前两天我在网上刷到一个简历站点，kainy.cn/cv。
一个叫郭涛的前端工程师，平安干了9年，从营销H5到工程化基建到小程序全干过，手里还有一项图形界面检测的发明专利和一本软著。简历做得挺干净，Markdown静态站，点进去就是一个人完整的职业履历铺在你面前。
我当时多看了两眼，不是因为这份简历写得多惊艳，是因为我突然想到一个问题。
这份简历，他拿去投字节，投腾讯，投一家创业公司，投一个金融营销岗，投一个前端基建负责人岗，用的是同一份吗？
大概率是。
我身边大部分找工作的人，都是一份简历投天下。改改自我介绍，调调排版，投出去就完事了。投10家是这一份，投50家还是这一份。
然后就开始纳闷，为啥投了50家，面试电话就两三个。
我之前看到一组数据，给我整懵了。
有个叫TalentTuner的机构分析了944份简历和57项学术研究，得出的结论是，平均简历在ATS系统里的得分只有57.6分。而大多数公司设的通过线是70分。
也就是说，超过一半的简历，在任何一个活人看到它之前，就已经被系统排到队列末尾了。
你想想看，你花两小时精心调排版的那个PDF，到了对面那边，第一关根本不是HR的眼睛，是一个叫ATS的东西。
ATS，Applicant Tracking System，招聘管理系统。我查了一下，全球98.4%的财富500强企业都在用，国内北森连续9年招聘SaaS市场份额第一，服务了6000多家中大型企业，覆盖了70%的财富中国500强。AI简历评估准确率号称95.5%。
说真的，中大厂几乎全部在用，中型企业在跟进，小企业也在通过SaaS接入。
这玩意干的事很简单，把你的简历拆成结构化数据，然后按JD里的关键词给你打分排序。关键词匹配这一项的权重，能占到40%到50%。
HR通常只看排名前10%到20%的人。
剩下的，系统直接帮你「处理」了。
你连被看一眼的资格都没有。
我寻思了一下，这个事儿最坑的地方在哪呢，在于ATS不是一份简历一个分，是一个岗位一个评分模型。你投A岗位和B岗位，哪怕简历一模一样，得分可能差出三四十分。因为每个JD背后的关键词清单不一样，权重配置不一样，硬性条件不一样。
你用一份简历打天下，说到底就是在赌，赌每个岗位的ATS模型恰好都跟你的简历对齐。
这个概率，怎么说呢，跟买彩票差不多。
我还看到另一个对比数据，挺扎心的。一份简历海投45家，面试转化率不到3%，实际拿到0到1个面试。换成3个定向版本投15家，转化率能到20%到40%，拿到3到6个面试。
投的少了三分之二，面试反而翻了数倍。
这事儿就这么简单，你不去适配JD，JD也不会来适配你。
好，问题说清楚了。但接下来才是我今天真正想聊的。
因为「定制简历」这四个字，谁都知道，谁都在说。问题是，真让你去干，你会发现这是一件极其折磨人的事。
你投一个岗，要把JD从头到尾读一遍，提炼关键词，想清楚哪些经历前置哪些后置，把每条经历的措辞改成跟JD对齐的表述，再补一堆量化数据。搞完一个版本，少说一两个小时。
你投10个岗，就是10到20个小时。
谁受得了。
所以大部分人最后还是选择，一份简历投天下，然后祈祷。
直到我琢磨了一下郭涛那份简历，我突然觉得，这事儿好像可以用AI跑通一个特别顺的流程。
不是让AI帮你编简历，是让AI帮你做翻译、排序、加权、量化。原材料还是你自己的真实经历，AI干的是裁缝的活，不是造假。
我把整个流程理了一遍，发现其实就五步，而且每一步都能用一个Prompt搞定。
先说一个最关键的前置动作。
你得先有一份「基底简历素材库」。
什么意思呢，就是你把自己全部的真实经历，不删不减，全部结构化地存成一份文本。基础信息、能力标签、工作经历原始素材，全部留着。
拿郭涛这份举例，他的基底素材库大概长这样。
基础信息，姓名联系方式博客GitHub邮箱，专利CN117215936A，软著2021SR1458469《跨时空App》，平安2015.6到2024.7资深前端。
