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