SKILLSYNC
输入一份简历 → 输出 岗位匹配度 + 综合竞争力双分数、市场对标、技能图谱。
基于 293 条真实 JD 与 120 篇面经，由大模型语义判定支撑，把「简历打分」从主观经验变成可量化的系统。
← 返回作品集
01 · 产品功能
三个页面，回答三个问题
- 简历诊断：贴入简历即出「岗位匹配度（暖金棕）/ 综合竞争力（青灰）」双分数，逐项拆解 01 匹配度 → 06 尚缺的核心技能。
- 市场对标：选目标岗位，看各技能的需求率与面经验证频次，知道「市场要什么」。
- 技能图谱：职业 → 技能族的桑基图，勾选技能观察覆盖缺口，知道「我还差什么」。
- 方法论：评分体系、分层标签、关联规则等 5 张理论卡片，逻辑可解释、可复述。
02 · 市场洞察
AI 产品经理岗 · 技能需求率 TOP（真实数据）
「AI 工具能力」需求率 97.4% —— 几乎是这个岗位的入场券。数据明确告诉求职者优先级：先补 AI 工具能力，再谈 RAG / Agent / 大模型。
03 · 评分校准闭环
从 0.207 到 0.819：系统评分逼近人工判断
纯标签命中率失效→
重构双线评分→
24 份人工标注→
0.207 → 0.819
相关系数 0.207 → 0.819，平均误差 30 → 7 分；用 Bootstrap 多数票采样把大模型判定波动从 ±15 收敛到 ±1.9。
04 · 工程 Debug 叙事
一次「修 bug 前先做置换验证」
回打简历时发现五个最该命中的标签永远打不中 → 追查定位 Embedding 预筛的方向性反转 bug（1−余弦 把最相关的技能当无关剔除）。没有直接改，而是翻出 14 份人工标注做置换验证：修复前相关 0.565、修复后 0.443（n=14 噪声级），据此决策「保留修复 + 重拟合偏移」。结论：bug 是真的，但修不修要用数据说话。
05 · 技术栈
全链路自己搭
Python / FlaskECharts 桑基·饼图
DeepSeek-V3.2 语义判定BGE Embedding 预筛
RAG 检索增强Prompt 工程
Bootstrap 多数票Apriori 关联规则
K-means 技能聚类朴素贝叶斯
pandas / numpy原生 JS 无框架
06 · 演示
操作录屏
（将录屏文件命名为 demo.mp4 放到本目录，此区域自动播放）