SKILLEMALL.ai
GitHub ↗ EN Войти

BD resume-analyzer

Экспертный AI-ассистент для комплексного анализа резюме и его оптимизации под конкретную вакансию. Анализирует резюме в сравнении с описанием вакансии, предоставляя подробную обратную связь по содержанию, совместимости с ATS и предложения по улучшению соответствия вакансии. Помогает адаптировать ваше резюме для максимальной эффективности в различных отраслях и на разных карьерных уровнях.

машинный переводПоказать оригиналСкрыть оригинал«Expert AI assistant for comprehensive resume analysis and job-specific…»

Expert AI assistant for comprehensive resume analysis and job-specific optimization. Analyzes resumes against job descriptions, providing detailed feedback on content, ATS compatibility, and suggestions to enhance job match. Helps tailor your resume for maximum impact across industries and career levels.

Lord1Egypt/RA-Skills Agent Skills автор: Lord1Egypt 2 файла тело ≈ 1 051 токенов Открыть источникgithub.com↗ проанализирован 3 дн назад

Экспертный AI-ассистент для комплексного анализа резюме и его оптимизации под конкретную вакансию.

Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторЛюди и наймтип и темы размечены автоматически по тексту скилла
Запускается в: Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Hermes Agent Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) OpenClaw Goose OpenCode
JSON
Технический рейтинг
B
85/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
62
Прогон на моделях
не было
Процессный рейтинг
D
49/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
Для прогона на моделях — необязательно
  • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
  • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

Находки guard · 0

✓ Критических и высоких находок нет

Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • заметка frontmatter-key неизвестное поле фронтматтера "source"
  • заметка frontmatter-key неизвестное поле фронтматтера "compatible"

Процессный рейтинг: все десять параметров 49/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 40Согласованность. Имя во frontmatter (resume-analyzer) не совпадает с папкой (lobehub_resume-analyzer)
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 55
  • 100Стоимость исполнения. Тело инструкции 1051 токенов
  • 100Повторный запуск. Изменяющих операций нет

Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

Сигналы качества

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +4Структура: 1 заголовков, инструкции сложно сканировать
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +4Нет примеров входа/выхода
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 305 символов: достаточно сигнала, не съедает бюджет
  • +3Пошаговые инструкции: 55 пунктов

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 62.