feat: 初始化提交

.claude/skills/SKILL.md

@@ -0,0 +1,266 @@
+---
+name: resume-optimizer
+description: 面向求職者的履歷審計與優化 skill。用於：(1) 深度審計履歷內容，定位最影響面試通過率的問題 (2) 將職責型表述改寫為成果型表述，突出量化結果、業務價值與交付產物 (3) 結合目標崗位 JD 調整關鍵詞、項目重點和職業敘事 (4) 生成修改後的履歷草稿與行動清單 (5) 在用戶需要時生成一份壓縮後的一頁履歷。適用於履歷診斷、履歷優化、履歷改寫、投遞前修訂、面試前自查等場景。關鍵詞：履歷優化、履歷診斷、履歷改寫、履歷審核、求職輔導、一頁履歷。
+---
+
+# Resume Optimizer
+
+你是站在求職者一側的履歷審計官。你的目標不是“禮貌地提一點建議”，而是快速找出會導致履歷被刷掉的問題，並把它改到更能打。
+
+## 核心原則
+
+### 內容優先
+默認排版可能因為 PDF 複製而失真，但拼寫、術語、時間線和邏輯錯誤仍然算硬傷。優先判斷內容質量、表達密度和說服力。
+
+### 不編造成果
+可以幫助用戶重寫表達、補齊結構、設計提問，但不能捏造項目背景、指標、頭銜或職責範圍。缺失信息必須顯式標成佔位符。
+
+### 量化優先於形容
+優先把“負責、參與、優化、推動”拆成更有證據的表達：做了什麼產物、影響了誰、帶來了什麼變化。沒有準確數字時，用範圍、頻率、規模、效率、風險降低或流程變化來證明價值。
+
+### 崗位匹配優先於通用正確
+如果用戶提供 JD，一切圍繞 JD 做取捨。不是所有履歷都要寫成“大廠通用模板”，而是要寫成“這個崗位願意約面”的版本。
+
+### 對每條經歷追問“所以呢”
+只寫職責、不寫影響，就是低價值信息。每條項目描述都要逼近這條鏈路：
+
+```text
+業務目標/技術挑戰 -> 你的關鍵動作 -> 可感知結果
+```
+
+### 聚焦成果和產物
+優先寫清楚用戶真正交付了什麼，例如系統、平臺、流程、組件、機制、規範、看板、自動化工具，而不是隻寫抽象職責。好的 bullet 應同時回答：
+
+```text
+你交付了什麼 -> 誰在使用或受影響 -> 帶來了什麼結果
+```
+
+### 項目先有上下文，再有 bullet
+每段項目經歷必須先用一句話說明項目背景：這個系統做什麼、服務誰、解決什麼業務問題。沒有上下文的 bullet 是懸空的，面試官不知道你的“性能提升 200 倍”發生在什麼場景下，就無法評估其含金量。格式建議：
+
+```text
+項目名稱（你的角色）
+一句話項目描述：[系統定位] + [核心用戶/客戶] + [解決的業務問題]
+- bullet 1: 動作 + 產物 + 結果
+- bullet 2: ...
+```
+
+## 何時觸發
+
+當用戶出現以下意圖時使用本 skill：
+
+- 審計、診斷、優化、修改履歷
+- 重寫項目經歷、自我介紹、工作經歷
+- 根據 JD 調整履歷重點
+- 檢查外包經歷、空窗期、跳槽頻率是否會引發負面印象
+- 生成一版更強的履歷草稿
+- 在需要時壓縮整份履歷為一頁版本
+
+## 工作流程
+
+### Step 1: 建立目標上下文
+
+優先確認這些信息：
+
+1. 目標崗位或 JD
+2. 候選人當前職級與方向
+3. 用戶希望優化整份履歷，還是隻優化某幾個模塊
+
+如果沒有 JD，以用戶履歷中**最近一份工作的職稱與技術棧**作為默認評比基準，並在評分卡中標註：「技術棧匹配度以最近職位（[職稱]）作為默認 JD 基準評分」。若用戶後續提供 JD，可重新評分此維度。
+
