 JD 关键词决定。

阶段轴只用于做出来给人用的东西（产品、工具、页面、系统）。报告、活动、内容运营这类经历阶段轴填“—”，改查范围、规模和结果数字是否有来源。一个人独立完成的项目，角色可以写“独立完成”；其中由 AI 生成的部分要写清人做了什么（需求、检查、测试、筛选）。事实中的数字不能换单位或换对象（“120 条报名记录”不能写成“服务 120 名用户”）。

输出

定向模式按顺序输出：JD 拆解 → 事实底稿（待确认）→ 要求—证据匹配表与投递建议 → 定向简历草稿（待确认）→ 逐句体检表 → 面试追问预演 → 人工确认清单 → 未决项。其他入口只输出用到的部分。各部分格式见 references/output-formats.md。

内部编号（F-01、C-07）只能出现在审计表和源文件注释里；对外简历、求职信和聊天文本不得出现。

边界

• 不访问或提交招聘网站，不代发求职消息，不替用户确认已投递；
• 不要求密码、验证码、身份证号等无关敏感信息；
• 不把 JD、模型建议、旧简历或推断写回事实底稿；
• 公开示例只用虚构候选人；
• 不输出通过率、录用概率或匹配分。

简历事实守卫 resume-claim-guard

从岗位 JD 出发，写一份面试官一对一追问时你都答得上来的简历。

English quick start. AI tailors your resume to the job description, but it doesn't know what you actually did, so "helped" becomes "led" and a prototype becomes "launched". This prompt asks before it writes. Copy it into ChatGPT, Claude, DeepSeek or Kimi, then add the job description and your current resume:

Help me tailor my resume to the job description below. Rules: don't write anything yet. Step 1, dig: pick the job's 3 most important requirements. Each reply covers only one requirement: give 2-3 everyday examples and ask whether I've done anything like them, whether or not it's on my resume. If I have, find out which part I personally did, how far it got (plan, prototype, or launched), and where every number comes from. At most 3 questions per reply, then stop and wait. Step 2: check the claims on my resume you haven't asked about yet. Don't write the resume until I reply "confirmed" to the fact list. Then write it in the job description's language, using only facts I confirmed: never turn "helped" into "led", a prototype into "launched", or invent numbers. At the end, tell me how an interviewer will likely follow up and how I should answer.

The rest of this README, the full prompt and the examples are in Chinese for now.

AI 很会把简历往 JD 上靠，但它不知道你真正做过什么。于是“参与”被写成“主导”、原型被写成“上线”、随手编一个“转化率提升 35%”。简历是好看了，面试官问一句“这个数字怎么来的”，你就答不上来。

这个 Skill 把顺序反过来：先问你做过什么，再写简历。

贴 JD → 拆出岗位要求 → 反问你有没有对应经历 → 只用你确认过的事实写定向简历 → 逐句体检 + 预演面试追问

最快的用法：复制一句话

在豆包、Kimi、DeepSeek、ChatGPT 里任选一个，复制下面这句话，后面接上岗位 JD 和你的旧简历，发送：

帮我按下面的 JD 改简历。规矩：先别写。第一步挖：从 JD 挑出最重要的 3 条要求，每条回复只问一条，举 2–3 个生活里的例子问我做没做过类似的事，不管简历上写没写；我说做过，再问清我本人做了哪部分、做到哪一步（计划/原型/上线）、数字从哪来；每条回复最多 3 个问题，问完就停下等我答。第二步：再核实简历上还没问到的说法。我回复“确认”事实清单前不许写简历；写的时候用 JD 的说法，但只用我确认过的事，不许把参与写成主导、原型写成上线、编数字；最后告诉我面试官会怎么追问、我该怎么答。

它会先问你经历，你确认之后才写。想要更严格的完整版（逐句体检、投递建议、面试统一口径），用 PROMPT.md。

它和普通 AI 改简历有什么不同

• 先反问，后动笔：按 JD 每条职责问你“做过相关的事吗、你本人做了哪部分、做到哪一步、数字从哪来”，整理成事实清单，你确认后才写。
• 动词有上限：个人角色（参与 → 负责 → 主导）和交付阶段（计划 → 原型 → 上线 → 有结果）分两条轴，都不能超过事实。JD 写“主导”，你只负责一部分，就写“负责”。
• 缺口不硬塞：JD 要求但你没做过的，不写进简历，而是告诉你面试被问到时怎么诚实回应。
• 每句话都预演一遍面试：面试官最可能的追问、只用事实写的回答要点、绝对不能说的话。
• 不打分：只给“建议投递 / 补充材料后投递 / 谨慎投递 / 暂不建议投递”和一句理由，不编“匹配度 85%”。

一分钟开始

第一步：你用的是什么？

第二步：你手里有什么？

JD 和简历可以是 PDF、Word、HTML、Markdown 或直接粘贴的文字。

第三步：说一句话

用 resume-claim-guard 帮我准备这个岗位。不要替我编任何经历。

你会得到

1. JD 拆解：硬性条件、核心职责、能力要求、加分项
2. 事实清单：从你的回答整理，等你确认
3. 要求—证据匹配表和投递建议
4. 定向简历草稿：只用你确认过的事实
5. 逐句体检表：每句标 confirmed / supported / needs-source / inference / rejected
6. 面试追问预演：每段经历 2–3 个追问、回答要点、不能说的话、被问到缺口时怎么答
7. 需要你确认的清单
8. 未决项和真实缺口

人工边界

事实、动词上限和最终文本都由你确认。它不会投递简历、发送消息、登录招聘账号，也不会把 JD、模型建议或推断写进你的事实清单。

示例

全部是虚构候选人：

• jd-to-interview：完整五步，从一份 JD 和一份注水旧简历，到定向简历和面试预演；
• single-html：只体检一份 HTML 简历，展示动词越级和编号泄露；
• multi-version：两份定向版简历，展示底稿自相矛盾、过期数字和跨版本不一致。

目录

SKILL.md              入口与五步流程
PROMPT.md             网页聊天版提示词
references/           每一步的细则（拆 JD、反问、写简历、体检、面试预演、输出格式、导出排版）
templates/facts.md    事实清单模板
agents/openai.yaml    Codex 元数据
scripts/validate.py   仓库自检（链接、元数据、编号泄露、手机号）
examples/             虚构示例

范围

不做：岗位搜索和跟踪、浏览器自动填表和投递、录用概率预测、自动生成 PDF。

改动记录见 CHANGELOG.md。欢迎提 Issue，尤其是“这句被降级了，降得对不对”。

许可证

MIT