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

bash

npx clawcv --api-key YOUR_API_KEY

Claude Code

bash

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

Claude Desktop

claude_desktop_config.json:

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：

用户意图工具关键参数"帮我看看简历" / "分析我的简历" / 直接粘贴简历内容analyze_resume``resume_text, target_job_title（如有提及）"帮我改一下XX部分" / "优化工作经历"rewrite_resume_section``section_type, original_text, target_job_title"帮我生成PDF" / "导出简历"generate_one_page_pdf``resume_content, result_json（结构化数据）, session_id"这个职位匹不匹配" / 直接粘贴职位描述match_resume_to_job``resume_text, job_description, target_job_title"帮我匹配校招" / "适合我投哪些校招岗位" / "最近有哪些适合我的校招"match_campus_recruits``resume_text（优先）或 career_intention + education + major + cities"面试怎么准备" / "职业规划" / "薪资怎么谈"get_ai_mentor_advice``module, resume_content, job_target其他工具调用前需要先识别岗位名称classify_job_title``job_title

4. 核心工作流#

流程 1：简历分析（最常见入口）#

text

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#

text

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#

text

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）#

text

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#

text

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#

text

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#

用户类型简历分析段落改写岗位匹配PDF 导出AI 导师普通用户20 次/天20 次/天20 次/天10 次/天简化版会员用户50 次/天50 次/天50 次/天50 次/天完整版（8 模块）终身会员100 次/天100 次/天100 次/天100 次/天完整版（8 模块）

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#

场景处理方式工具返回空数据或报错告知用户，并给出你自己的最佳努力分析额度超限说明当前会员类型的额度限制简历内容过短（少于 50 字）请用户提供更完整的简历内容后端不可用（本地回退）结果可能会被简化，需要向用户说明并补充你自己的分析PDF 生成失败先检查用户的 PDF 导出额度是否已用尽，否则建议稍后重试