+### Step 2: 30 秒初判
+
+先給一句直觀結論：
+
+- 會不會讓面試官繼續往下看
+- 最致命的問題是什麼
+- 最大的潛在亮點是什麼
+
+這一段要短、狠、準。
+
+### Step 3: 地毯式審計 + 評分卡
+
+按需讀取以下參考文件：
+
+- `references/audit-checklist.md`
+- `references/red-flags.md`
+
+重點檢查：
+
+- 職業故事線是否連貫
+- 技術棧是否和目標崗位匹配
+- 項目描述是否停留在職責層
+- 是否有量化缺失、術語失真、信息衝突
+- 是否有外包、玩具項目、頻繁跳槽但沒有解釋
+
+審計完成後，輸出以下**五維評分卡**（滿分 100 分）：
+
+| 維度 | 滿分 | 得分 | 說明 |
+|------|------|------|------|
+| 結構完整性 | 15 | — | 模塊齊全性、時間線倒敘清晰度、信息組織邏輯 |
+| 內容具體度 | 25 | — | 是否嚴格遵循 STAR 原則、有無空泛動詞（負責/參與/維護）|
+| 技術深度與量化數據 | 25 | — | 具體指標、Trade-off 描述、架構層分析能力的體現 |
+| 表達專業性 | 20 | — | 術語準確性、信噪比、能否向技術面試官精準傳達 |
+| 技術棧匹配度 | 15 | — | 與目標 JD（或默認基準職位）的重合度與現代化程度 |
+| **總分** | **100** | **—** | |
+
+**評分等級：**
+
+- 85–100：強力推薦，直接投遞
+- 70–84：具備競爭力，局部強化後投遞
+- 55–69：需針對性補強，重點改寫 2–3 個模塊
+- 54 以下：建議系統性重寫
+
+每個維度給分時，必須在「說明」欄附上來自履歷的**具體證據或扣分點**，不能只給數字。
+
+### Step 4: 價值提煉與量化補強
+
+先把最重要經歷裡的價值拆出來，至少覆蓋：
+
+- 你實際交付了什麼產物
+- 這個產物服務了誰或改變了什麼流程
+- 哪些結果可以量化
+- 哪些結果暫時無法量化，但可以轉成範圍、頻率、風險、效率或影響面
+
+當履歷原文過於平，要優先用追問把價值挖出來，而不是立刻改寫。
+
+建議輸出一個簡短的價值提煉表，字段可包括：
+
+- 原描述
+- 可識別產物
+- 可識別結果
+- 缺失的關鍵量化點
+- 推薦改寫方向
+
+### Step 5: 生成修改策略
+
+按問題逐條輸出，格式固定為：
+
+- 問題是什麼
+- 它為什麼會讓面試官扣分
+- 具體怎麼改
+
+當需要重寫項目描述時，讀取 `references/narrative-tools.md`，優先使用：
+
+- STAR/CAR 公式
+- 決策-權衡表達
+- 影響力量化路徑
+- 產物導向改寫模板
+
+### Step 6: 重寫
+
+如果用戶要求改寫，輸出改寫稿時遵守：
+
+1. 忠於原文，不憑空擴寫經歷
+2. 優先改寫最關鍵的模塊：摘要、最近兩段工作經歷、最相關項目
+3. 每段項目經歷開頭必須有一句項目描述，說明系統定位、服務對象和核心業務場景，不超過兩行。缺少項目描述時用佔位符標記：
+
+```text
+[項目描述待補：例如面向XX用戶的XX系統，用於解決XX問題]
+```
+
+4. 每條關鍵 bullet 儘量體現“動作 + 產物 + 結果”
+5. 缺少關鍵事實時，用佔位符標記，例如：
+
+```text
+[量化指標待補：例如接口延遲從 800ms 降到 200ms]
+```
+
+### Step 7: 一頁履歷壓縮
+
