前言¶

给大模型接一个”简历评分”能力时，常见做法是把整份简历丢进上下文，让模型自由发挥。问题是简历动辄一两千字，评分又需要逐项对照标准，token 成本高且结论不稳定：同一版简历换个 prompt 可能差十几分。

简历体检官（@user_04c33885/resume-scorer）是 SkillHub 上的社区 Skill，把评分拆成两层：结构、量化、动词这类可判定的项目交给脚本零 token 打分，LLM 只在表述层面补评和给改写示例。下面介绍它的模型、架构和使用方式。

这是什么¶

简历体检官是一个简历综合评分与优化建议工具，由社区开发者 user_04c33885 发布，当前版本 1.0.0，分类为 content-creation。它解决的问题是：简历投出去没有回音时，往往不是经历不够，而是经历没有写成 HR 和 ATS 能识别的语言。该 Skill 对用户提供的简历做结构化评分，并对低分模块直接给出改写示例。

评分模型基于 Harvard 职业中心等权威求职指南建立，采用 6 大模块 × 3 个质量维度（清晰度、完整度、重点突出度）= 18 个评分点的矩阵，总分 100，逐项打分。

核心功能¶

1、18 维矩阵评分。六大模块各自从清晰度、完整度、重点突出度三个维度打分，共 18 个评分点，合计 100 分。评分标准来自 Harvard 职业中心等权威求职指南，不是模型即兴发挥。

2、逐条改写而不是空泛建议。低分模块直接给出”强动词 + 数据化”的改写示例，形式是原句与改写句的对照。例如把”负责用户运营”改写为带具体动作和结果的表述，用户可以直接套用。

3、混合架构控制成本。结构、量化、动词由脚本确定性判定，这部分不消耗 token；LLM 只做表述层补评。官方资料称这种分工的目的是让单次成本可控。

4、复杂排版识别。支持 PDF、Word、纯文本三种输入。自动识别双栏等复杂排版，并在识别到复杂结构时触发全量评估。

安装与启用¶

官方 SkillHub 页面未给出可直接核实的安装命令或目录配置。该 Skill 标记为 requires_api_key=false，即使用时无需配置 API key。安装和启用方式以官方页面为准：

https://www.skillhub.cn/skills/user_04c33885/resume-scorer

典型用法¶

把简历文件交给 Skill，由它完成解析、评分和建议。官方资料列出的触发方式如下：

1、用户明确要求评分：”帮我评分简历”“看看我的简历怎么样”“简历打分”“评估简历”；
2、用户要求优化：”优化我的简历”；
3、英文场景：”resume review”；
4、用户直接提供简历文件并要求评价。

流程上先由脚本完成 18 项的确定性评分，再由 LLM 针对低分项生成表述层建议和原句到改写句的对照。支持 PDF、Word、纯文本格式；双栏等复杂排版在解析阶段被识别，随后触发全量评估。

适用场景与注意¶

适合的场景：个人求职者对自有简历做体检，或者开发者把简历评分能力嵌入自己的产品，希望评分标准稳定、单次调用成本低。模型来源是权威求职指南，评分口径有据可查。

需要注意的点：

1、输入格式限定为 PDF、Word、纯文本。图片输入未在官方资料中列出，不要假定支持。
2、评分是模型驱动的结构化打分，改写建议基于表述优化，不构成对求职结果的承诺。
3、官方页面当前安装数为 0、下载 819，属于较新的社区 Skill，实际效果建议先用一份简历自测。
4、不同平台（Cursor、Codex CLI、Claude Code 等）对 Skill 的加载机制不同，官方资料未分别说明，启用前以各平台文档为准。

结语¶

简历体检官的价值在于把”评分标准”和”表达建议”分开处理：前者交给脚本保证一致性和低成本，后者交给 LLM 产出可执行的改写对照。对需要稳定、可复现的简历评估能力的场景，这是一个可以优先试的社区 Skill。

官方地址：https://www.skillhub.cn/skills/user_04c33885/resume-scorer