📝 求职文档 Agent · Interview Doc Agent

把零散经历沉淀成「经历库」，一键生成简历和面试逐字稿的 AI Skill。 借鉴 Karpathy 的 LLM Wiki，可在 Obsidian / 飞书 / 各类 coding AI 中使用。

---

三步上手

① 装：下载一个文件

skill 本体就是 SKILL.md 一个文件，不用 clone 整个仓库。

用顺手的AI一键下载指令：

Obsidian（Claudian 插件）

curl -L https://raw.githubusercontent.com/Shilren/interview-doc-agent/main/SKILL.md \
  -o "<你的Vault>/.claudian/skills/生成求职文档.md"

Claude Code

mkdir -p ~/.claude/skills/interview-doc && \
curl -L https://raw.githubusercontent.com/Shilren/interview-doc-agent/main/SKILL.md \
  -o ~/.claude/skills/interview-doc/SKILL.md

飞书：把 SKILL.md 全文粘进「智能伙伴」指令框（详见 docs/03-接入-飞书.md）。

② 喂：放入经历

1. 对 AI 说「帮我初始化」→ 自动建好所有文件夹
2. 把项目经历（任何格式，复制粘贴）放进 materials/
3. 把简历模板放进 templates/简历/（可选，没有就用默认）

③ 用：开口要

你说	它做
「整理进经历库」	把 materials/ 的原始素材整理成完善档案
「写一份简历」	按模板 + 经历库生成简历 → output/
「写小红书项目的逐字稿」	生成简单版+复杂版逐字稿 → output/
「按 jd/ 里的 JD 定制简历」	匹配岗位生成定制版

---

支持哪些 AI

任何「能读写本地文件 + 能多轮对话」的 AI 都能用：

• 非程序员首选：Obsidian + Claudian、飞书智能伙伴
• Coding AI：Claude Code、Cursor、Windsurf、Cline、GitHub Copilot、Aider、通义灵码等

---

它怎么做到省 token 又保质量

三层结构（借鉴 Karpathy LLM Wiki）：

materials/  ──整理一次──▶  经历库/  ──生成──▶  output/
原始素材                  完善档案(单一可信源)   简历/逐字稿
                             ▲
                       jd/ ──定制──┘

生成时先读 wiki/index.md 索引定位，只读相关的 1-2 篇经历，不必每次重喂全部资料 → 省 token；所有产出同源 → 数据永远对齐。

为什么不用 RAG？ 个人经历库整理后通常只有几千到一两万 token，远低于「上下文模式完胜 RAG」的 ~10 万 token 界限。这个量级下直接用上下文最可靠（检索零失败）、零维护（不需要向量库/嵌入/分块）。详见 设计理念。

---

目录结构

├── SKILL.md      # 核心：给 AI 的执行说明（唯一必需文件）
├── templates/    # 模板（简历 / 逐字稿）
├── 经历库/        # 完善经历，生成主来源
├── materials/    # 原始素材
├── jd/           # 目标岗位 JD
├── output/       # 产出
├── wiki/index.md # 检索索引
└── docs/         # 详细教程

详细文档

设计理念 ｜ Obsidian 安装 ｜ 接入飞书 ｜ 使用指南

License & 致谢

MIT（LICENSE）。致谢 Karpathy LLM Wiki、Claudian、autoCVmkr 简历模板。