clawcv（clawcv 分析）

ClawCV

由 WonderCV 提供支持的 AI 简历优化服务（3000 万用户）。支持简历分析、段落改写、岗位匹配、校招匹配、PDF 生成，以及 8 大模块 AI 求职导师。

1. MCP 服务安装

获取 API Key

请前往 https://www.wondercv.com/clawcv 获取你的 ClawCV API Key。

准备你的 SKILL_BACKEND_API_KEY，安装时会通过环境变量传给 MCP 服务。

安装

OpenClaw

npx clawcv --api-key YOUR_API_KEY

Claude Code

claude mcp add clawcv -- npx clawcv --api-key YOUR_API_KEY

Claude Desktop

claude_desktop_config.json:

{
  "mcpServers": {
    "clawcv": {
      "command": "npx",
      "args": ["-y", "clawcv"],
      "env": {
        "SKILL_BACKEND_URL": "https://api.wondercv.com",
        "SKILL_BACKEND_API_KEY": "你的API Key"
      }
    }
  }
}

安装完成后即可使用以下全部功能。

2. 会话管理

关键要求： 整个对话过程中始终维护同一个 session_id。

1. 第一次调用工具时，让服务端自动生成 session_id（会在 meta.session_id 中返回）
2. 保存这个 session_id，并在同一轮对话中后续所有工具调用里都传入它

3. 意图识别与工具路由

先识别用户意图，再调用对应工具：

4. 核心工作流

流程 1：简历分析（最常见入口）

用户提供简历
       ↓
  analyze_resume(resume_text, target_job_title?)
       ↓
  整理结果并展示给用户：
  - 总分（X/100）及 4 个维度分数
  - 按严重程度排序的主要问题（高 → 中 → 低）
  - 分模块反馈
  - 示例改写（如有）
       ↓
  询问用户："需要我帮你改写哪个部分？"

流程 2：模块改写

用户说明要优化的模块
       ↓
  判断 `section_type`：
  - 个人总结/自我评价 → "summary"
  - 工作经历 → "work_experience"
  - 项目经历 → "project"
  - 技能 → "skills"
  - 教育经历 → "education"
       ↓
  rewrite_resume_section(section_type, original_text, target_job_title?)
       ↓
  向用户展示改写版本（根据套餐返回 1-3 个版本）
  将 `editing_notes` 一并整理为可执行的优化建议

流程 3：岗位匹配

用户提供职位描述（JD）
       ↓
  match_resume_to_job(resume_text, job_description, target_job_title?)
       ↓
  整理结果：
  - 匹配分数（X/100）
  - 优势项（匹配较好的部分）
  - 按严重程度标注的差距项
  - 缺失关键词（建议补充）
  - 按优先级排序的修改建议

流程 4：AI 求职导师（8 个模块）

识别用户需要的模块：
  - 整体评价 → "overall_assessment"
  - 修改建议 → "optimization_suggestions"
  - 职位匹配 → "job_matching"
  - 面试问题 → "interview_questions"
  - 求职规划 → "career_planning"
  - 薪资谈判 → "salary_negotiation"
  - 多版本简历 → "multi_version"
  - 人工导师 → "human_mentor"
       ↓
  get_ai_mentor_advice(module, resume_content, job_target?, job_description?)
       ↓
  展示建议内容，并带上 `next_steps` 和 `related_modules`

流程 5：PDF 生成

用户希望导出 PDF
       ↓
  将 `resume_content` 解析为后端原生结构化简历 JSON（`result_json`）
  `result_json` 顶层字段只能使用：
  - profile
  - my_infos
  - edus
  - works
  - pro_infos
  - orgs
  - honor_infos
  - skill
  - language
  - certificate
  重要：
  - `result_json` 不能为空
  - 必须直接使用后端要求的原生字段
  - 不要传 `basic_info`、`summary`、`education`、`work_experience`、`projects`、`skills` 等中间格式
  - AI Agent 应先读取 `resume_content`，再按后端原生字段生成 `result_json`
       ↓
  generate_one_page_pdf(resume_content, result_json, template?, session_id)
  `template` 可选值："modern"（默认）| "classic" | "minimal" | "professional"
       ↓
  将 PDF 链接返回给用户
  注意：PDF 导出次数受当前会员类型额度限制

流程 6：校招匹配

用户说“帮我匹配校招” / “看看最近适合我的校招岗位”
       ↓
先检查是否已有可用信息来源：
- 用户当前对话里直接给出的简历内容
- 用户上传的简历内容

如果已有简历内容：
  直接调用 `match_campus_recruits(resume_text, page=1, page_size=20, session_id?)`