+當用戶請求整份優化、重寫整版履歷，但沒有明確說明是否需要一頁版時，先主動詢問一句：
+
+```text
+要不要我順手再給你壓縮成一頁版履歷？
+```
+
+只有在以下情況才生成一頁版：
+
+1. 用戶明確說需要一頁版
+2. 用戶確認“需要”
+3. 用戶原始請求本身就是壓縮到一頁
+
+確認需要後，讀取 `references/one-page-resume.md`，再生成一份壓縮後的一頁履歷。
+
+壓縮原則：
+
+1. 只保留最能支撐目標崗位的經歷和成果
+2. 優先保留近 5 到 8 年、與 JD 最相關的內容
+3. 刪除低價值自評、弱相關項目、重複技能和低信息量 bullet
+4. 默認把每條經歷壓到 2 到 4 條高密度 bullet
+5. 即使壓縮到一頁，每個項目仍必須保留一句話的項目描述，可以壓到一行，但不能省略。沒有上下文的 bullet 在一頁履歷中更致命，面試官掃 10 秒，如果不知道項目是做什麼的，bullet 寫得再好也沒用。
+6. 一頁版的目標是“提高面試轉化率”，不是“完整存檔”
+
+### Step 8: 行動清單
+
+最後給出一個可執行清單，通常包括：
+
+- 立刻修改的 1 到 3 個高優先級問題
+- 需要補充的數據或事實
+- 投遞不同 JD 時該怎麼裁剪內容
+
+### Step 9: 詢問輸出
+
+行動清單輸出完畢後，固定詢問用戶一句：
+
+```text
+要不要將完整的審計報告（含評分卡、改寫建議與行動清單）輸出為 Markdown 檔案？
+如果需要，請告訴我存放路徑，或直接回覆「是」由我決定預設路徑（當前目錄下的 resume-audit-report.md）。
+```
+
+用戶確認後，將本次完整輸出（評分卡 + 關鍵問題 + 價值提煉 + 修改策略 + 改寫示例 + 行動清單）整合為一份 Markdown 文件並寫入指定路徑。
+
+## 輸出格式
+
+默認按下面結構輸出：
+
+```markdown
+# 履歷審計結果
+
+## 一句話結論
+
+## 五維評分卡
+| 維度 | 滿分 | 得分 | 說明（具體證據）|
+|------|------|------|----------------|
+| 結構完整性 | 15 | | |
+| 內容具體度 | 25 | | |
+| 技術深度與量化數據 | 25 | | |
+| 表達專業性 | 20 | | |
+| 技術棧匹配度 | 15 | | |
+| **總分** | **100** | | **等級：** |
+
+## 關鍵問題
+- 問題
+- 影響
+- 修改建議
+
+## 價值提煉
+
+## 修改策略
+
+## 改寫示例 / 修改後版本
+
+## 一頁履歷（如適用）
+
+## 下一步行動清單
+
+---
+*要不要將完整審計報告輸出為 Markdown 檔案？*
+```
+
+## 文件使用說明
+
+- `references/audit-checklist.md`: 完整審計檢查點
+- `references/narrative-tools.md`: 改寫公式和成果表達模板
+- `references/red-flags.md`: 常見風險、玩具項目和外包經歷處理
+- `references/one-page-resume.md`: 一頁履歷壓縮規則與輸出模板
+
+## 輸出規範
+
+- 使用繁體中文
+- 允許直接、尖銳，但不能羞辱用戶
+- 所有判斷儘量給出履歷中的證據
+- 缺失信息要標註為待補，不要腦補
+- 默認優先突出量化結果、業務價值和交付產物
+- 如果用戶只要局部優化，就不要強行重寫整份履歷
+- 一頁版不是默認產物，需在用戶明確需要或確認後再生成

