把你的实习材料，从“散乱记录”变成“可投简历 + 可讲项目故事”。

Shushu 会先审计成果与证据，再按目标 JD 排序，最后生成简历 bullet、项目总结、STAR 草稿、面试 Q&A 和风险检查清单。

简体中文 · English · 贡献指南 · 更新说明

⚠️ 使用前请先脱敏：不要提交公司内部文档、真实用户数据、密钥、访问凭证，或任何不能公开传播的实习材料。

• 先跑一遍 Demo
• 先看输出示例
• 接入自己的材料
• 命名说明
• 先看安全提醒

很多实习材料的问题不是“没有内容”，而是内容太散：

• 代码仓库里有实现，但简历里讲不清贡献边界
• 项目总结写得很长，但不适合直接压成简历 bullet
• 面试时能回忆细节，却很难稳定讲出一条完整项目故事
• 直接用 AI 总结，容易出现空泛、机械、夸大或证据不足的表述

这个项目的目标不是替你“直接编一份简历”，而是先把原始材料拆开审计，再把可验证的成果、证据、风险和缺口整理出来，最后生成更适合你自己二次确认和改写的求职材料。

• 不是直接“编简历”：先提取证据、指标、职责边界，再生成表达
• 不是统一模板：会结合目标 JD 对成果排序
• 不是只看代码：同时支持 code_repo、project_summary、business_docs
• 不鼓励吹牛：会标记 AI 味、夸大风险和待确认信息
• 不止写简历：同时生成项目介绍、STAR 草稿、追问 Q&A 和投递前检查清单

环境要求：Python >= 3.10

仓库内自带一套可公开提交的最小示例输入，适合先验证命令、输出结构和工作流，再替换成你自己的本地材料。

示例文件：

• examples/minimal_input/sources.json
• examples/minimal_input/project_summary.md
• examples/minimal_input/business_overview.md
• examples/minimal_input/target_jd.txt

git clone https://github.com/Sunanzhe2004/shushu-internship-resume-optimizer.git
cd shushu-internship-resume-optimizer

python -m venv .venv

macOS / Linux:

source .venv/bin/activate
python -m pip install -e ".[dev]"

python -m shushu_internship_tool.achievement_audit \
  --sources examples/minimal_input/sources.json \
  --out demo_reports/audit \
  --name demo-materials

python -m shushu_internship_tool.resume_rank \
  --jd examples/minimal_input/target_jd.txt \
  --achievements demo_reports/audit/achievement_audit.json \
  --target-role llm-application-intern \
  --out demo_reports/rank

python -m shushu_internship_tool.interview_pack \
  --project-notes demo_reports/rank/resume_rank.json \
  --target-role llm-application-intern \
  --out demo_reports/interview

Windows PowerShell:

.\.venv\Scripts\Activate.ps1
python -m pip install -e ".[dev]"

python -m shushu_internship_tool.achievement_audit `
  --sources examples/minimal_input/sources.json `
  --out demo_reports/audit `
  --name demo-materials

python -m shushu_internship_tool.resume_rank `
  --jd examples/minimal_input/target_jd.txt `
  --achievements demo_reports/audit/achievement_audit.json `
  --target-role llm-application-intern `
  --out demo_reports/rank

python -m shushu_internship_tool.interview_pack `
  --project-notes demo_reports/rank/resume_rank.json `
  --target-role llm-application-intern `
  --out demo_reports/interview

跑完后优先看：

• demo_reports/audit/overview.md
• demo_reports/rank/resume_project_summary.md
• demo_reports/interview/interview_qa.md

下面是 README 里直接给你看的示意片段，重点不是“自动生成一堆文件”，而是让你快速判断输出是否像你真的会拿来改、拿来讲。

- 围绕多源实习材料设计成果审计链路，统一整理代码仓库、项目总结与业务背景文档，
  将零散记录压缩为可复用的成果项与证据清单。
- 结合目标 JD 对成果进行排序，优先保留更能体现业务理解、实现深度和可量化影响的内容，
  用于生成更适合简历投递的项目总结底稿。
- 对 AI 味重、证据不足或职责边界不清的表述增加显式风险提醒，
  降低“看起来像写得很好、但追问就露馅”的问题。

Q: 这个项目里你最核心的贡献是什么？
A: 我做的不是直接生成一份简历，而是把原始材料先拆成成果、证据和风险三层，
   这样后面的简历表达和面试回答都能围绕可验证信息展开。

Q: 为什么要加风险提醒？
A: 因为很多 AI 生成表述在“读起来顺”之外，还会出现夸大、空泛和边界不清的问题。
   我希望它先提醒哪些内容需要本人确认，再决定哪些能写进简历。

• 每个成果项对应的证据、指标、业务背景和待补信息
• user_check_flags 标记，提醒哪些表述需要你亲自确认
• 更适合先复盘、再人工压缩进简历的材料结构

