构建职业智能中心：用Git与AI打造结构化职业发展系统

1. 项目概述：构建你的私人职业智能中心

如果你和我一样，在职业生涯中积攒了无数个版本的简历、求职信、项目描述，它们散落在电脑的各个角落——Desktop/简历_终版.docx、Downloads/简历_最新版.pdf、OneDrive/求职/简历_针对A公司修改版.docx。每次申请新工作，都是一场痛苦的考古发掘和缝补游戏。更糟糕的是，这种“打地鼠”式的求职，让你疲于应付眼前的机会，却从未真正思考过：我到底想往哪里去？下一个台阶具体长什么样？我和它之间，差的那几步到底是什么？

这就是我决定动手构建resume-intelligence-hub的初衷。它不是一个帮你一键生成漂亮简历的“魔法棒”——市面上这种工具太多了。它是一个“职业操作系统”，一个基于 Git 版本控制的私人知识库。它的核心价值分两部分：一半是“产出”，帮你高效处理求职中的具体任务（定制简历、面试准备）；另一半是“方向”，强迫你明确一个“跳一跳才能够到”的目标职位，并持续分析你与目标之间的能力缺口，让你的每一次求职动作都成为向目标前进的积累，而不是漫无目的的漂泊。

简单说，它把你的职业发展从“手工作坊”升级为“数字化工厂”，不仅有生产线（各种求职任务流程），更有产品路线图（你的职业目标与成长路径）。下面，我就带你彻底拆解这个系统，看看如何从零搭建，并让它真正为你所用。

2. 核心设计哲学：为什么是“中心”而非“工具”？

在深入细节之前，理解背后的设计哲学至关重要。这决定了你使用它的心态和最终效果。大多数求职工具是“任务导向型”的：输入职位描述（JD），输出一份简历。这解决了“一时之需”，但加剧了“信息碎片化”——你又多了一个散落的文件，并且这次修改与上次修改的逻辑可能完全断裂。

resume-intelligence-hub的设计是“中心辐射型”。所有工作都围绕profiles/目录下的几个“源文件”展开。你可以把它们想象成数据库里的“主表”，而每一次针对特定JD生成的简历，都是根据主表数据动态生成的“视图”。这种设计带来了几个非显而易见但至关重要的优势：

2.1 单一事实来源：终结版本混乱

你的核心职业信息只存在于profiles/master.md等少数几个文件中。无论你要申请谷歌的工程师还是小公司的技术负责人，你都不是去修改master.md，而是让 AI 代理读取它，结合目标 JD 的要求，生成一份新的、定制化的简历文档。master.md本身始终保持为最完整、最权威的版本。这从根本上杜绝了“哪个版本最新？”的噩梦。

2.2 定位锁定：让每次申请都指向同一个方向

在AGENTS.md文件的顶部，你需要明确写下你的“拉伸目标”。例如：“目标：在 18 个月内，成为一家 B 轮以上科技公司的技术总监，负责超过 30 人的工程团队，技术栈涵盖云原生与数据平台。” 这个声明会引导 AI 在后续所有任务中（无论是分析差距还是修改简历），都潜意识地向这个目标靠拢。你的求职动作从“发散”变为“收敛”。

2.3 路径引用与敏感信息分离：安全与分享兼顾

verification/目录的设计非常巧妙。它不存储敏感的原始文件（如学位证书、工资单扫描件），而是存储这些文件的路径索引（references.md）以及基于公开信息的交叉核对记录。例如，你可以记录“本科学位证书原件存放于~/SecureDocs/Education/”。这样，整个 Git 仓库可以放心地推送到私有远程仓库进行同步和备份，而不用担心隐私泄露。当需要背调或提交材料时，你能迅速找到原件。

2.4 工作流与存档分离：保持系统清爽

todo.md和changelog.md的分工明确。todo.md只存放待办事项，一旦完成，立即移动到changelog.md并加上日期。这保证了待办列表永远清晰、可执行，而历史记录又完整可查。同样，resumes-archive/和research-archive/是只读的，存放最终输出物，与工作区分离。

我的实操心得：刚开始我试图把所有东西都记在一个文件里，结果很快就变得无法维护。强制进行“进行中”与“已完成”、“源数据”与“输出物”的分离，是保持这个系统长期可用的关键。这就像 GTD（Getting Things Done）方法论在职业管理上的应用。