能力标签分维度存，硬技能是Webpack、Vite、Babel、ESLint、CI、CD、脚手架开发、前端性能优化、工程化架构、小程序H5管理后台、图形界面检测专利、跨端App开发。业务标签是金融营销、银行保险、个贷、跨境汇款、微海报活动、线上营销。软能力是跨团队协作、大型项目架构主导、团队效率推动、线上性能治理。
工作经历原始素材，一条都不删，营销H5、后台管理系统、银行保险个贷微海报小程序跨境汇款前端架构、工程化体系升级、全链路性能优化、自研脚手架、CI/CD流水线、专利软著，全留着。
这份素材库是你的永久弹药库。后面不管投什么岗，AI都是从这里面取料，不会凭空编。
关键就一句话，素材库只存真实事实，AI只做语序、权重、量化的改写，绝不编造经历。
好，前置准备说完了，进入正题。
第一步，让AI帮你拆JD。
你把JD丢给AI，让它干两件事，一是把JD里的关键词拆成三类，硬技能、核心职责、软性要求，每类标注优先级高中低。二是输出这个岗位的核心痛点，这家公司招这个前端到底要解决什么问题。
Prompt我直接贴给你，可以复制就用。
「你是资深招聘HR，精通前端工程师ATS简历筛选规则，完成2件事，1完整解析下方JD，拆分三类关键词并标注优先级，硬技能包括构建工具框架性能工程化业务领域，核心职责包括架构性能治理脚手架营销活动跨端团队基建，软性要求包括主导大型项目线上问题跨部门协作专利软著加分项，2输出岗位核心痛点，这家公司招前端要解决什么业务或技术问题。JD内容，粘贴完整招聘JD。」
跑出来之后你就拿到一张关键词权重表。
比如JD写的是「急需前端工程化负责人，搭建团队构建体系、优化线上页面性能，有金融营销小程序经验优先」，AI会告诉你高权重词是Vite、Webpack、CI/CD、脚手架、性能优化、金融小程序、架构主导，低权重是普通H5页面开发。
这张表就是你后面所有动作的指南针。
第二步，让AI拿这张表去对比你的基底简历，出一份诊断报告。
Prompt也给你。
「基于上方JD关键词权重表，对比我的前端基底简历，输出诊断表格，列包括JD核心要求、简历现有匹配证据、匹配程度高中缺失、AI优化建议不编造经历仅调整表述排序补充量化，额外输出，1需要前置展示的经历模块，2需要弱化删减的无关描述，3可植入关键词的段落位置。基底简历，粘贴完整简历文本。」
这一步跑完，你会拿到一张特别清醒的表。
拿郭涛的简历举例，诊断结果大概是这样。高匹配的，工程化架构、性能优化、金融营销项目、专利软著，这些要前置、加粗、量化。弱匹配的，协作能力描述太单薄，AI会建议补充，比如「统筹多业务线前端团队，推动标准化落地，降低新人上手成本」。无匹配的，比如JD要求React但简历里没提，AI会直接标注无相关经验，不强行添加，弱化前端框架描述，侧重通用工程化能力。
你看，AI在这一步干的事不是帮你吹牛，是帮你认清现实。哪些是你的弹药，哪些不是，一目了然。
这一步其实特别重要，因为它帮你避免了一个最大的坑，就是硬凑。JD要React你没有，你硬编一个进去，面试一问就露。AI反而会老老实实告诉你，这块你没有，别硬来，把别的优势往前推。
第三步，是整个流程的核心，AI重构定制版简历。
这一步AI会干四件事。
模块顺序重排。JD看重工程化，就把工程化和性能优化放工作经历第一条。JD看重营销业务，就把营销H5和跨境小程序项目置顶。
关键词自然植入。把JD里的高频词，Vite、性能治理、CI/CD、金融小程序，嵌进每条经历里，但不能堆砌。
STAR量化升级。把模糊描述变成带技术指标的成果。前端专属的量化指标是LCP、包体积、构建时长、页面报错率、迭代周期。
比如原始写的是「推动团队工程化与性能优化」，AI定制改写后变成「主导平安前端工程化架构全面升级，基于Vite重构自研脚手架，搭建标准化CI/CD流水线，项目构建时长缩短42%，页面LCP降低35%，统一10+金融营销项目构建规范，大幅提升团队迭代效率」。
个人介绍定向改写。3句话精准贴合JD，替代通用空话。
工程化岗的版本是这样的，9年金融资深前端工程师，深耕前端工程化与线上性能治理，主导大型金融项目基建升级，自研脚手架与构建体系，持有前端图形检测发明专利，擅长从0到1搭建团队前端标准化体系。
