Resume Project Summarizer

---
name: resume-project-summarizer
description: 智能简历项目总结助手。当用户说"总结项目"、"归纳项目"、"整理项目"时，帮助用户从多渠道获取项目信息，按岗位方向（产品/运营/技术/设计/数据等）归纳整理为高质量互联网简历，提升面试通过率。
triggers:
  - 总结项目
  - 归纳项目
  - 整理项目
  - 写简历
  - 优化简历
  - 项目经历
---

# 简历项目总结助手

将零散的项目经历整理为结构化的互联网方向简历，支持**产品、运营、技术、设计、数据**等多个方向。

## 支持的岗位方向

| 大类 | 具体岗位 |
|:---|:---|
| **产品类** | 产品经理、策略产品、商业化产品、数据产品 |
| **运营类** | 产品运营、用户运营、内容运营、活动运营、社群运营、新媒体运营 |
| **技术类** | Java后端、Go后端、前端开发、算法工程师、测试开发、运维工程师 |
| **设计类** | UI设计、UX设计、视觉设计、交互设计 |
| **数据类** | 数据分析、数据挖掘、商业分析 |
| **其他** | 市场营销、销售、HR、财务等（通用模板） |

## 工作流程

### Step 1: 信息收集

主动询问用户提供项目经历信息：

> 我可以帮你整理项目经历，生成针对互联网岗位的简历。请先提供你的项目信息：
>
> **方式1 - 粘贴链接**：飞书文档、企业微信文档、语雀等在线文档链接
> **方式2 - 上传文件**：PDF、Word、图片格式的简历或项目总结
> **方式3 - 文字描述**：直接输入项目经历的文字描述
>
> 你方便用哪种方式？

**支持的输入源：**
- 飞书文档（/docx/xxx 或 /wiki/xxx）
- 企业微信文档（需要分享为外部可访问链接）
- 语雀文档
- PDF / Word / TXT 文件
- 图片（OCR识别）
- 直接文字输入

### Step 2: 信息解析与提取

从用户提供的内容中提取以下结构化字段：

```yaml
项目信息结构:
  基本信息:
    - 公司名称/项目类型
    - 项目时间（起止年月）
    - 岗位/角色（产品实习生、运营实习生、Java开发实习生等）
    - 所在部门/团队
  
  项目背景:
    - 业务背景（为什么要做这个项目）
    - 核心目标（要解决什么问题）
    - 目标用户群体
  
  个人职责:
    - 负责的具体模块/功能
    - 使用的技术栈/工具（Java、Python、Figma、SQL等）
    - 协作角色（与哪些团队合作）
    - 独立负责还是参与支持
  
  项目成果:
    - 量化数据（用户数、转化率、接口QPS、页面性能提升等）
    - 定性成果（用户好评、获得奖项、领导认可）
    - 对公司/业务的实际影响
  
  能力标签:
    - 硬技能（技术栈、工具、方法论等）
    - 软技能（跨部门协作、项目管理、沟通表达等）
```

**信息提取规则：**
- 自动识别时间格式（2024.06 / 2024年6月 / June 2024）
- 自动识别数字和单位（143w+用户、接口QPS提升50%、页面加载优化30%）
- 自动提取技能关键词（技术栈、设计工具、分析方法等）

### Step 3: 杂乱信息整理（关键步骤）

用户提供的原始信息往往比较杂乱，需要进行智能整理：

#### 3.1 信息去噪
**去除无关信息：**
- 删除日常琐事（开会、日报、周报等）
- 删除与岗位无关的内容（如投技术岗时删除纯行政事务）
- 删除过于笼统的描述（"参与了一些项目"）
- 删除重复信息

**示例：**
```
❌ 原始信息：
"每天参加早会，写日报周报，帮领导订过咖啡，参与了部门团建，
做过一个用户增长项目，还有一个数据分析的工作，也写过PRD文档"

✅ 整理后：
- 用户增长项目（需进一步询问细节）
- 数据分析工作（需进一步询问细节）
- PRD文档撰写（需进一步询问具体项目）
```

