简历与 GitHub 作品集：STAR 项目叙事与 ATS 关键词

0. 元信息

• 主题路径：docs/topics/career-and-interview/subtopics/resume-and-portfolio/README.md
• 父主题：career-and-interview
• 适合对象：简历被 HR 跳过、ATS 关键词不匹配、GitHub 作品集空白、或想换方向的工程师
• 建议周期：1~2 周
• 前置知识：有 ≥ 1 个完整工程交付经验（项目 / 实习 / 开源 / 论文）
• 最终目标：产出 1 份打磨好的 1 页简历（中文 + 英文），能在 ATS 系统跑出 ≥ 80% 关键词匹配；GitHub 有 ≥ 3 个有 README 的项目仓库

1. 学习路线

自我盘点（项目素材库）
  → STAR 项目叙事改写（3 个强项目）
  → 简历骨架（Summary + Experience + Projects + Skills + Education）
  → ATS 关键词匹配（Jobscan + JD 提取）
  → GitHub 作品集（README 模板 + demo + 文档）
  → 1 页 vs 2 页取舍（资深工程师）

每一步都是下一步的前置：没有素材就写 STAR 是空想；没有 STAR 就改简历是堆动词；没有关键词就投是石沉大海。

2. 阶段周数分配

1 周方案面向已有成熟简历、改写 STAR 与补 GitHub 的工程师；2 周方案面向简历重写 + ATS 调优 + GitHub 冷启动的转岗 / 应届求职者。综合项目（求职 portfolio）作为求职 Sprint 的子模块。

3. 核心知识 / 产出 / 标准表

4. 第一周任务

Day 1 约定：本计划以”STAR 项目叙事 + 简历打磨 + ATS 关键词 + GitHub 作品集”为最小循环。所有产出必须有可见证据（STAR 卡片、简历 PDF、ATS 报告、GitHub README）。

Day 7 步骤 A 把简历 + 作品集资产跑通；步骤 B 每类问题先在文档里复现，再讲清补救路径。

5. 阶段通用验收

1. 不看 STAR 卡 90 秒内讲完任意 1 个项目（S/T/A/R 各段齐全）；
2. 3 个强项目每条 Result 都有量化指标（数字 / 比例 / 速度 / 容量 / 成本）；
3. 简历 1 页（资深 1.5 页）+ Skills 段顺序与目标 JD 关键词顺序一致；
4. ATS 检查 ≥ 80%（Jobscan / Resume Worded 报告截图存档）；
5. GitHub 至少 3 个有 README 的 repo（动机 + 技术栈 + 架构图 + 启动 + demo + 复盘 6 段齐全）；
6. 找 3 个朋友盲审简历，能在 60 秒内复述出你的 3 个亮点；
7. 中英文简历各 1 份，动词一致（designed / led / built / shipped / optimized）。

6. 最终验收

• 完成 1 份打磨好的 1 页简历（中文 + 英文，PDF + Markdown 双版本），ATS 关键词匹配 ≥ 80%；
• 完成 3 张 STAR 项目卡片，每张含 4 段（S/T/A/R）+ 量化 Result + 60~90 秒可讲；
• 完成 ≥ 3 个有 README 的 GitHub 仓库（动机 / 技术栈 / 架构图 / 启动 / demo / 复盘 6 段齐全）；
• 简历通过 3 个朋友盲审（60 秒讲完 + 能复述 3 个亮点）；
• Skills 段顺序与目标 JD 关键词顺序一致（Jobscan ≥ 80% 命中）；
• 简历 PDF 含字体嵌入（中文简历打开不乱码）；
• 能在 6 秒内让资深面试官看出亮点（用 LaTeX moderncv 模板实测）。

7. 综合项目

首选：求职 portfolio 子模块（必做：1 页中文简历 + 1 页英文简历 + ≥ 3 个 GitHub 仓库 README + 3 张 STAR 卡片 + ATS 报告 + 朋友盲审记录）。