3. 系统初始化与核心文件详解

让我们打开黑盒，看看这个“中心”里到底有什么，以及如何填充它。初始化过程是通过与 AI 代理（如 Claude Code、Cursor 的 AI）对话完成的，它会引导你完成一个约 7 个问题的访谈，然后自动搭建整个目录结构。

3.1 引导访谈与结构生成

当你首次运行技能，说“帮我初始化一个职业智能中心”时，AI 会问你以下几个核心问题，你的回答将决定系统的初始状态：

1. 首选语言：整个 hub 的模板和输出使用中文还是英文？强烈建议只选一种，保持纯粹。混合语言会给后续的 AI 处理和检索带来不必要的麻烦。
2. 现有材料：你是否有散落的简历、LinkedIn 资料等？AI 可以帮你解析、去重、合并到profiles/master.md中。
3. 所在行业与职能：例如“互联网后端开发”、“金融量化分析”、“学术生物医学”。这用于加载更贴切的行业词汇模板。
4. 当前职级与资历：例如“中级工程师”、“高级经理”。这是差距分析的起点。
5. 是否启用研究轨道：如果你是在校研究员或高校教师，需要同时处理求职（产业界/教职）和基金申请（如国自然、NIH），可以开启此功能。这会生成profiles/research.md和相应的基金模板。
6. 简历输出语言：这可能与 hub 语言不同。例如，hub 用中文管理，但申请外企时输出英文简历。AI 会处理翻译和本地化。
7. 仓库本地路径：你想把这个 hub 放在电脑的哪个位置？

访谈结束后，AI 会瞬间生成上一章中展示的完整目录结构。所有模板文件（在templates/{cn,en}/下）都会被复制到对应位置，并已经填充了引导性问题（[在此描述...]）和示例。

3.2 核心源文件剖析与填充指南

接下来是最关键的一步：填充profiles/下的源文件。这是整个系统的“数据层”。

profiles/master.md- 职业主档案这是你的核心数据库。它不应是一份可以直接打印的简历，而是一份超集。结构通常包括：

• 基础信息：联系方式（注意隐私）。
• 职业摘要：一段 3-4 行的叙述，概括你的核心价值主张、专业领域和职业目标。这应与AGENTS.md中的拉伸目标呼应。
• 经历部分：按时间倒序列出每一段工作/项目经历。关键在这里：每一条描述都使用“Google XYZ 公式”。
  • 格式：动词 + 量化成果 + 通过何种技术/方法 + 为公司/业务带来何种价值。
  • 示例（差）：“负责开发了后台系统。”
  • 示例（好）：“主导了新一代用户鉴权系统的重构，将平均登录延迟降低 60% (从 500ms 至 200ms)，通过采用 JWT 令牌和 Redis 缓存集群，使系统能支撑日均千万级请求，并为公司节省了 30% 的云安全服务费用。”
• 技能矩阵：一个简单的分类列表（如编程语言、框架、工具、软技能）。可以标注熟练程度（精通/熟练/了解）。

注意事项：在master.md中，不要担心篇幅过长。它的目标是“全”。把所有你能想到的、哪怕只有一点关联的经历和技能都放进去。定制化简历时，AI 会帮你做减法、做聚焦。

profiles/skills.md- 能力矩阵深化这是对master.md中技能部分的扩展，采用“T型”或“π型”技能模型进行组织。

• T型：一竖代表你的深度专业领域（如“分布式系统架构”），一横代表你的广度协作能力（如“项目管理”、“产品思维”、“团队沟通”）。
• π型：代表你拥有两个深度领域（如“机器学习算法”和“大数据工程”），加上广度的横。 在这里，你需要详细描述你在每个深度领域的具体能力项、掌握的工具链、以及能证明该能力的项目经历（可引用stories.md中的故事）。

profiles/stories.md- STAR 故事库这是面试准备的弹药库。按照 STAR 情境（Situation）、任务（Task）、行动（Action）、结果（Result）的结构，提前准备好 10-15 个涵盖不同能力点的故事。

• 主题分类：例如“领导力”、“解决复杂技术问题”、“处理团队冲突”、“推动创新”、“在压力下交付”。
• 写作要点：重点打磨A（行动）和R（结果）。行动要体现你的思考过程和具体方法，结果要尽可能量化。每个故事最后可以加一个“复盘要点”，思考哪里可以做得更好，这能在面试中体现你的成长性思维。

profiles/research.md(可选) - 研究档案如果你开启了研究轨道，这里存放你的学术“主档案”：发表论文列表（含摘要、期刊影响因子、个人贡献）、研究方向概述、掌握的实验技术、合作网络等。格式可参考 NSF 或 NIH 的生物草图（Biosketch）。

