1. 项目概述构建你的私人职业智能中心如果你和我一样在职业生涯中积攒了无数个版本的简历、求职信、项目描述它们散落在电脑的各个角落——Desktop/简历_终版.docx、Downloads/简历_最新版.pdf、OneDrive/求职/简历_针对A公司修改版.docx。每次申请新工作都是一场痛苦的考古发掘和缝补游戏。更糟糕的是这种“打地鼠”式的求职让你疲于应付眼前的机会却从未真正思考过我到底想往哪里去下一个台阶具体长什么样我和它之间差的那几步到底是什么这就是我决定动手构建resume-intelligence-hub的初衷。它不是一个帮你一键生成漂亮简历的“魔法棒”——市面上这种工具太多了。它是一个“职业操作系统”一个基于 Git 版本控制的私人知识库。它的核心价值分两部分一半是“产出”帮你高效处理求职中的具体任务定制简历、面试准备另一半是“方向”强迫你明确一个“跳一跳才能够到”的目标职位并持续分析你与目标之间的能力缺口让你的每一次求职动作都成为向目标前进的积累而不是漫无目的的漂泊。简单说它把你的职业发展从“手工作坊”升级为“数字化工厂”不仅有生产线各种求职任务流程更有产品路线图你的职业目标与成长路径。下面我就带你彻底拆解这个系统看看如何从零搭建并让它真正为你所用。2. 核心设计哲学为什么是“中心”而非“工具”在深入细节之前理解背后的设计哲学至关重要。这决定了你使用它的心态和最终效果。大多数求职工具是“任务导向型”的输入职位描述JD输出一份简历。这解决了“一时之需”但加剧了“信息碎片化”——你又多了一个散落的文件并且这次修改与上次修改的逻辑可能完全断裂。resume-intelligence-hub的设计是“中心辐射型”。所有工作都围绕profiles/目录下的几个“源文件”展开。你可以把它们想象成数据库里的“主表”而每一次针对特定JD生成的简历都是根据主表数据动态生成的“视图”。这种设计带来了几个非显而易见但至关重要的优势2.1 单一事实来源终结版本混乱你的核心职业信息只存在于profiles/master.md等少数几个文件中。无论你要申请谷歌的工程师还是小公司的技术负责人你都不是去修改master.md而是让 AI 代理读取它结合目标 JD 的要求生成一份新的、定制化的简历文档。master.md本身始终保持为最完整、最权威的版本。这从根本上杜绝了“哪个版本最新”的噩梦。2.2 定位锁定让每次申请都指向同一个方向在AGENTS.md文件的顶部你需要明确写下你的“拉伸目标”。例如“目标在 18 个月内成为一家 B 轮以上科技公司的技术总监负责超过 30 人的工程团队技术栈涵盖云原生与数据平台。” 这个声明会引导 AI 在后续所有任务中无论是分析差距还是修改简历都潜意识地向这个目标靠拢。你的求职动作从“发散”变为“收敛”。2.3 路径引用与敏感信息分离安全与分享兼顾verification/目录的设计非常巧妙。它不存储敏感的原始文件如学位证书、工资单扫描件而是存储这些文件的路径索引references.md以及基于公开信息的交叉核对记录。例如你可以记录“本科学位证书原件存放于~/SecureDocs/Education/”。这样整个 Git 仓库可以放心地推送到私有远程仓库进行同步和备份而不用担心隐私泄露。当需要背调或提交材料时你能迅速找到原件。2.4 工作流与存档分离保持系统清爽todo.md和changelog.md的分工明确。todo.md只存放待办事项一旦完成立即移动到changelog.md并加上日期。这保证了待办列表永远清晰、可执行而历史记录又完整可查。同样resumes-archive/和research-archive/是只读的存放最终输出物与工作区分离。我的实操心得刚开始我试图把所有东西都记在一个文件里结果很快就变得无法维护。强制进行“进行中”与“已完成”、“源数据”与“输出物”的分离是保持这个系统长期可用的关键。这就像 GTDGetting Things Done方法论在职业管理上的应用。3. 系统初始化与核心文件详解让我们打开黑盒看看这个“中心”里到底有什么以及如何填充它。