• 输入：现有项目经历 / 实习 / 开源 / 论文；
• 输出：必输出（1）简历中文 v3 + 英文 v3（PDF + Markdown 双版本）；（2）3 张 STAR 卡片文本 + 录音；（3）≥ 3 个 GitHub 仓库 README；（4）ATS 关键词报告 ≥ 80%；（5）朋友盲审记录（≥ 3 人反馈）；（6）简历迭代日志（v1 → v2 → v3 改动点）；（7）Portfolio 站点（GitHub Pages / 个人博客，可选）；（8）1 份 retrospective；
• 关键指标：ATS 关键词匹配 ≥ 80%、朋友盲审 ≥ 3 人通过、6 秒简历测 ≥ 3 亮点、STAR 每段量化 Result 全覆盖；
• 进阶可选：Portfolio 网站（GitHub Pages）+ Medium / 掘金技术博客（弱作品集载体）+ 公开演讲视频。

备选：dream company 投递包（针对 1 家目标公司：定制简历 v3 + ATS 报告 + GitHub 项目 demo 视频 + 求职信 Cover Letter + 1 份 company-specific STAR 库），适合”已锁定 dream company”的求职者。

任何综合项目都必须包含：

1. 自我盘点与项目素材库（8~10 项目筛选记录）；
2. STAR 项目卡片（3 个强项目，含 S/T/A/R 与量化 Result）；
3. 简历骨架与打磨记录（v1 → v2 → v3 迭代日志）；
4. ATS 关键词提取与匹配（Jobscan 报告 ≥ 80%）；
5. GitHub 作品集（≥ 3 个 README 完整 repo，6 段齐全）；
6. 中英文简历一致性检查（动词 / 拼写 / 排版 3 项过）；
7. README（含求职 window、目标、产出、ATS 数据）；
8. retrospective.md（含教训、改进、下一轮）。

notes/ 与 README 存放规范

所有”STAR 卡片 / 简历版本 / ATS 报告 / GitHub README / 朋友反馈”类交付物统一存放在项目根目录的 notes/ 子目录或 README 的对应章节；提交时一并带上，避免散落在聊天或临时文件里。综合项目的 notes/ 至少包含：

• notes/star-cards.md：3 个项目的 S/T/A/R 文本（量化 Result 标记）；
• notes/resume-versions.md：简历 v1 → v3 迭代日志（PDF + Markdown 双版本 + LaTeX 源码）；
• notes/ats-report.md：Jobscan 报告截图 + 关键词命中率统计；
• notes/peer-review.md：≥ 3 个朋友盲审反馈（60 秒测试记录 + 亮点复述记录）。

8. 推荐开源资料

默认使用顺序：先读《The Google Resume》第 5-7 章建立简历框架 → 列 8~10 项目素材库筛 3 个 → 写 STAR 卡片 + 简历 v1 → 用 Jobscan 提取关键词 → 用 moderncv / jsonresume 输出 PDF → 找 3 个朋友盲审 → 用 GitHub Pages 搭建 Portfolio → 写复盘到 notes/peer-review.md。

9. 学习资料汇聚（v0.3 自包含）

9.1 背景与动机

简历是工程师的 6 秒电梯演讲。HR 平均 6 秒决定一份简历去留；ATS 系统先用关键词筛掉 70% 简历；GitHub 作品集是面试官评估动手能力的入口。Gayle McDowell 在《The Google Resume》中明确”简历不是简历，是营销文档”；今天每个 senior 工程师都把简历当 product 来迭代。

9.2 概念地图

flowchart LR
  Projects[项目素材库 8-10] --> Star[STAR 卡片 3]
  Star --> Resume[简历骨架]
  Resume --> Keywords[关键词 ATS]
  Keywords --> ATS[ATS 匹配 ≥ 80%]
  Resume --> Polish[打磨 v3]
  Portfolio[GitHub 作品集] --> Polish
  Polish --> Apply[投递]

关系说明：项目素材是基础，STAR 是叙事单元，简历是产品包装，ATS 决定是否被看见，GitHub 决定能否进入面试。

9.3 基础知识讲解

9.3.1 简历经典

9.3.2 STAR 项目叙事法

Situation（30 秒）：背景、问题、规模
  例：电商平台每秒 10k 订单，原系统用同步调用导致 P99 = 5s
Task（30 秒）：你的角色、目标
  例：作为 Tech Lead，重构订单服务，目标 P99 < 200ms
Action（2 分钟）：你做了什么、技术选型、团队协作
  例：引入 Kafka 异步化 + Outbox 模式 + 缓存预热
Result（30 秒）：量化结果、业务影响
  例：P99 从 5s 降到 180ms，订单处理容量 10x，节省 $200k/年服务器成本

