resume-tailor

这是一个很小的 Python 工具。给它一份 LaTeX 简历和一份职位描述（JD），它只重写简历里的经历要点，让措辞更贴近这份工作。唯一不能越过的线，是编造。如果原文写着「2025 年 3 月搭建一份含 40 个工作表的现金流模型」，工具可以换动词、调整重点、把更相关的结果提前，却不能把 40 改成 50，也不能把 3 月改成 2 月。

为什么写它

SIPA 的集中招聘季像一台不停的跑步机。十五家银行、十家咨询公司、十二只气候基金，每一家都要单独修改简历和求职信，截止日期却常常挤在同一个星期日。

修改本身并不烧脑。它只是大量小心的复制粘贴，加上一连串「哪条经历应该放在前面」的微小判断。

第一轮我老老实实用手改。改到第七份时，我发现自己一直重复同样几个动作：调整时态，重排第一条经历；职位描述提到 Python，就在不增加事实的前提下，把已有技能写得更具体，例如「Python（pandas、statsmodels）」。这种边界清楚、范围很小的改写，正是语言模型擅长的事。

于是我写了它。

它怎么工作

输入一份 .tex 文件后，工具会找出每条 \item{...}，把完整简历、职位描述、岗位级别和用户设置的限制一并交给模型，再按三条规则重写每项经历：

1. 不增加事实。原文没有数字，重写后也不能凭空多出一个。
2. 不能改专有名词。Wood Mackenzie 还是 Wood Mackenzie，不许换成「一家研究机构」。
3. 尽量采用职位描述里的准确用词。如果对方写的是 valuation，就不要用一个更宽泛的 modeling 含糊过去。

输出是一份新的 .tex 文件和一张彩色差异对照，方便逐项检查、拒绝任何偏离原意的修改。工具还可以在同样约束下，基于五段式模板起草求职信。

模型端可以使用 Claude Code（通过 claude -p），也可以接入任何与 LiteLLM 兼容的模型。我通常用 Sonnet 完成初次修改；若某份简历确实值得再看一遍，才会交给 Opus。

它不做的事

• 不排版。你自己 pdflatex。
• 不追踪求职结果。它不会记录「第三版简历拿到了某公司的面试」。我试着做过，后来觉得这件事令人不适，就删掉了。
• 不揣摩公司文化。例如「这家公司很重视同事关系，所以写得暖一点」。模型可以照做，但结果并不好，我也删掉了这个功能。

那条不能越过的线

修改措辞没有问题，编造经历有。上面三条规则的全部意义，就是尽量把工具留在这条线的正确一侧。用户当然可以覆盖限制，让模型说谎；我只希望你不要这样做。

克隆

git clone https://github.com/Waaangjl/resume-tailor
cd resume-tailor
pip install -r requirements.txt
python tailor.py --resume me.tex --jd job.txt --out me-tailored.tex

仓库：github.com/Waaangjl/resume-tailor。