主流程：

JD + 多源实习材料 -> achievement_audit -> resume_rank -> interview_pack

可选增强：

business_docs -> doc_knowledge

推荐顺序：

1. 先准备 sources.json，把代码仓库、项目总结和业务背景文档整理进去。
2. 先跑 achievement_audit，确认成果抽取、证据和风险提醒是否合理。
3. 再跑 resume_rank，判断哪些成果最适合当前目标岗位。
4. 最后跑 interview_pack，把结果转成 STAR、项目介绍和面试问答。

最常见的完整链路是：

python -m shushu_internship_tool.achievement_audit --sources your_materials/sources.json --out reports/audit --name internship-materials
python -m shushu_internship_tool.resume_rank --jd your_materials/target_jd.txt --achievements reports/audit/achievement_audit.json --target-role llm-application-intern --out reports/rank
python -m shushu_internship_tool.interview_pack --project-notes reports/rank/resume_rank.json --target-role llm-application-intern --out reports/interview

最小输入结构可以参考 examples/minimal_input：

• sources.json：输入索引，串起 repo、总结和业务文档
• project_summary.md：长一点也没关系，适合先交给工具做拆解
• business_overview.md：帮助补足业务背景、上下游关系和问题场景
• target_jd.txt：目标岗位 JD，用来做成果排序和表达校准

如果你还想让工具辅助理解业务文档，可以额外运行：

python -m shushu_internship_tool.doc_knowledge --docs your_materials/business_overview.md --mode basic_rag --query "What are the main failure modes?" --out reports/knowledge

• 仓库名：shushu-internship-resume-optimizer
• Python package：shushu-internship-tool
• 模块路径：shushu_internship_tool
• Console scripts：shushu-achievement-audit、shushu-resume-rank、shushu-interview-pack
• README 里当前推荐运行方式：python -m shushu_internship_tool.xxx

这样做是为了优先保持当前包结构稳定；如果后续统一命名，会在更新说明里明确写出。

python -m shushu_internship_tool.achievement_audit --sources your_materials/sources.json --out reports/audit --name internship-materials

输出：

• achievement_audit.json
• overview.md
• overview.html
• business_context_rewrite.md

这一层额外会做：

• 长项目总结拆分成多个成果项
• 指标、证据、风险点、待补信息抽取
• user_check_flags 标记，提示哪些表述 AI 味重、边界不清或可能夸大
• 生成更适合自己复盘和面试解释的业务背景改写

python -m shushu_internship_tool.resume_rank --jd your_materials/target_jd.txt --achievements reports/audit/achievement_audit.json --target-role llm-application-intern --out reports/rank

输出：

• resume_rank.json
• resume_rank.md
• resume_project_summary.md

这一层额外会给出：

• 更像简历 bullet 的推荐写法
• 哪些指标最值得补
• 哪些证据或实现细节还不够支撑当前表述
• 哪些句子过于机械、重复或 AI 味偏重

python -m shushu_internship_tool.doc_knowledge --docs your_materials/business_overview.md --mode basic_rag --query "How does the workflow recover failures?" --out reports/knowledge

支持模式：

• direct
• basic_rag
• knowledge_base

python -m shushu_internship_tool.interview_pack --project-notes reports/rank/resume_rank.json --target-role llm-application-intern --out reports/interview

输出：

• interview_pack.json
• resume_star.md
• project_intro.md
• interview_qa.md
• risk_answers.md
• application_checklist.md

相对稳定：

• 多源材料成果审计
• JD-based 成果排序
• 简历项目总结生成
• 面试 Q&A / STAR 草稿生成

持续增强：

• doc_knowledge 知识层
• 更多行业 / 岗位样本
• 更细粒度的 AI 味和夸大检测
• 更完整的测试覆盖

• 不编造数字，没有稳定指标就明确标注“待补量化 / 待补证据”
• 不只看代码，也重视业务背景和上下游流程
• 简历表达按目标岗位校准，而不是统一套模板
• 对 AI 味重或可能夸大的内容做显式提醒
• 优先产出“可投、可讲、可追问展开”的材料

这个仓库基于原项目做了面向“实习简历整理 / 面试复盘”场景的二次开发与定向重构。

当前主流程聚焦于：

achievement_audit -> resume_rank -> interview_pack

可选增强能力：

doc_knowledge

感谢原项目开发者提供基础工作流与思路，原始项目：

• https://github.com/LiuMengxuan04/shushu-internship-tool

如果你想改进成果抽取、简历改写、面试表达、测试覆盖或文档内容，建议先阅读 CONTRIBUTING.md，也欢迎直接提交 Issue 或 PR。

使用这个项目整理实习经历、项目材料或业务文档时，请优先遵守所在公司或团队的安全规范，不要触碰公司安全红线。

尤其不要上传、提交或公开以下内容：

• 未脱敏的内部业务数据
• 公司内部文档、策略、流程细节
• 含有用户信息、账号信息、密钥、访问凭证的材料
• 任何明确不能对外传播的实习内容

如果你想体验测试，建议优先使用脱敏后的材料，或者自己手动改写后的项目总结。