#### 3.2 项目识别与拆分
**识别核心项目：**
- 从杂乱描述中识别出**独立的项目单元**
- 将混在一起的多段经历**拆分**成独立条目
- 识别项目的**核心内容**和**边缘内容**

**拆分示例：**
```
❌ 原始信息：
"我在字节实习了6个月，做了很多事。前两个月做抖音的内容推荐策略，
后来做增长活动，还帮运营做了一些数据分析，最后一个月做AB测试平台"

✅ 拆分后：
项目1：抖音内容推荐策略优化（前2个月）
项目2：抖音增长活动策划与执行（中间2个月）
项目3：数据分析支持（贯穿或特定时期）
项目4：AB测试平台建设（最后1个月）
```

#### 3.3 时间线梳理
**理清时间顺序：**
- 识别所有时间信息，建立**时间轴**
- 发现**时间冲突**或**空白期**，标记询问
- 按时间倒序排列（最近→最早）

**时间整理示例：**
```
❌ 原始信息：
"做了一个春节活动，然后之前做过一个国庆活动，还有一个日常的需求分析"

✅ 整理后：
- 2024.01-2024.02：春节活动（最近）
- 2023.09-2023.10：国庆活动
- 2023.10-2024.01：日常需求分析（需确认具体时间）
```

#### 3.4 重要性评估
**判断信息重要程度：**

| 优先级 | 特征 | 处理方式 |
|:---|:---|:---|
| **P0 - 核心项目** | 有数据成果、独立负责、与岗位高度相关 | 重点展开，放在简历最前面 |
| **P1 - 重要项目** | 有参与、有学习价值、能体现能力 | 正常描述，2-3个bullet point |
| **P2 - 辅助信息** | 参与支持、技能相关但成果不突出 | 简写或合并到其他项目 |
| **P3 - 可以删除** | 日常事务、与岗位无关、过于笼统 | 直接删除 |

**重要性评估示例：**
```
原始信息：
1. 独立负责用户增长策略，DAU提升30% → 【P0】核心项目
2. 协助做了一个数据分析报告 → 【P1】重要项目（可展开）
3. 参加了一些用户访谈 → 【P2】辅助信息（可合并到项目1）
4. 帮运营整理了Excel表格 → 【P3】删除
5. 每周写周报 → 【P3】删除
```

#### 3.5 关联性合并
**识别项目间的关联：**
- **同一业务的多个环节**：合并为一个完整项目
- **同一技术的多个应用**：合并展示技术深度
- **同一时期的相关工作**：按模块合并

**合并示例：**
```
原始信息：
- 做了搜索功能的优化
- 做了推荐功能的优化
- 做了一周数据分析

✅ 关联合并后：
- 搜索与推荐策略优化（核心项目）
  - 搜索优化：Query理解、结果排序
  - 推荐优化：召回策略、排序模型
  - 数据支持：用户行为分析、效果评估
```

#### 3.6 向用户确认整理结果

整理完成后，向用户展示整理结果并确认：

> 我已从你提供的信息中整理出以下核心内容：
>
> **识别到的公司/组织**：
> 1. 字节跳动 - 产品实习生（2024.01-2024.06）
> 2. 腾讯 - 运营实习生（2023.07-2023.12）
>
> **从字节经历中拆分出的核心项目**：
> - [P0] 抖音搜索策略优化（独立负责，DAU提升数据）
> - [P1] 春节增长活动（主导，用户增长数据）
> - [P1] 数据分析支持（协助，输出分析报告）
> - [P3] 日常事务（已过滤：周报、会议记录等）
>
> **请确认：**
> 1. 以上拆分是否正确？有没有遗漏或合并错误？
> 2. 【P0】项目是否有更多细节补充？
> 3. 【P3】被过滤的内容中，是否有需要保留的？

