AI 改简历别再闭眼用了：这个开源项目，改一句、代码验一句

面试官顺着简历问下去，你答不上来的那一行，很可能是 AI 帮你改的。

让模型按岗位描述改简历，它很容易把 JD 里的词往你的经历上贴。JD 里写 Kubernetes，你只是用过 Docker，改完那一行就可能变成「熟悉容器编排」。贴得准，叫匹配；贴过头，就是面试里那个答不上来的问题。

Resume Matcher 这个开源项目，管的是后面这半截。目前 2.8 万 Star，Apache 2.0，装在自己的机器上，简历默认存在一个 SQLite 文件里。星是仓库从 2020 年攒到现在的；最早做的是简历和 JD 的相似度匹配，2025 年旧版存档，新代码另起一条线。名字还叫 Matcher，现在主要做的是定制和导出。

它的做法是把写作和核对分开。模型负责改，代码负责验。

立一份主简历

整个流程从一份主简历开始。

你把现有的简历（PDF 或 DOCX）传进去，它解析成结构化字段，联系方式、摘要、工作经历、项目、教育、技能。之后每投一个岗位，都从这份主简历里取内容，生成一份定制版。目前最多五份主简历，够你把不同方向分开投；其中一份设为默认，定制版可以有很多份。

每投一个岗位就改一版，改到第十版，你已经分不清哪句是最初写过的。主简历的作用就在这儿。不管改多少版，内容都从同一份底稿里取。

后面的核对有没有参照物，取决于主简历。有了它，新增的数字、工具名、技能，都能拿回去查，看原来那版里到底有没有这个词。

简历也能从零开始建。它有一个对话式向导，一段段问你的经历，边问边成稿。

改一句，验一句

定制时的提示词写得很硬。不许加主简历里没有的技能、工具、证书；不许编数字；不许加主简历里没有的公司名、产品名、技术名词。

提示词降低概率，降不到零。同一个模型，同样的提示词，今天不编，明天可能编。

目前的 1.4 版本加了一道自查流程。代码规则先扫一遍摘要和每条经历，标出三类句子——有破折号的，开头是 Responsible for 和 Helped with 这类说法的，只写动作没写结果的。被标出的句子交给模型改一次，改完先跟原句对，数字不能多也不能少，名字、工具、技能不能增删。对不上，这次改动直接丢掉。

原句是「把结算服务的响应时间从 800ms 降到 300ms」，改写版多出一个「40%」，这一版就进不了简历。改动不会直接落到简历里，而是以 diff 的形式列出来，你逐条过。

补关键词走另一条路。主简历里出现过的词，它直接补进去；主简历里没有的，界面会让你亲手确认一句「我有这个」。确认之后，这个词只进技能栏和最多两行经历。缺的词列在一边，主简历里已经有的列在另一边。

这个设计里，两件事分得很清楚。你有没有这个技能，由你确认；你有没有把它写进去，由代码检查。

我最看重的是这道核对。模型越强，越需要一道不依赖模型的检查。

把打分交给代码

ATS 是招聘方筛简历的那套系统。Resume Matcher 的 ATS 分数不调用模型。解析不出来的简历，招聘的人可能看不到。

五项加权，权重写在代码里。

如果分数由模型给，同一个岗位、同一份简历，今天 79，明天 83，这种分数没法用来判断改得对不对。

关键词和标题占得多，因为很多招聘方筛简历时，最先看的就是这两样；日期格式单独占 10%，因为格式混着写，解析器会把工作年限算错。

关键词匹配认中文，中文词按子串算，英文词按词边界算，java 不会命中 javascript。

那张 JD Match 的截图里，项目示例简历的总分 79.2，岗位标题匹配只有 20 分，是五项里最低的。它没有替你把标题改成 JD 上的写法，只在建议里写了一句：按标题字面筛人的招聘方不少，同义词会被漏掉；要改，去 Builder 里自己改。

分数因此低了一截，但头衔不会在你不知情的时候被换掉。

ATS Check 做的是另一件事。它把你导出的 PDF 重新解析一遍，用的是 pdfminer，跟招聘系统里的文本提取器一个路子。文字层够不够，有没有乱码，多栏、表格、文本框、页眉页脚、联系方式、章节标题，一项项列出来。

很多简历栽在 PDF 上，字却没被提取出来。

两栏模板最容易串行，解析出来的顺序可能是一行左、一行右。

写作质量另有一个 0 到 100 的分，在 Builder 的 Writing 标签里，按固定规则打分，改完看前后对比。

从主简历到 PDF

主简历、按岗位定制、封面信、面试准备、导出 PDF，是一条完整的线。队列页可以一次贴进多个 JD，后台一个一个跑，中间可以设冷却，避开服务商的限流；队列存在数据库里，重启不丢。

封面信走同一套，默认 200 到 300 词，名字、数字、公司信息都要有出处；面试准备也从简历里的经历出发。

模板 10 套，A4 和 Letter 两种纸张，导出的 PDF 带文字层；其中 7 套有可编辑的 LaTeX 工程——能直接放进 Overleaf。

界面 7 种语言。中文要留意字体，Docker 镜像里带了 Noto CJK，不用 Docker 的 Linux 机器要自己装一套，否则 PDF 里的中文会变成方框。

1.4 还加了一条路：MCP。MCP 是让 agent 调用外部工具的协议，Claude Code、Cursor、Codex 可以直接驱动它。agent 负责写，Resume Matcher 负责存、验、打分、渲染，不用另配 API key。改完可以直接要一份校验结果，不合格就再来一遍。

agent 不保存你的简历库，也不跑解析检查。这两件事留在 app 里。

装起来要两个终端，后端用 uv，前端用 npm；Windows 的步骤在 SETUP.md 里单列了一节。

Resume Matcher 不适合谁

安装要终端。Python 3.13、Node 24（.nvmrc 里卡到 24.22.1）、uv。README 里写着，它是给写软件的人做的；不熟终端、版本不对，第一步就得先折腾环境。

云端模型会把简历文本发出去。数据默认存在你自己的 SQLite 文件里；推理走不走外网，取决于你选哪家。只有 Ollama 这种本地模型，简历才真的不出机器。

ATS 分数跟招聘系统里的真实评分不是一回事。HR 怎么想，它测不了。

事实核对是词法级的。新数字、新工具名、新技能会被拦下，把同一件事换个说法写得更漂亮，它拦不住。最激进的那档改写——项目自己标了幻觉警告。

模板和写法是给英文技术简历准备的。Deedy、LaTeX 那几套，投外企和海外岗位合适；中文简历的排版习惯，不一定对得上。

如果你一年只改两三次简历，ChatGPT 够用，改完自己逐句核一遍就行。如果你在密集投递，或者简历里有不方便外传的东西，把它跑在自己的机器上，至少新增的数字和工具名，会先被代码拦一道。

换成我，会先跑 ATS Check，看它把你这份简历的 PDF 解析成什么样。

AI 可以替你写简历，但「这句是不是真的」，最好别由模型自己回答。

GitHub  https://github.com/srbhr/Resume-Matcher
官网    https://resumematcher.fyi

这篇讲的项目在这：Resume-Matcher · 仓库

这篇同期刊在我的公众号 Jim Gadget。回「我认可的」