它能做什么
求职最难的不是没经历，是经历跟目标岗位看起来没关系，或者简历改得再花面试一追问就崩。这个 skill 把整条链路走完，缺一不可：
| 阶段 | 做什么 | 产出 |
|---|---|---|
| ① 调研岗位 | 按目标市场选择本地来源，用 WebSearch + 来源分级摸清岗位要什么：核心能力关键词、隐性门槛、最新动态 | 岗位调研.md |
| ② 改简历 | 目标岗位反向定位 + 把真实经历翻译成岗位语言，克制使用迁移叙事，一键生成 docx | 改后简历.docx |
| ③ 准备面试 | 根据调研发现真实轮次 + 每个 bullet 逐条讲解 + 自我介绍/表达训练 + 面后复盘题库，让你被追问也不崩 | 面试准备/ |
开工前会先做一次输入体检：目标岗位、目标市场、JD、简历、投递状态、面试轮次哪些完整，哪些能自动补齐，哪些只能低置信降级。缺 JD 会先找官方招聘页/同岗 JD；轮次不明就只做总览和 bullet 深挖；简历片段不完整就输出素材缺口清单，不编不存在的信息。
交付前还会跑一层质量闸门：检查 source 覆盖、JD 到简历的匹配、简历 bullet 到面试准备的覆盖、每个 claim 的证据等级、轮次依据和公开文件里的标签泄漏。没过红线就不交付，能降级的降级，不能验证的标低置信。
每段的产出都是下一段的输入。方向错了，简历改得再漂亮也没用。
教育学能投金融、心理学能进 AI、文科生能做互联网运营——靠的不是编经历，是翻译。
效果示例
同一个人的简历，改之前 vs 改之后。经历一个字没编，只是翻译成了目标方向听得懂的语言。
| ❌ 改之前 语言堆动作、格式无定位、内容看不出和岗位的关系 | ✅ 改之后 定位头 + 痛点→产品决策→可演示 Demo + 统一专业排版 |
 |  |
上面这对前后简历示例在
examples/文科投AICoding/（内容全部泛化，仅作演示）。
再往后，它会基于改后的简历反推岗位、生成一套分轮次 + 逐 bullet 面试准备（节选）：
完整面试准备示例在
examples/文科投AICoding/。
这就是这个 skill 做的事：不编经历，把你已经有的东西翻译到位，再帮你准备到面试不崩。
怎么用
装好 skill 后，把简历和目标岗位直接 copy-paste 丢给它，一句话就行：
这是我的简历
[贴上简历内容 / 拖入 PDF/Word]，我想申请[公司]的[岗位]，JD 如下[贴上 JD]，帮我准备。
然后它会自动走三步，全程产出文件：
- 调研岗位 — 先判断目标国家/地区，再用本地招聘源、面经源和官方源搜索岗位能力、隐性门槛和最新动态，并标注来源覆盖 →
岗位调研.md - 改简历 — 按调研结论反向定位，把你的真实经历翻译成岗位语言，生成一份排版好的简历 →
改后简历.docx - 准备面试 — 基于调研和改后简历发现实际有几轮、每轮看什么，先把每个 bullet 的讲解、追问、证据和兜底准备好，再补自我介绍、表达训练和面后复盘题库 →
面试准备/
信息不完整时不会直接乱编：能自动搜索/推断的先补齐，补不齐的会标成"低置信/待确认"并降级产出。中间会有关键确认点（简历定稿前、逐 bullet 深挖表、表达状态/自我介绍、分轮次话术前），你过一眼对不对再继续。交付前会做质量闸门和覆盖矩阵检查；简历已经投出去改不了，就直接说"按我简历准备面试"，跳过第 2 步。
示例成品
examples/ 下每个文件夹就是一次完整成品——以岗位命名，含完整交付物（全部虚构，看不出真实背景）：
| 示例 | 跨度 | 看点 |
|---|---|---|
| 文科投AICoding | 文科/Care → AI Coding | 含改前/改后简历截图 + 面试准备，一眼看懂怎么改、什么格式 |
| 文科生投运营 | 文科 → 互联网运营 | 把"学生工作"翻译成运营能力 |
| 非科班投AI产品 | 非科班 → AI 产品 | 简历有水分时，面试怎么拆雷不崩 |
每个文件夹里：
文科生投运营/
├── 岗位调研.md # ① WebSearch 调研结果
├── 改后简历.md # ② 改写后的简历成品
└── 面试准备/ # ③ 总览 + 按真实轮次生成的准备文件
├── 00-总览.md
├── 01-简历bullet逐条深挖.md
├── 02-表达状态与自我介绍.md
├── 03-{已确认或高置信轮次名}.md
└── 99-面后复盘题库.md
仓库结构
get-job/
├── SKILL.md # 三段链路主流程（skill runtime 读这个）
