写给真正做过项目、但每次投 JD 都要重新改一遍简历的人。
我自己准备 AI Agent、RAG 和 Python 后端岗位时，最麻烦的不是没有项目，而是：同一个项目，投不同岗位要换不同重点；写得太技术，HR 看不懂；写得太泛，面试官又会追问“到底做了什么”。
这个 Skill 做的事情比较朴素：先把做过的事、代码、测试和指标整理成一份证据库，再根据具体 JD 选出最相关的内容，改成能被 ATS 识别、也经得起技术面试追问的简历，最后生成一页 PDF。
它不会把每个人都写成“精通大模型的全栈专家”，也不会凭空补数字。
尤其适合准备下面这些岗位的人：
- 大模型应用开发 / LLM Application
- AI Agent / Agent Runtime / Agent Harness
- RAG / Agentic RAG / Research Agent
- Python / FastAPI 后端
- AI 平台 / 模型网关 / LLMOps
- 计算机视觉、深度学习、时序建模
如果你只想做一份通用的排版模板，这个项目可能有点重；如果你需要针对几十个相似 JD 持续投递，它会比较省时间。
很多简历项目看起来像这样：
熟悉 Python、LangGraph、RAG、MCP、Docker，开发了一个智能 Agent。
面试官看完仍然不知道：
- 具体解决了什么问题？
- 哪部分是你自己做的？
- 为什么选这个方案？
- 出错时怎么处理？
- 所谓“提升”到底怎么测？
这个 Skill 会把项目改成一条更容易解释的证据链：
场景/问题 → 个人动作 → 技术机制 → 结果或边界
例如：
面向本地代码仓库长任务中工具误用和失败难恢复的问题，
实现 AgentLoop、Supervisor/TaskGraph 与 ExecutionPolicy，
接入 ToolGateway、Checkpoint/Resume 和 Docker 沙盒，
固定回归任务 24/24 通过。
这比单独列出十几个框架更能说明项目深度。
简历母版只是展示文件，真正长期积累的是职业证据库。里面记录：
- 实习和项目卡片；
- 个人负责范围；
- 技术机制和设计取舍；
- 测试、实验和部署证据；
- 已知缺口；
- 可以使用的保守表述；
- 面试可能追问的问题。
以后新增一个测试结果或项目功能，先补进证据库，再生成新的岗位版本，不用从头回忆。
每项要求会被分成四类：
| 类型 | 说明 |
|---|---|
| Direct | 直接做过，并且有证据 |
| Transferable | 技术机制可以迁移，业务场景不同 |
| Adjacent | 只有相邻知识或部分实现 |
| Gap | 目前没有可验证证据 |
例如：
- Agent Runtime 岗位优先展示 Repo Coding Runtime；
- RAG 岗位优先展示 PaperTrail；
- AI 平台岗位突出模型网关、权限、审计和部署；
- Python 后端岗位突出 FastAPI、异步任务、持久化和失败恢复；
- CV 岗位再加入论文、数据集和消融实验。
核心写法是 PAR + Tech：
Problem / 场景问题
Action / 个人动作
Tech / 技术机制和取舍
Result / 结果或边界
有真实基线时，再用 XYZ 压缩结果：
改善 X，结果达到 Y，通过 Z 实现。
没有可靠数字时，宁愿写“覆盖了哪些状态、工具、协议和测试项”，也不编造准确率、用户数或上线规模。
第一遍站在 HR/ATS 的角度，看岗位标题、关键词、项目相关性和首屏可读性；第二遍站在面试官的角度，看架构、个人贡献、失败处理、设计取舍和指标口径。
只有两遍都能讲通，才生成最终 PDF。
JD
→ 岗位画像
→ 证据匹配
→ 项目改写
→ ATS/技术面试检查
→ RenderCV/PDF 校验
把整个目录放到：
Windows: %USERPROFILE%\.codex\skills\resume-engineering
macOS/Linux: ~/.codex/skills/resume-engineering
目录结构如下：
resume-engineering/
├── README.md
├── SKILL.md
├── agents/
│ └── openai.yaml
├── scripts/
│ └── render_resume.py
└── references/
├── evidence-ledger-and-writing.md
└── pdf-rendering.md
$resume-engineering
根据这个 JD 生成一份 Agent 开发工程师简历，突出 Repo 和 PaperTrail。
$resume-engineering
只优化 PaperTrail 项目描述，不生成 PDF。
$resume-engineering
把这次测试结果加入证据库，并检查哪些岗位可以使用。
如果已经有确认过的 YAML，直接用 Skill 里自带的渲染脚本：
python scripts/render_resume.py path\to\resume.yaml `
--output-dir path\to\output --stem resume默认只生成 PDF 和 PNG，速度更快；需要 Markdown、HTML、Typst 中间文件时再加
--all。脚本会处理 RenderCV 版本差异、跳过无意义的联网版本检查、隔离临时产物，
并检查 PDF 是否损坏或意外变成多页。
- JD 文本、截图、链接或表格；
- 简历母版 YAML/PDF；
- 项目仓库、README、测试报告、论文或部署文档；
- 已确认的职责、指标、项目时间和公开链接。
- JD 岗位画像；
- Direct/Transferable/Adjacent/Gap 证据矩阵；
- 项目、实习、技能和自我评价文案；
- 重要改写的前后对比及真实性说明；
- 未覆盖要求和面试追问；
- RenderCV YAML、PDF 和一页版式校验结果。
只改几句话时走快速模式，不重复跑项目测试和 PDF 渲染；只有项目事实、JD 或版式发生变化时才做完整校验。
- 不把设计方案写成已经上线的功能；
- 不把固定测试集通过率写成通用模型成功率；
- 不补写没有来源的准确率、用户数和性能收益；
- 不把团队结果全部写成个人贡献；
- 不上传客户敏感信息、个人联系方式、令牌或私人证据库；
- 不照搬他人的简历经历，只借鉴表达结构。
- MIT Resume Writing
- AgentGuide Resume Guide
- ATS Resume Agent
- Resume Tailoring Skill
- Resume Agent Skills
这些项目提供了不少好的工程化思路；本 Skill 只借鉴工作流和表达方式，不复制他人的经历或数据。