dsh-resume-expert · 简历专家插件（DSH 版）

引导式简历生成插件：用户说一句"帮我做份简历"，插件先诊断、再一轮一轮引导补齐，最终产出可直接投递的单页 A4 PDF。

已在两个宿主实跑验证：自研 Demo 宿主 + DeepSeek Harness 0.1.5。471 项自动化验收。

安装

需要 DeepSeek Harness ≥ 0.1.5 与 Node.js ≥ 22。

dsh plugin --profile web add github:wmw343/dsh-resume-expert

设置环境变量 DEEPSEEK_API_KEY（模型调用由插件适配层直连 DeepSeek API，密钥不出宿主环境）：

# 写入 DSH 主目录的 .env
Add-Content "$env:USERPROFILE\.dsh\.env" "DEEPSEEK_API_KEY=sk-你的Key"

启动 dsh web，在会话里直接说 "帮我做一份简历，我是××专业应届生，会××和××"。

会话默认持久化到 ~/.dsh/resume-expert-store.json——重启 dsh web 不丢草稿；可用环境变量 RESUME_EXPERT_STORE 指定存储路径。

工作方式

用户在对话里自然表达，Agent 自主调用 6 个工具完成四阶段：

工具	阶段	作用
resume_intake	首轮诊断	一句模糊需求 → 第一版文字稿 + 待补充清单 + 追问
resume_refine	迭代补全	多轮吸收用户补充（姓名/教育/实习/项目/技能）
resume_compose	成稿	整合成可直接投递的定稿（删除占位、只留有信息量的内容）
resume_export	导出	A4 排版直出 PDF（本机无 Chrome 时降级为可打印 HTML）
resume_set_photo	证件照	本机图片 → 简历右上角
resume_tailor	JD 定制	按目标岗位 JD 重写简历

简历质量规则内建：量化句式（手段在前、结果在后，"从 A 到 B"式表达）、关键数字加粗、技能分组、关键指标置顶（≤3 条）、城市分主次、手机号 3-4-4。

架构

DSH Agent ──工具调用──► 适配层（本包 src/adapter.ts）
                          │ 实现宿主契约：llm / auth / storage / telemetry / config / logger (+render)
                          ▼
                    简历专家插件核心（src/plugin/，框架无关、零依赖）
                          │ llm 调用直连 DeepSeek API（OpenAI 兼容）
                          ▼
                    A4 HTML ──Chrome CDP──► PDF

三条边界（可直接写进安全评审）：

• 插件不持密钥：模型凭证在适配层（宿主侧），接入方可对接自己的模型网关
• 插件不落库、不外联：会话状态经宿主 storage 存取
• 出入参全部可 JSON 序列化：为 iframe / 子进程隔离留路

验收

插件核心 471 项自动化验收：内核 204（类型/渲染/合并/边界）+ 真实模型 70 + 端到端 37 + 真实浏览器 72 + 集成 58 + 启动器 30。导出 PDF 经 pypdf 实体解析验收（页数/纸张/结构/无占位残留）。

本适配层自带一套离线自测（不需要网络、不需要启动 dsh）：

npm install && npm run build   # 首次：装依赖 + 编译
npm test                       # 21 项：会话持久化的全部不变量

npm test 覆盖的是最容易被忽视也最要紧的一条——跨进程存活：它会真的起子进程， 模拟 dsh web 重启，验证上一进程写入的草稿能被下一进程读到并继续修改。 另有 TTL、原子写（不留 .tmp）、损坏自愈（改名留档而非崩掉）、防抖窗口内不丢数据。

License

MIT —— 见 LICENSE。