Resume Writer

问题 3 — 技术侧重（多选）：

• Hybrid Search / Rerank / MCP 协议 / 可插拔架构 / 多模态 / 可观测性 / 评估体系 / 工程化(TDD) / Agent 扩展 / Skill 驱动全流程
• 建议默认勾选「Skill 驱动全流程」：这是本项目区别于其他 RAG 项目的核心差异化亮点，展示 AI 工程化方法论与全生命周期自动化能力，面试官会对此印象深刻
• 决定：哪 3-5 个亮点写入 bullet points

问题 4 — 特殊要求（自由文本）：

• 示例："往 Agent 方向靠""强调系统设计""中英双版本""5 条 bullet 以内""量化指标建议帮我给"
• 如用户填写了量化指标需求，在 Phase 3 自动建议合理数值

Phase 3: 内容生成

3.1 亮点匹配

从 project_highlights.md 按岗位筛选 3-5 个亮点：

注意：亮点 11（Skill 驱动全流程）是所有岗位方向的通用加分项，展示 AI 工程化思维与全流程自动化能力。无论用户选择哪个岗位方向，当用户勾选了「Skill 驱动全流程」时，必须将亮点 11 纳入最终 bullet points。

用户的"技术侧重"多选结果优先覆盖默认排序。

3.2 四段式内容生成

严格遵循 resume_principles.md 的四段式结构（背景 → 目标 → 过程 → 结果），依次生成四个段落：

段 1：背景

描述项目所属业务场景、服务对象和核心需求。必须基于用户在 Q2 提供的真实业务背景来撰写，而非套用通用模板。

生成策略：

• 用户提供了具体业务背景时：将用户描述的团队职能、信息源类型、现有工具痛点、服务对象等细节全部融入，写出 2-3 句"读起来像真实项目"的背景描述。模式：在[用户的团队/业务]中，[具体信息源]分散于[具体系统]，[具体角色]在[具体场景]中面临[具体痛点]，[现有方案]无法满足[具体需求]。
• 用户选择"通用框架"模式时：聚焦技术叙事，描述为"设计面向企业级场景的通用 RAG 框架"。模式：针对企业知识库场景中[通用痛点]，设计并实现[系统定位]。

具体业务背景示例：

• "在 Windows 平台开发团队中，版本发布相关信息（Release Notes、变更日志、补丁公告、兼容性说明等）分散于多个 Wiki、文档仓库和内部系统，工程师排查版本差异或回答客户问题时需跨系统翻找，现有关键词搜索无法理解语义，导致检索效率低、信息遗漏频发。"
• "在某金融机构合规部门，法规文件和内部政策文档不断增长，合规团队面临跨系统文档检索效率低、条款定位困难的问题，传统全文搜索只能精确匹配关键词，无法理解语义近义表达。"

通用框架示例：

• "针对企业级知识库场景中文档分散、检索精度不足、AI 应用难以接入私有知识的共性痛点，设计并实现了模块化 RAG 检索框架。"

段 2：目标

说明技术目标和改进方向，体现技术判断力。模式：为解决[问题]，目标构建[系统]，实现[核心能力]，达成[预期效果]。

示例：

• "目标构建基于 RAG + MCP 协议的智能知识检索系统，实现精准语义检索与 AI Agent 直接调用私有知识库的能力，将文档问答准确率提升至 90% 以上。"
• "设计多模态智能问答系统，支持医学文档与图表的语义检索，将日均查询响应时延控制在 1 秒内。"

段 3：过程（Bullet Points）

以 4-6 条 bullet 展示关键技术方案和工程实现，每条遵循 resume_principles.md 规则：

1. 动词开头：设计 / 实现 / 构建 / 优化 / 集成 / 主导
2. 三段式：做了什么 → 用了什么技术 → 达成什么效果
3. 夹带关键词：从 resume_principles.md 技术标签表中选取岗位匹配关键词
4. 量化收尾：每条尽量附带数字（文档数 / chunk 数 / 准确率 / 延迟 / 测试数）

段 4：结果

用独立段落总结项目最终成果，集中展示 3-5 个核心量化指标。模式：系统上线后，[指标 1]，[指标 2]，[指标 3]。

示例：

• "系统上线后，检索准确率（Hit Rate@10）达到 92%，端到端查询延迟控制在 800ms 以内，支撑 5000+ 篇文档的实时语义检索，累计处理查询 XX 万次。"

3.3 量化指标

如用户提供了具体数字，直接使用。如未提供，基于项目实际能力建议合理值：

标注"建议值，请根据实际调整"，需用户确认。量化指标须同时出现在过程段 bullet 尾部和结果段汇总中（结果段为最终汇总，bullet 中为分点展开）。

Phase 4: 输出格式

严格按四段式结构输出，模板如下：

**[项目名称]** | [时间段] | [角色]

**背景**：[2-3 句描述业务场景、服务对象、面临的问题/需求]

**目标**：[1-2 句说明技术目标、核心能力、预期效果]

**过程**：
• [Bullet 1：核心架构/检索设计] — 动词开头 + 技术细节 + 效果
• [Bullet 2：关键技术实现] — 动词开头 + 工具/方法 + 量化
• [Bullet 3：工程化/可观测性] — 动词开头 + 实践 + 数据
• [Bullet 4：业务成果/量化指标] — 动词开头 + 指标 + 影响
• [Bullet 5：可选扩展] — Agent/多模态/评估等

**结果**：[2-3 句汇总核心量化指标：准确率、延迟、规模、测试覆盖等]

**技术栈**：[按权重排列的关键词列表]

约束：

• 四段（背景/目标/过程/结果）缺一不可
• 过程段 4-6 条 bullet（除非用户指定）
• 每条 bullet 不超过 80 字
• 结果段必须包含至少 3 个量化指标
• 项目名称默认"智能知识检索与问答系统"（用户可改）

Phase 5: 迭代与面试准备

1. 展示初稿，询问反馈
2. 根据反馈调整侧重、措辞、篇幅
3. 主动提供面试追问预测（3-5 条），例如：
   • "BM25 和 Dense 检索的权重怎么调的？RRF 的 k 参数选多少？"
   • "为什么选 Chroma 不选 Qdrant？什么场景下会切换？"
   • "Rerank 失败时怎么回退？回退后准确率下降多少？"
   • "你的 Ingestion Pipeline 如何保证幂等性？"
   • "MCP 协议相比直接 REST API 有什么优势？"
4. 如需英文版，提供翻译

放大策略

底线：不声称使用了项目中未实现的技术（如 CLIP、FAISS），不声称完成了标记为"未来扩展"的功能。

反模式检查

输出前检查简历不包含：

• 泛化描述（"负责大模型相关工作"、"参与 RAG 系统开发"）
• 工具堆砌（列工具名不解释作用）
• 缺失量化结果
• 被动语态（"参与"、"协助"、"了解"）
• 过长无主线的过程描述
• 面试中无法自圆其说的声称