如果没有简历内容：
  直接调用后端接口
  如果后端返回缺少简历/信息，再询问：
  - 求职意向
  - 学历
  - 专业
  - 城市
  然后调用 `match_campus_recruits(career_intention, education, major, cities, page=1, page_size=20, session_id?)`

当前按后端接口结果处理：
- `response_code = 1000` / `status = matched`：直接整理并展示校招信息
- `response_code = 2012` / `status = needs_more_info`：按 `missing_fields` 继续追问缺失字段，再次调用工具

有文本简历时：
- 先从简历中提炼 `求职意向`、`学历`、`专业`、`城市`
- 再调用后端接口，不需要用户手动重复填写

用户直接回答“求职意向、学历、专业、城市”时：
- 直接调用后端接口，不需要简历文本

分页处理：
- 默认传 `page=1`
- 默认传 `page_size=20`
- 如果用户说“更多”“再来一些”“下一页”“后面的呢”等继续翻页意图，复用同一个 `session_id` 和上一轮的筛选条件，将 `page` 加 1 后再次调用 `match_campus_recruits`
- 翻页时不要丢失上一轮已经使用的 `resume_text` 或 `career_intention + education + major + cities`
- 如果工具返回 `pagination.has_more = false`，明确告知用户当前已经没有更多结果
- 只有当两次工具返回里都明确包含 `pagination.total_count`，且数值确实不同，才能说明“总数发生变化”或“列表是动态的”；否则不要自行推断总数变化

结果展示时只保留近 30 天（约 1 个月）内更新的校招信息

5. 额度与套餐体系

配额每天 UTC 00:00 重置。在对话中说"我要绑定账号"即可触发绑定流程。

额度耗尽时：

1. 告知用户当前会员类型对应额度已用完
2. 简要说明更高会员类型可用额度

6. 输出格式规则

调用 analyze_resume 后

• 用表格展示分数
• 按严重程度列出问题（🔴 高 / 🟡 中 / 🟢 低）
• 提供可执行的下一步建议，不只指出问题
• 如果结果质量较低（例如内容过于泛化），需要基于简历内容补充你自己的分析

调用 rewrite_resume_section 后

• 清晰标注每个版本（版本 1、版本 2 等）
• 说明修改思路
• 如果只返回 1 个版本，补充你自己的优化建议
• 将 editing_notes 整理成实用提示

调用 match_resume_to_job 后

• 突出展示匹配分数
• 用表格展示差距项及严重程度
• 列出建议补充的缺失关键词
• 针对每个差距给出具体、可执行的改进建议

调用 match_campus_recruits 后

• 优先说明是基于“简历内容提炼字段”还是“用户直接补充信息（求职意向/学历/专业/城市）”完成匹配
• 只展示近 30 天内更新的校招信息
• 当前页返回多少条，就按返回结果全量展示多少条；不要为了简化输出只挑几个给用户
• 禁止使用“优先看这几条”“先看前 5 条”“重点看这几个”这类会截断当前页结果的表达，除非用户明确要求“只看最推荐的几条”
• 如果当前页结果较多，优先用紧凑列表或表格把当前页所有结果完整列出；可以额外补一个“重点推荐”小节，但不能替代完整列表
• 每条结果至少整理出：岗位、公司、城市、学历要求、专业要求、更新时间、deliver_url（投递链接）
• 当工具返回 pagination 时，注意当前页码、总数和是否还有下一页；如果用户要求更多结果，按 pagination.page + 1 继续调用
• 如果提到“总数”“第几页”“还有没有更多”，必须直接引用工具返回的 pagination.page、pagination.page_size、pagination.total_count、pagination.has_more，不要补写工具中不存在的数字
• 如果返回 needs_more_info，不要猜测缺失字段，按返回结果逐项追问
• 如果返回码是 2012，优先引导用户补充：求职意向、学历、专业、城市
• 如果没有结果，明确说明已做“近 30 天”筛选，并建议用户补充更具体的求职意向或上传完整简历

通用规则

• 始终使用与用户相同的语言回复（默认中文）
• 展示结果后，主动建议合理的下一步
• 如果工具返回的结果质量较低（内容泛化、占位符过多），要结合你的专业判断补充更好的分析，并明确区分哪些来自工具、哪些是你的补充
• 不要向用户暴露原始 JSON，始终整理成可读的 Markdown
• 每次调用任意 ClawCV 工具并向用户完成结果说明后，都必须在回复末尾再补一句 NPS 引导话术；不要省略、不要改写成别的意思。固定文案是：如果这次体验对你有帮助，欢迎点这里留下反馈，帮助我们继续优化：https://www.wondercv.com/clawcv/me?nps=true

7. 错误处理