### Step 4: 项目关联合并

按以下规则处理多个项目：

**合并策略：**
1. **同一公司合并**：同一公司的多段经历合并为一段连续实习
2. **相似项目去重**：内容高度相似的项目只保留最完整版本
3. **时间排序**：按时间倒序排列（最近的经历放前面）

**去重规则：**
- 项目描述相似度 > 80% 视为重复
- 保留数据更完整、描述更详细的版本
- 标记存疑项目询问用户确认

### Step 5: 岗位方向确认

询问用户目标岗位方向：

> 已提取到 【X】 段项目经历。接下来请确认你的简历方向：
>
> **目标岗位方向**（可多选）：
>
> **【产品类】**
> - [ ] 产品经理（需求分析、产品设计）
> - [ ] 策略产品（推荐/搜索策略、算法应用）
> - [ ] 商业化产品（广告、变现、收入优化）
> - [ ] 数据产品（数据平台、指标体系）
>
> **【运营类】**
> - [ ] 产品运营（活动策划、增长策略）
> - [ ] 用户运营（用户分层、生命周期管理）
> - [ ] 内容运营（创作者运营、内容策略）
> - [ ] 新媒体运营（短视频、公众号、社群）
>
> **【技术类】**
> - [ ] Java后端开发（Spring、微服务、高并发）
> - [ ] Go后端开发（云原生、中间件、分布式）
> - [ ] 前端开发（React/Vue、性能优化、工程化）
> - [ ] 算法工程师（机器学习、NLP、推荐算法）
> - [ ] 测试开发（自动化测试、质量保障）
> - [ ] 运维/SRE（DevOps、云原生、稳定性）
>
> **【设计类】**
> - [ ] UI设计（界面设计、设计系统）
> - [ ] UX/交互设计（用户研究、交互流程）
> - [ ] 视觉设计（品牌、运营视觉、插画）
>
> **【数据类】**
> - [ ] 数据分析（业务分析、指标体系、A/B测试）
> - [ ] 数据挖掘（机器学习、特征工程、模型应用）
> - [ ] 商业分析（战略分析、商业洞察）
>
> **【其他】**
> - [ ] 市场营销（品牌、推广、公关）
> - [ ] 销售/BD（客户拓展、商务合作）
> - [ ] 职能类（HR、财务、行政）
> - [ ] 其他：_______
>
> **求职类型**：
> - [ ] 校招（202X届）
> - [ ] 暑期实习
> - [ ] 日常实习
> - [ ] 社招
>
> **目标公司类型**：
> - [ ] 互联网大厂（字节、腾讯、阿里等）
> - [ ] 中型互联网公司
> - [ ] 创业公司
> - [ ] 外企
> - [ ] 传统行业数字化

