核心用法
本技能提供系统化的简历/CV写作框架，核心价值在于突破ATS（申请人追踪系统）筛选并用数据量化证明个人价值。
核心方法体系：
1. 简历vsCV决策矩阵：明确区分1-2页简历（美国/加拿大企业岗）与无页数限制的CV（学术、欧盟、研究岗位），避免格式错配导致的自动拒稿。
2. CAR成就公式：Action Verb（行动动词）+ Task（任务）+ Result with Metrics（量化结果）。对比案例显示，"Reduced checkout abandonment from 68% to 41%"比"Worked on the checkout system"的筛选通过率提升显著。
3. ATS通关策略：75%简历因机器筛选失败。关键动作包括：使用标准章节标题（"Work Experience"而非"My Journey"）、同时标注缩写与全称（"AWS (Amazon Web Services)"）、避免表格/文本框/图像、采用10pt以上标准字体。
4. 行业定制方案：
- 技术岗：强制包含GitHub链接、技术栈分类（Languages/Frameworks/Cloud/Tools）、规模指标（用户量、QPS、数据量）
- 设计岗：首行突出作品集链接、展示设计方法论（用户研究→原型→测试）而非仅列工具
5. 量化指标库：收入（$）、百分比（%）、时间节省、团队规模、客户满意度等维度，要求70%以上bullet包含数字。
显著优点
- 机器优先设计：针对ATS解析逻辑反向优化，解决"简历投出即沉默"的核心痛点
- 可复用公式化写作：CAR结构降低写作门槛，避免"负责..."类无效描述
- 跨行业适配：区分技术/设计/学术/企业场景，提供差异化结构模板
- 风险控制清单：从文件名规范（FirstName_LastName_Resume.pdf）到LinkedIn一致性，覆盖投递前全环节
局限性与风险
- 地域局限性：照片禁忌、地址简化规则仅针对美国市场；欧盟/亚洲部分地区仍需完整个人信息
- ATS黑盒问题：各厂商解析算法不公开，"标准字体"建议基于行业共识而非官方文档
- 过度量化风险：部分岗位（创意类、早期创业公司）可能反感纯数字导向，需适度平衡
- 动态失效：ATS技术持续迭代，部分建议（如避免双栏）可能随技术升级而过时
适合人群
- 北美求职者：尤其是目标科技大厂、需通过机器初筛的候选人
- 转行者：需用项目/技能板块弥补经历断层
- 应届生：Education前置结构+项目经历替代工作经验
- 非英语母语者：标准化表达降低语言劣势
常规风险
- 关键词堆砌反噬：过度植入JD词汇可能触发垃圾过滤
- PDF生成陷阱：扫描件PDF无法提取文本，必须通过文本选择测试
- LinkedIn不一致：HR交叉验证时发现出入将直接淘汰
- 超过2页即死亡：资深从业者需压缩早期经历，非完整罗列