9.3.3 简历 bullet 写法（“动词 + 对象 + 量化”）

差：负责订单服务开发
好：设计并实现订单异步化架构，将 P99 延迟从 5s 降至 180ms

差：参与数据库迁移
好：主导 1.2TB MySQL → TiDB 迁移，零停机，QPS 提升 3x

差：改进 CI/CD 流程
好：将 CI 流水线从 25 分钟降至 6 分钟，每天节省 100 次构建 × 19 分钟 = 31 工程师小时

差：管理 3 人团队
好：带领 3 人小组交付 A/B 实验平台，支持 50+ 实验并行，转化率 +12%

9.3.4 ATS 关键词提取流程

1. 收集 5~10 个目标 JD（每个目标公司 2~3 个）
2. 用工具统计高频词（python、kubernetes、aws、system design...）
3. 把关键词分为：技术栈 / 框架 / 概念 / 软技能
4. 在简历中合理嵌入：
   - Skills 段直接列
   - Experience 段嵌入动作中
   - Projects 段强调相关性
5. 用 Jobscan 检查匹配度 ≥ 80%

9.4 经典问题与经典案例

9.5 学习难点

• 概念难点：STAR 模板化过度导致故事像背稿；用具体细节（数字、人名、时间）保持真实感。
• 思维难点：自我感觉良好 vs 实际简历质量；用 3 个朋友 + Jobscan + mock 评估做客观检查。
• 工程难点：1 页 vs 2 页取舍；用优先级排序（最近 + 最强 + 最相关）+ 字号控制。

9.6 技术标准与接口

Entity

简历模板（Markdown / LaTeX / PDF）、Jobscan 报告、ATS 关键词清单、GitHub repo README、项目 STAR 卡片。

Scope

简历与作品集不替代面试表现，只解决”HR 是否给面试机会”与”面试官是否愿意深入”两个问题。

Structure

• 简历：Summary（3 行）+ Experience（4 段）+ Projects（2 段）+ Skills + Education；
• STAR 卡片：Situation / Task / Action / Result，每段 30 秒~2 分钟；
• GitHub README：标题 + 简介 + 技术栈 + 架构图 + 启动步骤 + 测试 + 复盘；
• ATS 关键词清单：技术栈 / 框架 / 概念 / 软技能四类。

Ecosystem

• 简历工具：LaTeX（moderncv）、Markdown（jsonresume）、Canva 模板、Overleaf；
• ATS 检查：Jobscan、Resume Worded、LinkedIn 评分；
• 简历评估：Pramp、Cultivated Culture、朋友 mock；
• GitHub：README、Actions（CI）、Pages（静态站点）、Releases。

Depth Tiers

• L0：知道简历存在；
• L1：能写 1 页简历；
• L2：能用 STAR 写项目；
• L3：能 ATS 匹配 ≥ 80% + GitHub 作品集完整；
• L4：能 mock 别人改简历。

本子主题要求：L3。

Source

• Gayle McDowell《The Google Resume》：简历事实标准；
• Tech Interview Handbook Resume：程序员简历模板；
• Jobscan：ATS 关键词匹配工具；
• Resume Worded：ATS 评分；
• 版本快照日期：2026-07-30。

9.7 关键代码

9.7.1 简历项目 STAR 数据结构

# 9.7.1 简历项目 STAR 数据结构 + 量化检查
from dataclasses import dataclass

@dataclass
class ProjectStar:
    name: str
    situation: str     # 背景
    task: str          # 角色 + 目标
    action: str        # 做了什么
    result: str        # 量化结果
    tech_stack: list[str]

def has_quantified_result(star: ProjectStar) -> bool:
    """检查 result 是否含量化指标"""
    keywords = ["%", "x", "ms", "s", "$", "k", "M", "B",
                "users", "QPS", "RPS", "GB", "TB"]
    return any(k.lower() in star.result.lower() for k in keywords)

def star_one_liner(star: ProjectStar) -> str:
    """给面试官讲的 1 句话版本"""
    return f"{star.name}: {star.action.split('，')[0]} → {star.result}"

if __name__ == "__main__":
    p = ProjectStar(
        name="订单服务异步化",
        situation="电商每秒 10k 订单，原同步调用 P99=5s",
        task="Tech Lead 重构订单，目标 P99 < 200ms",
        action="引入 Kafka 异步化 + Outbox + 缓存预热",
        result="P99 从 5s 降至 180ms，订单容量 10x，节省 $200k/年",
        tech_stack=["kafka", "java", "redis", "mysql"],
    )
    print(has_quantified_result(p))   # True
    print(star_one_liner(p))