完整Prompt我也贴出来，这个是可以直接用的。
「你是前端简历优化专家，严格基于我提供的原始简历真实内容，结合JD关键词权重表，输出一版ATS友好、定向适配该岗位的完整简历，规则，1经历按JD匹配度从高到低排序，重点内容强化，无关内容压缩精简，2每条工作经历动词开头，主导搭建重构落地治理，用STAR结构，全部补充前端可量化技术指标，3JD高权重关键词自然嵌入段落，不生硬堆砌，4个人简介开篇直接呼应岗位核心需求，弱化无关描述，5保留全部专利软著GitHub博客等加分项，放在靠前位置，6禁止编造任何未在原始简历出现的项目技能数据。JD关键词权重，粘贴第一步AI输出的关键词表。原始简历文本，粘贴完整简历。」
这一步跑完，你手里就有一版定向定制的简历了。
但是，别急着投。
第四步，人工校验。这一步是必过关卡，不能跳。
AI会犯三类错，你得盯着。
第一类，事实夸大。AI特别喜欢写「独立完成」，你得分清楚哪些是你主导的，哪些是你参与的，统一修正成「主导」或「参与统筹」。不存在的技术栈直接删掉。
第二类，关键词堆砌。AI有时候会把「性能优化」这个词在一份简历里重复五六遍，你读着都累，ATS也不傻。删掉重复表述，保证行文自然。
第三类，量化数据。AI生成的那些百分比和效率指标，你得核对一下，贴合你真实业务场景。没依据的，标一个【可补充真实业务数据】的记号，回头自己补。
这一步说白了就是给AI兜底。AI是裁缝，你是质检员，衣服做好了你得试一试，线头剪一剪。
第五步，分岗位归档。
每个JD生成一份独立命名的简历，比如「平安-前端工程化负责人_定制版.md」、「字节-营销前端开发_定制版.md」，统一存在一个地方。后续再投类似岗位，直接拿出来改，不用从头跑。
郭涛那个kainy.cn/cv本身就是个Markdown静态站，AI输出定制版Markdown后，直接替换仓库里的cv.md文件，一键部署就能生成岗位专属的简历页面。投递的时候直接发链接，比如kainy.cn/cv/engineer，kainy.cn/cv/marketing，对方点开就是为他这个岗位定制的版本。
你想想看这个画面。
HR打开你的链接，看到的简历，每一条经历都在回应他JD里的关键词，每一个量化指标都在说他想解决的问题，个人介绍第一句话就告诉他，我就是你要找的人。
而这一切，你只花了5分钟。
好，流程讲完了，我再用郭涛的简历跑两个实战案例给你看，感受一下「同一份素材，两个岗位，两版简历」的差别。
第一个，投前端工程化基建负责人岗。
JD核心要求，Vite、Webpack、脚手架、CI/CD、性能体系、大型项目架构、团队提效。
AI干了这么几件事。个人介绍第一句突出工程化、架构升级、基建搭建。工作经历第一条重写工程化架构升级、脚手架、CI/CD流水线，量化构建速度和页面性能指标。营销H5页面开发的描述弱化，一句话带过。专利《图形用户界面检测方法》放在能力区靠前位置，突出技术研发能力。
整份简历读下来，你就是一个为工程化而生的人。
第二个，投金融营销前端专家岗。
JD核心要求，营销H5、小程序、保险跨境业务、活动页面、多端适配、线上转化。
AI的改法完全不一样了。个人介绍优先强调金融营销、小程序、活动项目全栈架构。置顶的是银行保险、个贷、跨境汇款、微海报小程序项目，补充活动量级、页面稳定性、转化率优化描述。工程化内容后置，只保留支撑营销项目的构建优化部分。《跨时空App》软著重点展示，贴合跨端营销产品需求。
同一份基底素材，换个JD，整份简历的叙事重心完全变了。
但每一句话都是真的，每一个项目都是他真做过的，AI只是帮你重新排了个序，换了套措辞，补了几个量化数字。
这就是「翻译」的力量。
不是编，是让同一份经历，对着不同的人，说不同的话。
说到这个，我得提几个避坑的事儿，技术岗尤其要注意。
第一，严禁虚构技能和项目。AI推荐你补充的技能，你没有实际经验的，一律删掉。面试的时候一问就露，直接淘汰，比简历没过ATS还惨。