3.3 定位文件：AGENTS.md的顶层声明

这是系统的“指挥棒”。在文件最开头，用清晰的语言写下：

# 职业智能中心 - 代理指南 ## 当前定位与拉伸目标 - **当前角色**：高级软件工程师 (P5) - **拉伸目标 (1-2级之上)**：技术负责人 (P7) 或 工程经理 (EM)，在数据密集型产品团队中，负责技术规划、跨团队协调和 10 人以上工程师的指导。 - **目标能力画像**：需要加强系统设计能力（尤其是高可用架构）、技术团队管理经验（招聘、绩效、梯队建设）、以及更深入的业务指标理解（从 OKR 制定到技术支撑）。 - **下一季度聚焦**：1. 主导一个跨团队的技术架构升级项目；2. 在团队内启动并主持一个设计评审会；3. 阅读两本关于技术领导力的书籍并输出笔记。 ## 核心工作流触发指令 ...

这个声明不是一成不变的，你应该每季度回顾并更新它。但它确保了 AI 在任何时候为你提供帮助时，都有一个明确的背景和方向。

4. 六大核心工作流实操解析

系统搭好了，数据也灌进去了，接下来看它如何运转。这六大工作流是你与 AI 代理互动的主要场景。

4.1 职业规划与差距分析

触发指令：“我想从高级工程师晋升到技术负责人，请分析我当前档案与目标职位的能力差距，并给我制定本季度的 SMART 计划。”

AI 代理会做什么：

1. 解析目标：基于你提供的目标职位（或它从市场了解到的该职位通用要求），拆解出所需的核心能力维度：技术深度、系统设计、项目管理、团队领导、业务影响等。
2. 交叉比对：深度阅读你的profiles/master.md和profiles/skills.md，将你的经历与目标能力维度进行映射。
3. 生成差距报告：输出一份结构化报告，通常是一个表格：

4. 制定 SMART 计划：针对高优先级差距，提出具体的、可衡量、可达成、相关、有时限的行动建议。例如：“本季度，在现有项目中主动申请负责一次涉及至少两个其他团队的接口设计会议，并撰写设计文档和会议纪要，存档于projects/目录。”

我的实操心得：差距分析最容易犯的错误是“假大空”。AI 最初给我的建议是“学习分布式系统理论”。这没用。我通过追问，让它把建议具体到“在现有系统的某个模块，尝试引入一个简单的分布式缓存（如 Redis），并撰写一份《引入 Redis 对系统性能与复杂性的影响评估》报告”。后者是可执行、可展示的。

4.2 JD 溯源与筛选

触发指令：“帮我寻找过去两周内发布的、与‘云原生技术负责人’相关的职位，地点优先上海和杭州。”

AI 代理会做什么：

1. 多渠道搜索：它会模拟在主流招聘网站、公司招聘页、LinkedIn、特定行业社区进行关键词搜索。它依赖于你赋予它的网络搜索能力（如果 IDE 支持）。
2. 初步筛选与摘要：返回一批职位链接，并附上简短摘要：公司、职位名称、核心要求、薪资范围（如果可见）、发布日期。
3. 深度评估（需手动触发）：你可以将某个 JD 链接或文本丢给它，说“深度评估这个职位是否匹配我的拉伸目标”。它会从技能匹配度、职级跨度、公司发展阶段、成长性等多个角度打分，并给出“强烈推荐”、“可尝试”、“不匹配”的建议及理由。

jobs/market-watch/目录：你可以把感兴趣的公司和职位动态记录在这里，形成一个你长期关注的“市场看板”。

4.3 JD 定制化简历生成

触发指令：“这是 [某公司] [某职位] 的 JD，请基于我的主档案，生成一份针对性的简历和求职信。”