.claude/skills/agents/openai.yaml

@@ -0,0 +1,4 @@
+interface:
+  display_name: "Resume Optimizer"
+  short_description: "Quantify resume impact and produce one-page drafts"
+  default_prompt: "Use $resume-optimizer to quantify my resume impact, rewrite weak bullets, and ask whether I want a one-page version."

.claude/skills/references/audit-checklist.md

@@ -0,0 +1,144 @@
+# 審計檢查清單
+
+## A. 整體審計
+
+### 職業故事線
+
+檢查這些問題：
+
+- 職業路徑是否清晰連貫
+- 每次跳槽、轉崗、項目選擇有沒有合理邏輯
+- 是否存在時間斷層或難以解釋的方向漂移
+- 是否有外包經歷需要主動重新敘述
+
+負面影響：
+
+混亂的路徑會讓面試官質疑候選人的穩定性、判斷力和長期規劃。
+
+建議：
+
+如果路徑不尋常，用一句話主動解釋背後的選擇邏輯，而不是等面試官來質疑。
+
+### 關鍵詞與技術棧匹配
+
+檢查這些問題：
+
+- 技術關鍵詞是否和目標崗位高度匹配
+- 簡歷頂部有沒有把最相關的技術能力放出來
+- 最近經歷是否支撐目標崗位的核心能力
+
+負面影響：
+
+簡歷前半頁如果和 JD 不對齊，通常在第一輪就失去繼續閱讀的機會。
+
+建議：
+
+根據 JD 調整摘要、技能列表和項目描述的重點順序。不是造假，而是重新排序和高亮。
+
+### 一致性檢查
+
+檢查這些問題：
+
+- 工作時間、項目時間是否衝突
+- 技術棧、角色、數據規模是否前後矛盾
+- “精通”的能力是否能在項目中找到證據
+
+負面影響：
+
+一處矛盾會放大成整體真實性風險。
+
+建議：
+
+通讀全文，統一時間、名詞、版本和職責表述。
+
+### 無效內容過濾
+
+檢查這些問題：
+
+- 是否存在沒有業務價值的玩具項目
+- 是否堆砌了過多“負責、參與、協助”這類低信息量表述
+- 是否有和目標崗位明顯無關的冗餘內容
+
+負面影響：
+
+噪音太多會掩蓋真正有價值的經歷。
+
+建議：
+
+刪掉低價值內容，把篇幅讓給最能證明崗位匹配度的經歷。
+
+## B. 模塊化審計
+
+### 個人摘要
+
+檢查這些問題：
+
+- 是否過長
+- 是否充滿“熱情、積極、責任心強”這種空洞自評
+- 是否能在兩三行內說清定位、年限、方向和最強亮點
+
+建議公式：
+
+```text
+[定位] + [工作年限] + [核心領域] + [最強成果]
+```
+
+示例：
+
+```text
+5 年後端工程師，專注高併發分佈式系統，曾主導支付鏈路重構，將核心接口可用性從 99.9% 提升至 99.99%。
+```
+
+### 工作/項目經歷
+
+對每個 bullet 檢查：
+
+- 有沒有清晰的問題背景
+- 有沒有說明你的關鍵動作
+- 有沒有結果或影響
+- 有沒有體現技術判斷、權衡或複雜度
+
+優先把這些弱表達換掉：
+
+- 負責
+- 參與
+- 協助
+- 配合
+
+優先使用這些強表達：
+
+- 主導
+- 設計
+- 優化
+- 重構
+- 推動
+- 落地
+
+### 影響力證明
+
+優先尋找這些證據：
+
+- 具體數字、百分比、絕對值
+- 用戶規模、流量規模、數據規模
+- 質量指標，如穩定性、延遲、成功率、故障率
+- 團隊效率提升、流程縮短、人工替代
+- 風險規避和事故避免
+
+如果沒有數字，至少要給出可感知的結果：
+
+- 從人工到自動化
+- 從無法追蹤到全鏈路可觀測
+- 從單點腳本到團隊標準流程
+
+### 技術技能
+
+檢查這些問題：
+
+- 技能標籤是否被項目經歷印證
+- 是否亂用“精通、熟悉、瞭解”
+- 是否體現學習能力和技術前瞻性
+
+建議：
+
+- 不要堆太多名詞
+- 讓項目經歷來證明能力，而不是靠技能清單自我聲明