初始化过程是通过与 AI 代理如 Claude Code、Cursor 的 AI对话完成的它会引导你完成一个约 7 个问题的访谈然后自动搭建整个目录结构。3.1 引导访谈与结构生成当你首次运行技能说“帮我初始化一个职业智能中心”时AI 会问你以下几个核心问题你的回答将决定系统的初始状态首选语言整个 hub 的模板和输出使用中文还是英文强烈建议只选一种保持纯粹。混合语言会给后续的 AI 处理和检索带来不必要的麻烦。现有材料你是否有散落的简历、LinkedIn 资料等AI 可以帮你解析、去重、合并到profiles/master.md中。所在行业与职能例如“互联网后端开发”、“金融量化分析”、“学术生物医学”。这用于加载更贴切的行业词汇模板。当前职级与资历例如“中级工程师”、“高级经理”。这是差距分析的起点。是否启用研究轨道如果你是在校研究员或高校教师需要同时处理求职产业界/教职和基金申请如国自然、NIH可以开启此功能。这会生成profiles/research.md和相应的基金模板。简历输出语言这可能与 hub 语言不同。例如hub 用中文管理但申请外企时输出英文简历。AI 会处理翻译和本地化。仓库本地路径你想把这个 hub 放在电脑的哪个位置访谈结束后AI 会瞬间生成上一章中展示的完整目录结构。所有模板文件在templates/{cn,en}/下都会被复制到对应位置并已经填充了引导性问题[在此描述...]和示例。3.2 核心源文件剖析与填充指南接下来是最关键的一步填充profiles/下的源文件。这是整个系统的“数据层”。profiles/master.md- 职业主档案这是你的核心数据库。它不应是一份可以直接打印的简历而是一份超集。结构通常包括基础信息联系方式注意隐私。职业摘要一段 3-4 行的叙述概括你的核心价值主张、专业领域和职业目标。这应与AGENTS.md中的拉伸目标呼应。经历部分按时间倒序列出每一段工作/项目经历。关键在这里每一条描述都使用“Google XYZ 公式”。格式动词 量化成果 通过何种技术/方法 为公司/业务带来何种价值。示例差“负责开发了后台系统。”示例好“主导了新一代用户鉴权系统的重构将平均登录延迟降低 60% (从 500ms 至 200ms)通过采用 JWT 令牌和 Redis 缓存集群使系统能支撑日均千万级请求并为公司节省了 30% 的云安全服务费用。”技能矩阵一个简单的分类列表如编程语言、框架、工具、软技能。可以标注熟练程度精通/熟练/了解。注意事项在master.md中不要担心篇幅过长。它的目标是“全”。把所有你能想到的、哪怕只有一点关联的经历和技能都放进去。定制化简历时AI 会帮你做减法、做聚焦。profiles/skills.md- 能力矩阵深化这是对master.md中技能部分的扩展采用“T型”或“π型”技能模型进行组织。T型一竖代表你的深度专业领域如“分布式系统架构”一横代表你的广度协作能力如“项目管理”、“产品思维”、“团队沟通”。π型代表你拥有两个深度领域如“机器学习算法”和“大数据工程”加上广度的横。 在这里你需要详细描述你在每个深度领域的具体能力项、掌握的工具链、以及能证明该能力的项目经历可引用stories.md中的故事。profiles/stories.md- STAR 故事库这是面试准备的弹药库。按照 STAR 情境Situation、任务Task、行动Action、结果Result的结构提前准备好 10-15 个涵盖不同能力点的故事。主题分类例如“领导力”、“解决复杂技术问题”、“处理团队冲突”、“推动创新”、“在压力下交付”。写作要点重点打磨A行动和R结果。行动要体现你的思考过程和具体方法结果要尽可能量化。每个故事最后可以加一个“复盘要点”思考哪里可以做得更好这能在面试中体现你的成长性思维。profiles/research.md(可选) - 研究档案如果你开启了研究轨道这里存放你的学术“主档案”发表论文列表含摘要、期刊影响因子、个人贡献、研究方向概述、掌握的实验技术、合作网络等。