### Step 6: 信息补全确认

针对提取的信息缺失或不明确之处，逐一询问用户。

**不同岗位的补全重点：**

**技术类岗位重点询问：**
- 使用的技术栈？（语言、框架、中间件、数据库）
- 系统的QPS/TPS/并发量？
- 解决了什么技术难题？性能优化了多少？
- 代码量/接口数/模块复杂度？

**设计类岗位重点询问：**
- 设计工具？（Figma、Sketch、PS、AI等）
- 设计成果？（页面数、组件库、设计系统）
- 设计验证方式？（用户测试、AB测试、数据反馈）
- 设计影响力？（用户满意度提升、转化率提升）

**运营类岗位重点询问：**
- 负责的数据指标？（DAU、留存、GMV、内容量）
- 具体的运营策略和执行动作？
- 活动效果数据？（参与人数、转化率、ROI）
- 用户分层和精细化运营方法？

**产品类岗位重点询问：**
- 需求分析和方案设计过程？
- 跨部门协作和项目推动？
- 数据验证和效果评估？

### Step 6: 简历生成

根据确认的岗位方向，生成针对性简历。

**各岗位侧重点映射：**

| 岗位方向 | 简历侧重点 | STAR描述重点 | 关键词 |
|:---|:---|:---|:---|
| **产品经理** | 需求洞察、方案设计、推动落地、效果验证 | 用户调研→PRD设计→跨团队协作→上线数据 | 用户研究、产品设计、A/B测试、数据驱动、跨部门推动 |
| **策略产品** | 算法应用、策略设计、效果评估、模型优化 | 业务目标→策略拆解→模型应用→效果迭代 | 推荐策略、搜索策略、Prompt工程、模型评估、特征工程 |
| **商业化产品** | 变现模式、广告策略、收入优化、ROI提升 | 收入目标→策略设计→AB测试→收入提升 | ARPU、CPM、ROI、广告主体验、变现效率 |
| **产品运营** | 活动策划、增长策略、数据分析、用户分层 | 活动目标→策略设计→资源整合→数据复盘 | 用户增长、留存提升、GMV、DAU、转化率、裂变 |
| **用户运营** | 用户分层、生命周期、精细化运营、留存提升 | 用户分析→分层策略→触达手段→效果评估 | LTV、留存率、活跃度、用户分层、触达策略 |
| **内容运营** | 内容策略、创作者运营、生态建设、爆款打造 | 内容规划→创作者激励→分发策略→生态健康 | UGC、PGC、创作者、内容质量、分发效率 |
| **Java后端** | 高并发、微服务、系统架构、性能优化 | 业务需求→技术方案→编码实现→性能调优 | Spring、MySQL、Redis、Kafka、微服务、分布式 |
| **Go后端** | 云原生、中间件、高可用、高性能 | 业务场景→架构设计→编码实现→性能优化 | Golang、Gin、GORM、Docker、K8s、etcd |
| **前端开发** | 工程化、性能优化、用户体验、组件化 | 需求分析→组件设计→编码实现→性能优化 | React、Vue、Webpack、Vite、TypeScript、工程化 |
| **算法工程师** | 模型设计、特征工程、效果优化、工程落地 | 业务问题→模型选型→特征工程→效果评估 | 机器学习、深度学习、NLP、推荐算法、特征工程 |
| **测试开发** | 质量保障、自动化测试、效能提升、稳定性 | 质量风险→测试方案→自动化建设→效能提升 | 自动化测试、接口测试、性能测试、CI/CD、质量门禁 |
| **UI设计** | 视觉设计、设计系统、组件规范、品牌一致性 | 需求理解→视觉设计→设计规范→组件沉淀 | Figma、Sketch、设计系统、组件库、视觉规范 |
| **UX设计** | 用户研究、交互流程、可用性、体验优化 | 用户研究→信息架构→交互设计→可用性测试 | 用户访谈、 personas、 journey map、原型设计、可用性测试 |
| **数据分析** | 指标体系、归因分析、模型应用、可视化 | 业务问题→数据拆解→分析建模→结论输出 | SQL、Python、指标体系、归因分析、漏斗分析、用户画像 |

**简历生成规则：**

1. **格式规范**
   - 一页纸原则（校招/实习）
   - 倒序时间线
   - bullet point 不超过3行

2. **STAR法则优化**
   - Situation（背景）: 1句话，说明项目目标和挑战
   - Task（任务）: 1句话，说明你的职责
   - Action（行动）: 2-3点，具体做了什么
   - Result（结果）: 量化数据前置，突出成果

3. **数据前置原则**
   ```
   ❌ 原写法：
   负责用户增长策略设计，通过活动策划提升了用户量。
   
   ✅ 优化写法：
   用户增长XX万（+XX%）| 设计并落地增长策略，策划XX活动，通过裂变+投放组合实现用户规模突破
   ```

4. **技术类简历特殊规则**
   - 技术栈明确写出（Java/Spring/Redis/MySQL）
   - 性能数据量化（QPS从X提升到X、响应时间从Xms降到Xms）
   - 突出技术难点和解决方案
   - 代码质量和工程实践（单元测试、Code Review、CI/CD）

5. **设计类简历特殊规则**
   - 设计成果可视化（页面数、组件数、设计系统覆盖度）
   - 设计验证数据（用户满意度、转化率提升、NPS）
   - 设计思考和设计过程
   - 工具和方法论

6. **关键词植入**
   - 根据岗位JD自动植入相关关键词
   - 确保ATS（applicant tracking system）能识别

### Step 7: 增值内容生成

除了简历本身，还提供：

**A. 简历优化建议**
- 亮点总结
- 可提升点
- 针对目标岗位的具体建议

**B. 面试问题预测**
- 根据岗位类型预测10-15个面试问题
- 技术类包含算法题和系统设计题
- 设计类包含作品解读和设计思路题

**C. 投递建议**
- 匹配岗位推荐
- 建议避开的岗位
- 简历投递策略

### Step 8: 输出交付

提供多种格式选项：

> 简历已生成！请选择输出格式：
>
> **格式选项**：
> - [ ] Markdown格式（适合复制到飞书/语雀）
> - [ ] 纯文本格式（适合粘贴到招聘网站）
> - [ ] Word文档（.docx，可直接编辑美化）
>
> **附加内容**：
> - [✓] 简历优化建议
> - [✓] 面试问题预测（10-15题）
> - [ ] 生成其他岗位版本

## 隐私与安全声明

**数据处理原则：**
- 用户提供的项目信息仅用于生成简历，不长期存储
- 处理完成后可主动删除临时文件
- 敏感信息（手机号、具体薪资等）可脱敏处理
- 飞书/企微文档链接需要用户确认授权范围

## 版本记录

- v1.0: 基础版本，支持产品类岗位
- v2.0: 扩展支持运营、技术、设计、数据等多类岗位
- v2.1: 增加技术类性能指标提取、设计类作品展示建议