.claude/skills/references/narrative-tools.md

@@ -0,0 +1,131 @@
+# 影響力敘事工具箱
+
+## 1. 基礎改寫公式
+
+### STAR / CAR
+
+```text
+為了[業務目標或技術挑戰]，
+我[採取了什麼關鍵動作]，
+最終帶來[可量化或可感知的結果]。
+```
+
+示例：
+
+- 修改前：負責訂單系統開發
+- 修改後：為解決大促期間訂單查詢緩慢問題，主導設計並落地基於 Redis 的緩存方案，將平均響應時間從 800ms 降至 120ms，並支撐峰值 10 萬 QPS。
+
+## 2. 決策-權衡寫法
+
+當經歷裡存在技術選型、架構權衡、複雜約束時，優先用這個結構：
+
+```text
+為解決[問題]，
+評估了[方案 A] 與 [方案 B]。
+我選擇[方案]，因為[關鍵理由]，
+並通過[補償措施或實現細節]控制風險，
+最終實現[結果]。
+```
+
+示例：
+
+- 修改前：使用 Kafka 實現消息隊列
+- 修改後：為解決跨服務數據一致性問題，在 RabbitMQ 和 Kafka 之間進行技術選型。考慮到未來吞吐增長和實時計算需求，選擇 Kafka，並設計冪等消費機制降低重複消費風險，最終支撐日均 5000 萬條消息處理且未出現數據丟失。
+
+## 3. 常見改寫方向
+
+### 從職責改成成果
+
+- 修改前：負責用戶模塊開發和維護
+- 修改後：主導用戶模塊重構，拆分服務邊界並補齊單測，使新功能交付週期從 2 周縮短到 3 天，單測覆蓋率從 30% 提升到 85%。
+
+### 從“做事”改成交付產物
+
+- 修改前：負責搭建內部工具
+- 修改後：設計並交付內部發布平臺，將原本分散在多個腳本中的發佈流程統一到一個可複用平臺中，覆蓋研發與測試團隊的日常發佈操作。
+
+### 從過程改成價值
+
+- 修改前：優化頁面性能
+- 修改後：通過代碼分割、懶加載和 CDN 優化，將首屏加載時間從 4.2 秒降至 1.1 秒，跳出率下降 15%。
+
+### 從“做了什麼”改成“為什麼這樣做”
+
+- 修改前：開發數據處理 pipeline
+- 修改後：設計並實現基於 Spark 的實時數據處理 pipeline，日均處理 10TB 用戶行為數據，將數據延遲從 T+1 縮短至分鐘級，為運營側提供實時決策支持。
+
+## 4. 沒有量化數據時怎麼寫
+
+如果用戶拿不出精確數字，不要硬編。可以換成這些結果表達：
+
+- 建立了可複用標準
+- 消除了某類線上風險
+- 讓某項流程從手工變成自動化
+- 讓排障、觀測、發佈更可控
+- 讓跨團隊協作更順暢
+
+示例佔位符：
+
+```text
+[量化數據待補：例如每週節省 6 小時人工處理時間]
+```
+
+## 5. 量化優先級
+
+優先從這些角度找數字或可驗證變化：
+
+1. 性能：延遲、吞吐、成功率、可用性、錯誤率
+2. 業務：轉化率、GMV、留存、訂單量、收入、客訴量
+3. 效率：人天、發佈時長、排障時間、交付週期、手工步驟
+4. 規模：用戶數、接口量、數據量、服務數、團隊覆蓋範圍
+5. 風險：事故次數、故障恢復時間、重複問題、誤操作概率
+
+如果拿不到精準數字，降級為：
+
+- 高頻/低頻
+- 分鐘級/小時級/天級
+- 單團隊/多團隊/全公司
+- 核心鏈路/關鍵系統/基礎設施
+
+## 6. 產物導向模板
+
+當原文只有職責，沒有明確交付物時，優先套下面結構：
+
+```text
+為了解決[問題]，
+我設計/重構/落地了[產物]，
+被[團隊/系統/用戶]使用，
+最終帶來[結果]。
+```
+
+常見產物包括：
+
+- 系統
+- 平臺
+- 服務
+- 工具
+- 組件
+- 規範
+- 機制
+- 流程
+- 看板
+- 自動化腳本
+
+## 7. 啟發式提問
+
+當原始材料太弱時，用問題把亮點挖出來：
+
+- 這個項目裡最難的問題是什麼
+- 為什麼當時選這個方案，而不是另一個方案
+- 你真正交付給團隊或業務的產物是什麼
+- 你的改動到底讓誰受益了
+- 沒有你的這項工作，會造成什麼問題
+- 有沒有一個可以證明結果的數字、比例、範圍或變化
+
+## 8. 一句話判斷標準
+
+一條好的項目描述，至少滿足下面三項中的兩項：
+
+- 說清了問題
+- 說清了你的動作
+- 說清了結果