格式可参考 NSF 或 NIH 的生物草图Biosketch。3.3 定位文件AGENTS.md的顶层声明这是系统的“指挥棒”。在文件最开头用清晰的语言写下# 职业智能中心 - 代理指南 ## 当前定位与拉伸目标 - **当前角色**高级软件工程师 (P5) - **拉伸目标 (1-2级之上)**技术负责人 (P7) 或 工程经理 (EM)在数据密集型产品团队中负责技术规划、跨团队协调和 10 人以上工程师的指导。 - **目标能力画像**需要加强系统设计能力尤其是高可用架构、技术团队管理经验招聘、绩效、梯队建设、以及更深入的业务指标理解从 OKR 制定到技术支撑。 - **下一季度聚焦**1. 主导一个跨团队的技术架构升级项目2. 在团队内启动并主持一个设计评审会3. 阅读两本关于技术领导力的书籍并输出笔记。 ## 核心工作流触发指令 ...这个声明不是一成不变的你应该每季度回顾并更新它。但它确保了 AI 在任何时候为你提供帮助时都有一个明确的背景和方向。4. 六大核心工作流实操解析系统搭好了数据也灌进去了接下来看它如何运转。这六大工作流是你与 AI 代理互动的主要场景。4.1 职业规划与差距分析触发指令“我想从高级工程师晋升到技术负责人请分析我当前档案与目标职位的能力差距并给我制定本季度的 SMART 计划。”AI 代理会做什么解析目标基于你提供的目标职位或它从市场了解到的该职位通用要求拆解出所需的核心能力维度技术深度、系统设计、项目管理、团队领导、业务影响等。交叉比对深度阅读你的profiles/master.md和profiles/skills.md将你的经历与目标能力维度进行映射。生成差距报告输出一份结构化报告通常是一个表格能力维度目标要求当前现状 (基于档案)差距分析优先级系统架构设计能设计支撑百万 DAU 的高可用、可扩展后端系统有单服务优化经验缺乏复杂分布式系统整体设计经验关键差距缺乏微服务治理、容灾设计、容量规划的实际决策经验高技术领导能指导 5-10 人工程师团队进行代码评审、技术选型有带实习生的经验参与过评审但非主导中等差距缺乏正式的管理职责和绩效评估经验中跨部门协作能与产品、数据、业务部门紧密合作翻译需求有良好的沟通记录但多限于执行层面轻微差距需要更多主动发起和驱动跨部门项目的经验低制定 SMART 计划针对高优先级差距提出具体的、可衡量、可达成、相关、有时限的行动建议。例如“本季度在现有项目中主动申请负责一次涉及至少两个其他团队的接口设计会议并撰写设计文档和会议纪要存档于projects/目录。”我的实操心得差距分析最容易犯的错误是“假大空”。AI 最初给我的建议是“学习分布式系统理论”。这没用。我通过追问让它把建议具体到“在现有系统的某个模块尝试引入一个简单的分布式缓存如 Redis并撰写一份《引入 Redis 对系统性能与复杂性的影响评估》报告”。后者是可执行、可展示的。4.2 JD 溯源与筛选触发指令“帮我寻找过去两周内发布的、与‘云原生技术负责人’相关的职位地点优先上海和杭州。”AI 代理会做什么多渠道搜索它会模拟在主流招聘网站、公司招聘页、LinkedIn、特定行业社区进行关键词搜索。它依赖于你赋予它的网络搜索能力如果 IDE 支持。初步筛选与摘要返回一批职位链接并附上简短摘要公司、职位名称、核心要求、薪资范围如果可见、发布日期。深度评估需手动触发你可以将某个 JD 链接或文本丢给它说“深度评估这个职位是否匹配我的拉伸目标”。它会从技能匹配度、职级跨度、公司发展阶段、成长性等多个角度打分并给出“强烈推荐”、“可尝试”、“不匹配”的建议及理由。jobs/market-watch/目录你可以把感兴趣的公司和职位动态记录在这里形成一个你长期关注的“市场看板”。4.3 JD 定制化简历生成触发指令“这是 [某公司] [某职位] 的 JD请基于我的主档案生成一份针对性的简历和求职信。”AI 代理会做什么JD 解析提取关键词、硬性要求、优先条件、公司文化信号。智能匹配从你的profiles/master.md中挑选与 JD 最相关的经历和技能。