第二，不堆砌冷门关键词。JD里低权重的词，简要提一下就行，别为了显得你什么都会，把简历搞得臃肿不堪。
第三，前端量化指标必须专业。用LCP、包体积、构建耗时、CI流水线时长、线上报错率、迭代周期这些，别用「提升很大」「效果显著」这种模糊话。HR和ATS都在找具体的数字。
第四，专利和软著固定保留。这是技术岗的加分项，AI不能删，可以根据JD调整展示顺序，但不能丢。
第五，统一动词体系。工程化岗用搭建、重构、治理、标准化，业务岗用主导、落地、适配、迭代。动词不对，整个人的画像就歪了。
这五条你守住，AI定制简历就不会翻车。
其实你把这个流程跑顺了之后，还可以再往前走一步。
把基底简历和全套Prompt存进AI的自定义指令里，以后每次投递，只需要粘贴一份新JD，AI自动跑完全流程，5分钟出一版。
在简历仓库里建多个分支，main是通用基底，feature/engineering是工程化定制版，feature/marketing是营销前端定制版，一键切换部署。
新增一个JD，不用重写全部简历，AI只增量修改匹配模块就行。
到这个阶段，你已经不是在「改简历」了，你是在运营一个简历生产系统。
我有时候觉得，这个事儿背后有一个挺有意思的东西。
你想想看，ATS的本质是什么，是信息匹配。它把JD翻译成一组关键词，把你的简历翻译成一组关键词，然后算两组词之间的距离。
你的简历得分低，不是因为你不行，是因为你的信息没有以对方能识别的编码方式发送出去。
这事儿其实一点都不新。
你写信给一个不懂中文的人，你写得再漂亮他也看不懂。不是你的信不好，是编码不对。
ATS就是一种编码系统。JD是一种编码方式。你的简历是另一种编码方式。当两种编码不对齐的时候，信息就丢失了。
AI在这里干的事，就是一个翻译器的活。它读JD的编码，读你简历的编码，然后把你的编码重新打包成JD能识别的格式。
你想想看，这个逻辑放到更大的尺度上，是不是到处都是。
你跟老板汇报，用老板听得懂的话说，跟用工程师听得懂的话说，效果完全不一样。你卖一个产品，跟技术客户讲参数，跟普通用户讲场景，话术完全不一样。
同一段经历，同一个产品，同一个人，换一种编码方式，对方的接收度就天差地别。
这不是虚伪，这是沟通的基本功。
只不过以前这个翻译的活，得你自己干，干得慢，干得累，干十个版本就崩溃了。现在AI帮你干，5分钟一个版本，你只需要当质检员。
我看到那个对比数据的时候，说实话挺感慨的。一份简历海投45家，转化率不到3%。3个定向版本投15家，转化率20%到40%。
差的不是人，是编码。
你跟那个拿到面试的人，可能能力一模一样，经历一模一样，唯一区别就是，他把自己的经历翻译成了ATS听得懂的语言，而你没有。
这个信息差，磨一磨，就磨平了。
我始终觉得，AI这个工具，最性感的用法不是替你思考，是替你做那些你明明知道该做、但就是没精力做的苦活。
定制简历这事儿，谁不知道该做？都知道。但谁真做了？没几个。因为太累了。
现在不累了。
你把素材库搭好，把Prompt存好，以后每投一个岗，5分钟出一版定向简历。你花在「适配」上的时间，从20小时降到5分钟。
省下来的时间，你去准备面试，去研究公司，去打磨你的真本事。
简历是敲门砖，面试才是真正的战场。
别把所有精力都耗在敲门上。
对了，如果你也想试试这个流程，工具这块我简单说一下。通用大模型用GPT-4o、Claude 3.5、豆包都行，执行JD解析和简历改写没问题。ATS检测工具可以用TalenCat、NovaCV，校验关键词匹配度和格式兼容性。静态站点部署就用你顺手的方式，Markdown进仓库一键部署就行。
工具不重要，流程才重要。
你今天就可以做的一件事，把自己简历里的全部真实经历，不删不减，存成一份基底素材库文本。就这一步，你做了，你已经比90%的求职者领先了。
剩下的，交给AI，交给5分钟。
注意，本项目仅在 SyncMein 的500人小群分享。
加微入群，谢谢你看完了我的文章，我们下次再见吧。
/ 作者，明察
/ 投稿或爆料，请联系邮箱，mingcha@gqmg.com
暂无评论内容