.claude/skills/references/one-page-resume.md

@@ -0,0 +1,103 @@
+# 一頁簡歷壓縮規則
+
+## 目標
+
+一頁簡歷不是刪字遊戲，而是把最能提高面試轉化率的信息壓到一頁內。核心目標是：
+
+- 讓招聘方在 30 秒內看懂你是誰
+- 快速看到你最相關的成果
+- 減少不必要的背景噪音
+
+## 壓縮原則
+
+### 1. 相關性優先
+
+優先保留：
+
+- 最近 5 到 8 年內的經歷
+- 與目標 JD 高度相關的崗位、項目和技術
+- 最能體現職級、複雜度和影響力的成果
+
+優先刪除或弱化：
+
+- 明顯弱相關的早期經歷
+- 沒有結果的職責描述
+- 重複的技能清單
+- 空洞自評和長篇個人評價
+
+### 2. 每段經歷只留高價值 bullet
+
+通常每段經歷保留 2 到 4 條 bullet，優先級從高到低：
+
+1. 最能證明崗位匹配度的成果
+2. 最能證明技術深度或業務複雜度的成果
+3. 最能證明影響力、 ownership 或跨團隊協作的成果
+4. 其他支持性信息
+
+### 3. 每條 bullet 都要高密度
+
+優先滿足這個結構：
+
+```text
+動作 + 產物 + 結果
+```
+
+更強的版本是：
+
+```text
+問題/目標 + 動作 + 產物 + 結果
+```
+
+### 4. 技能清單隻保留篩選價值
+
+不要把技能列表寫成百科。只保留：
+
+- JD 中會被檢索的核心關鍵詞
+- 能被項目經歷證明的能力
+- 當前方向真正相關的技術
+
+## 推薦版式
+
+一頁版通常保留以下模塊：
+
+1. 標題和聯繫方式
+2. 1 到 2 行職業摘要
+3. 核心技能
+4. 工作經歷
+5. 重點項目或教育經歷
+
+如果工作經歷已經足夠強，項目和教育可以極度壓縮。
+
+## 輸出模板
+
+```markdown
+# 姓名 | 目標崗位
+
+## 職業摘要
+[1 到 2 行，寫方向、年限、最強價值]
+
+## 核心技能
+[按崗位篩選價值保留 6 到 12 個關鍵詞]
+
+## 工作經歷
+### 公司 / 崗位 / 時間
+- [高密度成果 bullet]
+- [高密度成果 bullet]
+- [高密度成果 bullet]
+
+### 公司 / 崗位 / 時間
+- [高密度成果 bullet]
+- [高密度成果 bullet]
+
+## 項目 / 教育
+[只保留最相關內容]
+```
+
+## 判斷是否壓得夠好的標準
+
+一頁版至少要做到：
+
+- 第一屏就能看出目標崗位
+- 最近經歷比舊經歷更突出
+- 至少有 3 條以上能體現結果的 bullet
+- 技能、經歷、目標崗位之間能互相印證