它不是简单复制粘贴而是重组和重写。对于 JD 中强调但你的档案中较弱的部分它会尝试从其他经历中挖掘可迁移的技能点进行表述。格式优化生成一份排版清晰、适合 ATS申请人追踪系统解析的简历通常是 Markdown 或 PDF。同时生成一封将你的经历与 JD 要求紧密挂钩的求职信。存档自动在jobs/applications/{company}-{role}-{YYYY-MM-DD}/目录下保存此次生成的简历、求职信以及使用的 JD 原文。这形成了完整的申请记录。4.4 面试准备触发指令“我下周三有一个关于 [某 JD] 的现场面试请预测可能的问题并帮我基于故事库准备 STAR 回答。”AI 代理会做什么问题预测结合 JD、公司信息、职位级别预测技术问题、行为问题使用 BEI 行为事件访谈法模型、系统设计问题、文化契合度问题等。故事映射从你的profiles/stories.md中为每个预测的行为问题推荐 1-2 个最匹配的 STAR 故事并提示你可以如何微调故事细节以更贴合问题。技术复习清单针对技术问题生成一个你需要复习的知识点清单例如“请复习 Kafka 的副本同步机制和 Exactly-Once 语义的实现”。模拟问答它可以扮演面试官对你进行模拟面试并根据你的回答给出反馈。4.5 提交前交叉验证触发指令“在我提交这份简历之前请帮我交叉验证所有关键陈述如项目数据、技术贡献、获奖情况对照我的公开信息源GitHub, LinkedIn 等。”AI 代理会做什么提取可验证声明从简历中找出所有量化成果“提升性能 50%”、技术断言“主导了微服务架构迁移”、身份声明“获得 XX 奖项”。公开信息检索访问你提供的公开链接GitHub 仓库、技术博客、LinkedIn 项目描述试图找到支持这些声明的证据。生成验证报告在verification/{date}-web-check.md中记录✅已验证声明 X 在 [某链接] 的 [某部分] 得到证实。⚠️部分验证/需注意声明 Y 的精神符合但具体数字略有出入简历写“用户增长 10 万”博客写“近 10 万用户”。建议统一表述。❌未找到公开证据声明 Z 在提供的公开渠道中未找到直接支持。这不一定代表虚假但提示你要么准备好向面试官详细解释要么考虑补充一些公开材料如写一篇技术文章来“锚定”这个成就。这个流程极大地增强了简历的可信度避免了因记忆模糊或表述不当带来的风险。4.6 基金申请研究轨道触发指令“请基于我的研究档案起草一份国家自然科学基金青年项目申请书的‘立项依据’和‘研究方案’部分。”AI 代理会做什么模板匹配调用templates/中对应的基金申请书模板如 NSFC、NIH。内容填充从profiles/research.md中提取你的研究基础、前期成果、论文列表。结构化写作遵循Heilmeier CatechismDARPA 的经典项目评估问题集的逻辑来构建论述你想做什么研究目标现在为什么能做研究现状与你的突破点谁需要它研究意义风险和备选方案是什么要花多少钱和时间生成草稿输出符合格式要求的文本草稿供你进一步精修。5. 与现有生态的集成与进阶玩法resume-intelligence-hub是一个框架它不排斥其他优秀的一次性工具Skill反而鼓励你组合使用。5.1 组合技能工作流你可以设计一个“求职流水线”用本 Hub 进行差距分析和目标设定。用paramchoudhary/resumeskillsresume-ats-optimizer对 Hub 生成的简历进行 ATS 友好度深度优化关键词密度、章节排序、格式净化。用paramchoudhary/resumeskillslinkedin-profile-optimizer同步更新你的 LinkedIn 个人资料保持线上线下一致性。面试通过后用refoundai/lenny-skillscareer-transitions来规划谈薪策略和入职过渡。5.2 本地化与自定义行业词汇库templates/下的文件是起点。你应该根据自己行业的“黑话”和评价体系去修改它。