├── references/
│ ├── reliability-playbook.md # 可靠性方法：输入体检 + 自动补齐 + 降级策略
│ ├── resume-playbook.md # 改简历方法：目标定位 + 能力迁移翻译
│ ├── interview-playbook.md # 面试方法：轮次地图 + 逐 bullet 深挖 + 表达训练 + 证据化审计 + 复盘题库
│ ├── quality-gates.md # 交付前质量闸门：P0/P1/P2 + 覆盖矩阵
│ └── regression-evals.md # 回归测试场景：跨市场、缺 JD、已投递、注水 claim 等
├── scripts/
│ ├── generate_resume.py # 把改好的内容渲染成统一模板 docx
│ ├── quality_check.py # 扫描公开交付物的结构和红线词
│ ├── sample_resume.json # 输入示例
│ └── README.md # 脚本用法
├── assets/ # README 用的图（hero / 怎么用 / 前后简历 / 面试准备截图）
└── examples/ # 完整成品（虚构）
├── 文科投AICoding/ # 含改前/改后简历截图 + 面试准备文件
├── 文科生投运营/
└── 非科班投AI产品/
工作原理
核心信念：翻译，不是造假
大多数人改简历的误区是堆关键词或照时间平铺，让招聘的人自己去找匹配点——他不会找。这个 skill 的内核是：
- 目标岗位反向定位——先从 JD 反推这个岗位要的 3-5 个核心能力，当作靶心。
- 能力迁移翻译——把真实经历用目标岗位的语言重述；跨行明显时，少量、自然地点明可迁移性，而不是每段都贴"迁移句"。
- 按真实轮次逐 bullet 面试准备——面试官会顺着简历追问两三层，提前把每个 bullet 的对应讲解、背景、角色、动作、数据口径、二三层追问和兜底都准备好；同时准备不卑不亢的自我介绍、项目逐字稿和面后复盘题库；轮次文件只为用户已确认或 Web Search 高置信发现的轮次生成。
- 输入不完整也能降级处理——缺 JD、缺市场、缺轮次、搜索源不足、简历片段不完整时，先自动补齐或降级，不把所有异常都丢给人工确认。
- 交付前质量闸门——用 P0/P1/P2 标准和覆盖矩阵检查 source、JD 匹配、bullet 覆盖、claim 证据、轮次依据和公开文件红线词；没过不交付。
诚实底线（不可逾越）
- 翻译 ≠ 造假：换角度讲做过的真事是翻译；写没做过的事是造假，一追问就崩。
- 迁移要有真实锚点：每个"可迁移能力"都对应一件真做过的事。
- Rail 不是保证：skill 会追问证据和标注风险，但不能替用户证明输入一定诚实；没有细节支撑的 claim 不能当强事实写。
- 模糊化 ≠ 撒谎："测算方式记不准了"是诚实承认记不清，不是编新谎。
- 背调红线绝不碰：学历、在职时间、职位名一个字不能动。
- "AI 辅助完成"是加分项：诚实讲，比假装资深工程师被追问到崩强一百倍。
安装
基于开放的 Agent Skills 协议，可在 Claude Code、Codex、Cursor、OpenClaw 等兼容 runtime 中运行。
方式一：一行命令（推荐）
npx skills add agentenatalie/get-job.skill
方式二：手动安装——把整个 get-job/ 目录放进你的 skills 目录：
# Claude Code
git clone https://github.com/agentenatalie/get-job.skill ~/.claude/skills/get-job
# Codex / 其他 runtime：放进对应的 skills 目录即可
方式三：作为参考资料——不想装也行，直接把 references/ 下的 playbook 丢给任何 AI，让它按这套方法帮你改简历、准备面试。
使用——装好后直接说：
"帮我调研 [公司][岗位] 并按这份简历改投"（把简历 PDF/Word 丢进来） 或 "按我简历准备 [公司] 的面试"（简历已交也能用）
它会从调研岗位开始，带你走完全流程，产出岗位调研、改后简历和面试准备文件夹。
许可证
CC BY-NC-ND 4.0：可自由分享，但禁止商用、禁止修改后再分发，且必须署名作者。需要商业使用授权请联系作者。
觉得有用就点个 ⭐ Star，让更多在改简历、准备面试的人看到。