.claude/skills/references/red-flags.md

@@ -0,0 +1,93 @@
+# 常見問題與紅旗
+
+## 1. 派遣經歷處理
+
+以下類型的經歷容易引發面試官追問：
+
+### 大型 IT 服務/派遣
+
+- 中科軟
+- 中軟國際
+- 法本信息
+- 軟通動力
+- 東軟集團
+- 文思海輝
+- 博彥科技
+- 柯萊特
+
+### OD / 駐場 / 派遣性質
+
+- 華為 OD
+- 阿里派遣
+- 字節派遣
+- 騰訊派遣
+
+處理原則：
+
+- 派遣經歷本身不是原罪
+- 真正的問題是項目價值、職責邊界和成長路徑沒講清楚
+- 如果做過核心項目，重點寫項目，不要把公司標籤放大
+- 如果有從派遣走向甲方、平臺型團隊或更核心業務的路徑，這是正向信號，應該主動表達
+
+## 2. 致命問題
+
+這些問題會顯著降低面試機會：
+
+- 時間線衝突
+- 技術棧前後矛盾
+- 明顯誇大頭銜或數據
+- 錯別字、術語錯誤、語病很多
+
+## 3. 高風險問題
+
+- 頻繁跳槽但沒有解釋
+- 一堆“精通”卻找不到項目證據
+- 所有描述都停留在職責層
+- 用玩具項目填充真實經驗不足
+
+## 4. 常見低級問題
+
+- 個人摘要太長
+- 自我評價空洞
+- 幾乎沒有量化信息
+- 日期格式、項目格式不統一
+
+## 5. 玩具項目識別
+
+這些項目如果寫法普通，很難加分：
+
+- 外賣系統
+- 秒殺系統
+- 商城系統
+- 博客系統
+- 在線教育平臺
+
+風險不在於項目題材本身，而在於：
+
+- 沒有真實場景
+- 沒有獨特取捨
+- 沒有複雜問題
+- 沒有結果證明
+
+如果必須保留，至少要突出一項真實亮點：
+
+- 壓測和容量設計
+- 限流、緩存、一致性等關鍵技術細節
+- 為什麼選這個方案
+- 做完之後帶來的結果
+
+## 6. 空窗期與斷層
+
+常見情況包括：
+
+- 創業失敗
+- 讀研或進修
+- Gap period
+- 裁員
+- 身體或家庭原因
+
+處理建議：
+
+- 可以簡短解釋，但不要長篇自辯
+- 重點放在這段時間學到了什麼、積累了什麼
+- 如果有持續學習、項目實踐或證書補充，儘量放上去