AI 代理会做什么：

1. JD 解析：提取关键词、硬性要求、优先条件、公司文化信号。
2. 智能匹配：从你的profiles/master.md中，挑选与 JD 最相关的经历和技能。它不是简单复制粘贴，而是重组和重写。对于 JD 中强调但你的档案中较弱的部分，它会尝试从其他经历中挖掘可迁移的技能点进行表述。
3. 格式优化：生成一份排版清晰、适合 ATS（申请人追踪系统）解析的简历（通常是 Markdown 或 PDF）。同时，生成一封将你的经历与 JD 要求紧密挂钩的求职信。
4. 存档：自动在jobs/applications/{company}-{role}-{YYYY-MM-DD}/目录下，保存此次生成的简历、求职信以及使用的 JD 原文。这形成了完整的申请记录。

4.4 面试准备

触发指令：“我下周三有一个关于 [某 JD] 的现场面试，请预测可能的问题，并帮我基于故事库准备 STAR 回答。”

AI 代理会做什么：

1. 问题预测：结合 JD、公司信息、职位级别，预测技术问题、行为问题（使用 BEI 行为事件访谈法模型）、系统设计问题、文化契合度问题等。
2. 故事映射：从你的profiles/stories.md中，为每个预测的行为问题推荐 1-2 个最匹配的 STAR 故事，并提示你可以如何微调故事细节以更贴合问题。
3. 技术复习清单：针对技术问题，生成一个你需要复习的知识点清单（例如，“请复习 Kafka 的副本同步机制和 Exactly-Once 语义的实现”）。
4. 模拟问答：它可以扮演面试官，对你进行模拟面试，并根据你的回答给出反馈。

4.5 提交前交叉验证

触发指令：“在我提交这份简历之前，请帮我交叉验证所有关键陈述（如项目数据、技术贡献、获奖情况），对照我的公开信息源（GitHub, LinkedIn 等）。”

AI 代理会做什么：

1. 提取可验证声明：从简历中找出所有量化成果（“提升性能 50%”）、技术断言（“主导了微服务架构迁移”）、身份声明（“获得 XX 奖项”）。
2. 公开信息检索：访问你提供的公开链接（GitHub 仓库、技术博客、LinkedIn 项目描述），试图找到支持这些声明的证据。
3. 生成验证报告：在verification/{date}-web-check.md中记录：
   • ✅已验证：声明 X 在 [某链接] 的 [某部分] 得到证实。
   • ⚠️部分验证/需注意：声明 Y 的精神符合，但具体数字略有出入（简历写“用户增长 10 万”，博客写“近 10 万用户”）。建议统一表述。
   • ❌未找到公开证据：声明 Z 在提供的公开渠道中未找到直接支持。这不一定代表虚假，但提示你：要么准备好向面试官详细解释，要么考虑补充一些公开材料（如写一篇技术文章）来“锚定”这个成就。

这个流程极大地增强了简历的可信度，避免了因记忆模糊或表述不当带来的风险。

4.6 基金申请（研究轨道）

触发指令：“请基于我的研究档案，起草一份国家自然科学基金青年项目申请书的‘立项依据’和‘研究方案’部分。”

AI 代理会做什么：

1. 模板匹配：调用templates/中对应的基金申请书模板（如 NSFC、NIH）。
2. 内容填充：从profiles/research.md中提取你的研究基础、前期成果、论文列表。
3. 结构化写作：遵循Heilmeier Catechism（DARPA 的经典项目评估问题集）的逻辑来构建论述：
   • 你想做什么？（研究目标）
   • 现在为什么能做？（研究现状与你的突破点）
   • 谁需要它？（研究意义）
   • 风险和备选方案是什么？
   • 要花多少钱和时间？
4. 生成草稿：输出符合格式要求的文本草稿，供你进一步精修。

5. 与现有生态的集成与进阶玩法

resume-intelligence-hub是一个框架，它不排斥其他优秀的一次性工具（Skill），反而鼓励你组合使用。

5.1 组合技能工作流

你可以设计一个“求职流水线”：

1. 用本 Hub 进行差距分析和目标设定。
2. 用paramchoudhary/resumeskills@resume-ats-optimizer对 Hub 生成的简历进行 ATS 友好度深度优化（关键词密度、章节排序、格式净化）。
3. 用paramchoudhary/resumeskills@linkedin-profile-optimizer同步更新你的 LinkedIn 个人资料，保持线上线下一致性。
4. 面试通过后，用refoundai/lenny-skills@career-transitions来规划谈薪策略和入职过渡。