例如游戏行业可能看重“DAU/MAU”、“留存率”、“ARPU”制造业可能看重“良品率”、“产能”、“供应链优化”。把这些关键词和评价维度提前埋入你的profiles/master.md和技能描述中。自定义工作流你可以在AGENTS.md中定义自己的快捷指令。例如如果你经常需要向不同的投资人推销自己可以加一条“当我需要准备投资人见面材料时请从我的主档案中提取关于‘从 0 到 1 打造产品’、‘技术壁垒构建’和‘团队 scaling’的经历并组合成一段 3 分钟的口头陈述。”5.3 隐私与版本控制实践Git 管理务必使用私有 Git 仓库如 GitHub Private, GitLab, Gitee来托管这个 Hub。这不仅是备份更提供了完整的版本历史。你可以清晰地看到你的职业档案是如何一步步演进的。敏感信息永远不要将身份证号、护照号、具体家庭住址、银行账号等写入 Markdown 文件。联系方式留邮箱和 LinkedIn 即可。verification/references.md中的路径指向本地加密磁盘或物理存储。定期快照在完成一次重大的档案更新或成功求职后可以打一个 Git Tag例如v2.0-career-transition-to-manager。这比单纯的提交信息更有纪念和回溯意义。6. 常见问题与故障排查在实际搭建和使用过程中你可能会遇到以下问题Q1AI 代理似乎不理解我的行业生成的描述很外行。A1这是初始化时“行业”信息输入过于宽泛导致的。解决方法是手动深入编辑profiles/master.md和技能描述。大量使用你行业内的专业术语、指标和成果表述方式。然后你可以直接给 AI 一段你行业内优秀的简历片段说“请学习这种表述风格和术语并用它来优化我档案中的 XX 部分。” AI 的学习能力很强。Q2差距分析报告总是很泛泛比如“需要加强沟通能力”。A2你需要给 AI 更具体的指令。不要问“我的差距是什么”而是问“为了达到 [具体目标职位例如‘腾讯云产品部技术总监’]我需要具备哪些可展示、可验证的具体能力请对比我档案中 [某个具体项目例如‘XX 云迁移项目’] 的经历指出我在‘制定跨部门技术标准’这一能力上的具体不足并建议一个本季度内可完成的、能写进下次简历的具体行动。”Q3生成了太多申请记录文件夹显得杂乱。A3这是设计使然旨在保证每次申请的独立性。你可以定期如每季度进行归档。在jobs/applications/下创建archive-2024-Q1/目录将已结束的申请无论成败移动进去。活跃的申请留在外层。同时在changelog.md中记录归档操作。Q4STAR 故事库感觉写不出彩很平淡。A4STAR 故事的灵魂在于“冲突”和“选择”。不要写“我按时完成了项目”。要写“项目中期核心成员离职我面临 A 和 B 两种应对方案。我选择了 A因为…虽然这带来了 X 风险但我通过 Y 方法化解了最终不仅按时交付还额外带来了 Z 的优化。” 多使用“尽管…但是…”、“在…压力下”、“在…资源限制下”等句式来凸显你的决策和应对能力。Q5这个系统看起来复杂维护起来会不会很耗时A5它的设计理念是“一次建设长期受益按需使用”。初始化填充可能需要一个下午。之后你只需要日常维护每当完成一个有价值的工作项目或取得成就花 10 分钟更新到profiles/master.md和stories.md。这比年底回忆要容易得多。按需使用只有在需要求职、申请、复盘时才去触发相应的工作流。它更像一个“职业仪表盘”平时静默运行需要时提供强大火力支持。最后我想分享一点个人体会这个工具最大的价值不在于它用 AI 生成了多少文档而在于它强制我进行结构化的职业思考。把模糊的野心变成写在AGENTS.md里的具体目标把零散的成就变成profiles/里可检索、可组合的资产把焦虑的求职变成jobs/applications/下一次次有记录、可复盘的实验。它没有让找工作变得容易但它让这个过程变得清晰、可控、可积累。当你拥有这样一个不断进化的职业数字孪生体时你对自己的认知会远超一份简历而机会往往更青睐那些对自己有清晰认知的人。