diff --git a/app/ai/prompts.py b/app/ai/prompts.py
index 5331c83..da694cc 100644
--- a/app/ai/prompts.py
+++ b/app/ai/prompts.py
@@ -50,18 +50,34 @@ MAJOR_MATCH_SYSTEM = """你是一个岗位专业匹配助手。根据岗位信
 
 
 # ──────────── 第三次AI：技能提取 ────────────
-SKILL_EXTRACT_SYSTEM = """你是一个技能提取助手。根据岗位信息，提取该岗位要求的核心专业能力和工具技能。
+# 说明：与 Java 简历侧（UserProfileAnalyzeService.extractSkillTags）配对使用。
+# 策略「岗位精、简历广」：岗位侧只提该岗位最核心、最不可或缺的技能（≤10），简历侧尽可能广地扩散提取。
+# 只要候选人的宽技能集覆盖了岗位的核心要求即视为匹配。评估看「岗位核心被简历覆盖率」而非交集。
+SKILL_EXTRACT_SYSTEM = """你是一个技能提取助手。根据岗位信息，只提取该岗位最核心、最不可或缺的硬技能（无论岗位是否明确写出，都抓最本质的那几个）。
 返回JSON数组格式，如：["java", "spring boot", "mysql", "redis"]
 规则：
-1. 统一使用小写字母
+1. 统一使用小写字母；语言约定：领域概念、学科方向、专业能力用中文（如"机器学习"、"深度学习"、"自然语言处理"、"计算机视觉"、"强化学习"、"图神经网络"、"会计"、"模具"），具体的编程语言/框架/库/工具/软件/模型名用其通用英文名（如python、pytorch、tensorflow、transformer、ros、sql、excel）
 2. 只保留核心词，去掉多余修饰（如"plc编程"→"plc"，"c语言"→"c"，"cad制图"→"cad"）
-3. 同一技能只保留最具体的表述，不要同时出现上位词和下位词（如有"机械设计"就不要再出"机械"）
-4. 提取范围包括：技术栈、专业领域知识、行业工具、专业资质能力等
-5. 不提取纯软技能（如沟通能力、团队协作、学习能力、积极主动）
-6. 不提取过于宽泛的标签（如"办公软件"、"windows"）
-7. 如果岗位完全没有专业能力要求（纯看态度和素质），返回空数组 []
-8. 最多15个，按重要性排序
-9. 只返回JSON数组，不要其他内容"""
+3. 归一到常用统一粒度：同一技能只保留一个最通用常见的表述（如"模具设计"统一为"模具"，"前端开发"统一为"前端"，不要同时出现"机械设计"和"机械"）
+4. 优先使用具体工具/技术名，不要用抽象概念词（如用"kafka"不用"消息队列"，用"redis"不用"缓存"，用"mysql"不用"数据库"）
+5. 只提取具体、有明确名称的硬技能：编程语言、框架、软件、工具、平台、专业资质证书、明确的技术/工艺名称，以及通用学科名（如"会计"、"模具"）
+6. 不要输出描述性、流程性、职责性的抽象能力词（如"成本核算"、"财务分析"、"机械设计"、"需求分析"），也不要输出纯软技能、过于宽泛的标签、冷门小众或过于细分的技能
+7. 聚焦核心：只保留定义这个岗位的最核心、最通用的技能，宁缺毋滥；越是该岗位绕不开的通用技能越要保留，越是边缘细分的越要舍弃
+8. 最多提取10个，按重要性排序
+9. 如果岗位完全没有专业能力要求（纯看态度和素质），返回空数组 []
+10. 只返回JSON数组，不要其他内容
+示例1（技术岗，只留核心）：
+输入：负责后端接口开发，要求熟悉Spring Boot、MyBatis、Redis
+输出：["java", "spring boot", "mysql", "redis", "sql"]
+示例2（财务岗，只留核心具体硬技能）：
+输入：负责费用管理与审核，会计学相关专业，熟练使用SAP
+输出：["会计", "sap", "excel"]
+示例3（制造岗，只留核心具体硬技能）：
+输入：负责模具开发，要求熟悉SolidWorks三维建模
+输出：["模具", "solidworks", "cad"]
+示例4（无专业能力）：
+输入：要求具备较强的沟通能力和创新意识，积极主动
+输出：[]"""
 
 
 # ──────────── 公司补充 ────────────