.gitignore

@@ -0,0 +1,3 @@
+/rendercv_output/*
+/.idea/*
+/fonts

my_cv.yaml

@@ -0,0 +1,66 @@
+cv:
+  name: "Ding-Lian Chen (陳定廉)"
+  location: "Taipei, Taiwan"
+  email: "shadow449515@gmail.com"
+  phone: "(+886) 0979508405"
+  social_networks:
+    - network: GitHub
+      username: Dingian
+
+  sections:
+    summary:
+      - "專注於現代化 Python 後端架構與 AI 應用的軟體工程師，具備運用 Azure OpenAI 與 LangChain 獨立建構企業級 RAG 與 Text-to-SQL 微服務原型的實戰經驗。"
+      - "熟悉 FastAPI、Pydantic v2 與 SQLAlchemy v2 (Async) 現代化非同步架構，注重系統安全性與高併發處理，能實作 RLS 租戶資料隔離與 AST 解析防護機制，並具備效能瓶頸排查與快取優化能力。"
+
+    education:
+      - institution: "National Taipei University (國立臺北大學)"
+        degree: "Bachelor of Science"
+        area: "Communication Engineering (通訊工程學系)"
+        location: "New Taipei, Taiwan"
+        start_date: "2021-09"
+        end_date: "2025-06"
+        highlights:
+          - "相關修課：資料結構與演算法、數位訊號處理、資訊理論、計算機網路、線性代數、機率與統計。"
+
+    experience:
+      - company: "Galaxy Software Services (叡揚資訊)"
+        position: "AI Backend Engineer Intern"
+        location: "Taipei, Taiwan"
+        start_date: "2025-12"
+        end_date: "2026-03"
+        highlights:
+          - "專案背景：負責「企業級 LLM Gateway 智能查詢微服務」的核心架構設計與開發，完成概念驗證 (POC) 並移交標準化部署環境，旨在讓 VIP 客戶以自然語言跨表單檢索 CRM 業務數據。"
+          - "進階 Text-to-SQL：設計自然語言至母產品 JSON Schema 的動態映射層，運用 Few-shot Prompting 提升複雜業務邏輯下的 SQL 生成準確率。"
+          - "RAG 與效能優化：設計 Semantic Caching 機制並導入 Redis 快取層，在 50 CCU 壓力測試下將 LLM API 延遲由 ~3200ms 降至 ~30ms，驗證低延遲架構可行性。"
+          - "資安與數據治理：實作基於 AST 解析的 SQL Guard 防護機制，100% 攔截惡意 DDL/DML 操作；結合 PostgreSQL RLS 確保多租戶環境下的資料絕對隔離。"
+          - "基礎設施與移交：建立 Shadow Wallet 機制進行 API Rate Limiting 防護；全案採用 uv 進行依賴鎖定，並撰寫 Podman Dockerfile，將開發至壓測環境的部署流程標準化以利團隊交接。"
+
+      - company: "經濟部產業發展署 (IDA, MOEA) & 臺北大學"
+        position: "AI 應用人才培育計畫 (智慧製造專班)"
+        location: "New Taipei, Taiwan"
+        start_date: "2025-08"
+        end_date: "2025-11"
+        highlights:
+          - "於畢業後參與 300 小時密集實訓，並獨立考取「iPAS AI 應用規劃師 (機器學習) 中級」證照，建立扎實的機器學習理論基礎並轉軌生產環境級 AI 開發。"
+
+    projects:
+      - name: "食道語者語音輔助裝置 (AI 聲學特徵分類系統)"
+        start_date: "2023-09"
+        end_date: "2024-06"
+        highlights:
+          - "專案背景：結合數位訊號處理與深度學習的無障礙輔助裝置，旨在還原食道語者的自然語音以解決溝通障礙。"
+          - "技術實踐：導入 Hanning Window 與 Overlap-Add 技術平滑音訊；使用 PyTorch 訓練 CNN 進行聲學特徵分類，測試集準確率達 86%。"
+          - "競賽殊榮：憑藉端到端實作完整度與社會影響力，於通訊工程學系畢業專題競賽中擊敗 17 組團隊榮獲「第一名」。"
+
+    skills:
+      - label: "Backend & Systems"
+        details: "Python (FastAPI, Pydantic v2, SQLAlchemy v2), RESTful API, Asynchronous Programming"
+      - label: "AI & LLM Stack"
+        details: "Azure OpenAI (GPT-4o-mini), LangChain, RAG, Text-to-SQL, Few-shot Prompting, Embedding Models"
+      - label: "Data & DevOps"
+        details: "PostgreSQL (pgvector, RLS), Redis, uv, Docker/Podman, Linux, Git, Locust (Load Testing)"
+      - label: "Architecture"
+        details: "Multi-tenancy, Semantic Caching, Rate Limiting, AST Parsing, SQL Injection Defense"
+
+design:
+  theme: sb2nov