Resume Score for the resume

---

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： 1. 先按100分AI评分体系给简历打分（能力分） 2. 识别简历所属行业（金融、前端、建筑等） 3. 用等价系数换算：行业等价分 = 能力分 × 该行业系数 4. 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）： 1. 补充 GitHub/LinkedIn，并在简历中展示开源贡献 2. 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%」 3. 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