9.7.2 GitHub README 模板（Mermaid 渲染）

%% 9.7.2 GitHub README 结构图
flowchart LR
  Title[项目标题 + 简介 2 行] --> Stack[技术栈]
  Stack --> Arch[架构图]
  Arch --> QuickStart[快速启动]
  QuickStart --> Test[测试]
  Test --> Demo[Demo 截图 / 链接]
  Demo --> Retro[复盘 / 后续]

9.7.3 ATS 关键词提取脚本

# 9.7.3 从 JD 提取高频关键词，与简历对比
import re
from collections import Counter

STOP_WORDS = {
    "the", "a", "an", "and", "or", "with", "for", "to", "of",
    "in", "on", "is", "are", "be", "as", "at", "by",
}

def tokenize(text: str) -> list[str]:
    text = text.lower()
    words = re.findall(r"[a-z][a-z0-9+#.-]{1,}", text)
    return [w for w in words if w not in STOP_WORDS and len(w) > 1]

def top_keywords(jd_text: str, k: int = 20) -> list[tuple[str, int]]:
    return Counter(tokenize(jd_text)).most_common(k)

def ats_match(jd_text: str, resume_text: str, k: int = 20) -> float:
    """返回 0~1 的关键词覆盖率"""
    jd_kw = {w for w, _ in top_keywords(jd_text, k)}
    resume_kw = set(tokenize(resume_text))
    if not jd_kw:
        return 0.0
    return len(jd_kw & resume_kw) / len(jd_kw)

if __name__ == "__main__":
    jd = "We are looking for a senior backend engineer with Python, AWS, Kubernetes, PostgreSQL, system design experience."
    resume = "Senior engineer. Built distributed systems with Python on AWS. Used Kubernetes, PostgreSQL, Redis."
    print(f"ATS match: {ats_match(jd, resume):.0%}")

10. 常见误区

• 简历用大词堆砌（“负责”、“参与”、“改进”），没有量化；
• Result 段写”系统更稳定”而不是”P99 降 80%”；
• 简历超过 1 页（资深也尽量 1.5 页内）；
• Skills 段只写大类（“编程语言”），不写具体技术栈；
• ATS 关键词不匹配，被系统直接筛掉；
• GitHub 仓库没 README，面试官点开看不懂；
• GitHub 仓库没有 demo 截图或启动步骤；
• 项目经历写 10 个，每个 1 行（不如写 3 个，每个 4 行）；
• 跨行业求职用同一份简历，不针对 JD 调整；
• 简历用花哨模板（图表 / 双栏），ATS 解析失败；
• 写”精通 X”，但面试被追问就崩；
• 推荐信 / LinkedIn 推荐空白；
• 简历 PDF 含中文但字体嵌入失败，对方打开乱码；
• 应届写”熟练使用 Office”，浪费版面；
• 把”目标岗位”写在简历顶部（应放 LinkedIn，不放简历）；
• 简历不放 GitHub / 个人网站链接。

11. 所有知识点分类（统一规则）

1. 编程语言
2. 数据结构与算法
3. 计算机基础
4. 工程技术
5. Web 与后端
6. 前端与客户端
7. 数据与人工智能
8. 项目与职业能力

本计划归属：项目与职业能力 主。

本主题贡献

• 职责：将经历压缩成可复述的 STAR 卡片；按 JD 调整 ATS 关键词；维护简历与 GitHub 作品集的版本管理。
• 交付物：3 张量化 STAR 卡片；按岗位定制的 ATS 关键词清单；简历版本日志与 GitHub 作品集仓库。
• 指标：ATS 关键词匹配 ≥80%；GitHub 作品集 ≥3 个完整 README；每张 STAR 卡 90 秒内讲完且 Result 有数字。