5.2 本地化与自定义

• 行业词汇库：templates/下的文件是起点。你应该根据自己行业的“黑话”和评价体系去修改它。例如，游戏行业可能看重“DAU/MAU”、“留存率”、“ARPU”；制造业可能看重“良品率”、“产能”、“供应链优化”。把这些关键词和评价维度提前埋入你的profiles/master.md和技能描述中。
• 自定义工作流：你可以在AGENTS.md中定义自己的快捷指令。例如，如果你经常需要向不同的投资人推销自己，可以加一条：“当我需要准备投资人见面材料时，请从我的主档案中提取关于‘从 0 到 1 打造产品’、‘技术壁垒构建’和‘团队 scaling’的经历，并组合成一段 3 分钟的口头陈述。”

5.3 隐私与版本控制实践

• Git 管理：务必使用私有 Git 仓库（如 GitHub Private, GitLab, Gitee）来托管这个 Hub。这不仅是备份，更提供了完整的版本历史。你可以清晰地看到你的职业档案是如何一步步演进的。
• 敏感信息：永远不要将身份证号、护照号、具体家庭住址、银行账号等写入 Markdown 文件。联系方式留邮箱和 LinkedIn 即可。verification/references.md中的路径指向本地加密磁盘或物理存储。
• 定期快照：在完成一次重大的档案更新或成功求职后，可以打一个 Git Tag，例如v2.0-career-transition-to-manager。这比单纯的提交信息更有纪念和回溯意义。

6. 常见问题与故障排查

在实际搭建和使用过程中，你可能会遇到以下问题：

Q1：AI 代理似乎不理解我的行业，生成的描述很外行。A1：这是初始化时“行业”信息输入过于宽泛导致的。解决方法是：手动深入编辑profiles/master.md和技能描述。大量使用你行业内的专业术语、指标和成果表述方式。然后，你可以直接给 AI 一段你行业内优秀的简历片段，说：“请学习这种表述风格和术语，并用它来优化我档案中的 XX 部分。” AI 的学习能力很强。

Q2：差距分析报告总是很泛泛，比如“需要加强沟通能力”。A2：你需要给 AI 更具体的指令。不要问“我的差距是什么”，而是问：“为了达到 [具体目标职位，例如‘腾讯云产品部技术总监’]，我需要具备哪些可展示、可验证的具体能力？请对比我档案中 [某个具体项目，例如‘XX 云迁移项目’] 的经历，指出我在‘制定跨部门技术标准’这一能力上的具体不足，并建议一个本季度内可完成的、能写进下次简历的具体行动。”

Q3：生成了太多申请记录文件夹，显得杂乱。A3：这是设计使然，旨在保证每次申请的独立性。你可以定期（如每季度）进行归档。在jobs/applications/下创建archive-2024-Q1/目录，将已结束的申请（无论成败）移动进去。活跃的申请留在外层。同时，在changelog.md中记录归档操作。

Q4：STAR 故事库感觉写不出彩，很平淡。A4：STAR 故事的灵魂在于“冲突”和“选择”。不要写“我按时完成了项目”。要写“项目中期核心成员离职，我面临 A 和 B 两种应对方案。我选择了 A，因为…，虽然这带来了 X 风险，但我通过 Y 方法化解了，最终不仅按时交付，还额外带来了 Z 的优化。” 多使用“尽管…但是…”、“在…压力下”、“在…资源限制下”等句式来凸显你的决策和应对能力。

Q5：这个系统看起来复杂，维护起来会不会很耗时？A5：它的设计理念是“一次建设，长期受益，按需使用”。初始化填充可能需要一个下午。之后，你只需要：

• 日常维护：每当完成一个有价值的工作项目或取得成就，花 10 分钟更新到profiles/master.md和stories.md。这比年底回忆要容易得多。
• 按需使用：只有在需要求职、申请、复盘时，才去触发相应的工作流。它更像一个“职业仪表盘”，平时静默运行，需要时提供强大火力支持。

最后，我想分享一点个人体会：这个工具最大的价值，不在于它用 AI 生成了多少文档，而在于它强制我进行结构化的职业思考。把模糊的野心，变成写在AGENTS.md里的具体目标；把零散的成就，变成profiles/里可检索、可组合的资产；把焦虑的求职，变成jobs/applications/下一次次有记录、可复盘的实验。它没有让找工作变得容易，但它让这个过程变得清晰、可控、可积累。当你拥有这样一个不断进化的职业数字孪生体时，你对自己的认知会远超一份简历，而机会，往往更青睐那些对自己有清晰认知的人。