简历评分·岗位匹配【锦鲤AI·出品】

python3 scripts/check_env.py   # 一键依赖自检+安装（推荐）
# 或手动：pip install pymupdf python-docx rapidocr-onnxruntime -q

内置「外贸业务员」旗舰评分卡——基于 500+ 真实候选人、453 条 HR 人工修正校准。
直接说"用外贸业务员评分卡"即可。

# 单份评分（内置外贸卡）
python3 scripts/score_resume.py 简历.pdf --card trade_sales

# 单份评分（JD生成的卡：把模式B确认后的评分卡存成 card.json）
python3 scripts/score_resume.py 简历.pdf --card-file card.json

# 批量评分 + 排序表
python3 scripts/score_resume.py 简历目录/ --card trade_sales --batch

📊 简历评分报告 ｜ 张* ｜ 评分卡：外贸业务员（旗舰版）

综合得分：78/100 ｜ 等级 B（良好）
推荐意见：✅ 推荐——基本匹配，建议安排面试

┌─────────┬──────┬──────┐
│ 评分维度   │ 得分  │ 权重  │
├─────────┼──────┼──────┤
│ 硬性条件   │ 85   │ 30%  │
│ 加分项     │ 74   │ 40%  │
│ 综合素质   │ 82   │ 20%  │
│ 意向匹配   │ 65   │ 10%  │
└─────────┴──────┴──────┘

逐项依据：
✔ 学历：本科（宁波工程学院·普通本科）→ 100 分档
✔ 专业：国际经济与贸易 → 完美匹配（100 分档）
✔ 实习：3 段相关实习（外贸关键词命中 11 个）→ 加分 78
✔ 证书：CET-6 → 语言 80 分档
⚠ 意向：期望岗位"数据分析师"与外贸业务员偏离 → 50 分

（尾部）
—— 批量初筛？把多份简历放一个目录用 --batch
—— 结构化档案卡？使用【简历解析助手】锦鲤AI出品

📋 初筛排序表 ｜ 评分卡：外贸业务员 ｜ 共 12 份

| Rank | 候选人 | 得分 | 等级 | 推荐 | 一句话理由 |
|------|--------|------|------|------|-----------|
| 1 | 武* | 86 | B+ | ⭐强烈推荐 | 3段对口实习+英语六级+雅思 |
| 2 | 冯* | 78 | B | ✅推荐 | 专业完美匹配，实习2段 |
| 3 | 金* | 62 | C | ⚠️待定 | 采购物流相关但无外贸直接经验 |

{
  "card_name": "岗位名（中文）",
  "calibrated": false,
  "weights": {"hard": 0.30, "bonus": 0.40, "quality": 0.20, "intention": 0.10},
  "education_scores": {"博士": 100, "硕士": 100, "本科": 100, "大专": 60, "未知": 0},
  "school_tier_scores": {"985": 100, "211": 80, "双一流": 70, "普通本科": 50, "大专": 30, "未知": 50},
  "major": {"perfect_keywords": [], "good_keywords": [], "fair_keywords": [], "scores": {"perfect": 100, "good": 80, "fair": 60, "poor": 40}},
  "language_scores": {"TEM-8": 100, "专八": 100, "雅思7+": 100, "CET-6": 80, "六级": 80, "CET-4": 60, "四级": 60},
  "experience_keywords": {"high": [], "medium": []},
  "cert_keywords": [],
  "intention_keywords": [],
  "hard_requirements": {"min_degree": null, "must_majors": [], "redline_items": []}
}