AI 求职助手怎么筛选岗位并改简历：从岗位匹配到定制投递的实操流程

很多人第一次用 AI 求职助手，会把它当成“帮我写一份更漂亮的简历”的工具。这样当然有用，但价值只发挥了一小半。

更适合的用法是：先让 AI 帮你筛岗位，再针对值得投的岗位改简历。也就是说，不是把同一份简历到处投，而是把“岗位要求、个人经历、投递优先级、定制材料、投递记录”串成一个小流程。

如果你已经看过 ai-job-search、Claude Code 求职工作流或者类似 AI Agent 项目，这篇会更偏实操：AI 求职助手怎么筛选岗位并改简历，具体应该喂哪些资料、看哪些匹配点、怎么让它改得像你本人，而不是改成一份模板味很重的简历。

先准备三类资料

不要一上来就让 AI 写简历。先把上下文准备好，后面的筛选和改写才不会飘。

建议准备三类文件：

1. 个人基础档案
2. 经历素材库
3. 投递偏好

个人基础档案可以包含：

• 当前目标岗位：比如后端开发、AI 产品经理、数据分析、运维工程师。
• 工作年限和城市偏好。
• 技术栈或业务方向。
• 当前简历版本。
• 不希望 AI 编造的边界。

经历素材库可以按项目整理，而不是按简历格式整理：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

## 项目：内部知识库检索系统

- 角色：后端开发
- 时间：2025.03 - 2025.09
- 技术：Python、FastAPI、PostgreSQL、向量检索、Docker
- 做过的事：
  - 设计文档解析和入库流程
  - 接入权限校验
  - 优化检索响应时间
- 可以量化的结果：
  - 查询平均响应时间从 3.2 秒降到 1.1 秒
  - 支持 5 个业务部门使用

投递偏好则用于筛岗位：

1
2
3
4
5
6
7

## 投递偏好

- 优先：远程 / 混合办公、AI 应用方向、工具平台类产品
- 可接受：传统 SaaS、企业内部系统、数据平台
- 暂不考虑：纯外包、长期驻场、销售导向岗位
- 薪资下限：面议，但不低于当前总包
- 每周最多投递：15 个高匹配岗位

这些资料越清楚，AI 越像一个求职助理，而不是一个随机文案生成器。

第一步：让 AI 拆解岗位要求

拿到岗位 JD 后，不要直接问“我适合吗”。更好的第一步是让 AI 把岗位拆成结构化要求。

可以这样提问：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

请把下面这份岗位 JD 拆成结构化信息：

1. 必须满足的硬性要求
2. 加分项
3. 实际工作内容
4. 隐含能力要求
5. 可能的面试重点
6. 需要我在简历里重点回应的关键词

请不要评价我是否适合，先只分析岗位。

这样做的好处是，AI 不会一开始就为了给你信心而说“很匹配”。它会先把岗位本身拆清楚。

比如一个 AI 应用工程师岗位，表面写的是：

• 熟悉 Python
• 有 LLM 应用经验
• 熟悉向量数据库
• 有 Prompt Engineering 经验

AI 拆完后，可能会进一步识别出：

• 公司真正需要的是能把模型能力落到业务系统的人。
• 他们可能更关心 RAG、权限、评测、上线稳定性，而不是只会调 Prompt。
• 简历里最好体现“从原型到上线”的完整经历。

这一步决定后面简历怎么改。

第二步：用匹配矩阵筛岗位

筛岗位时，不建议只让 AI 给一个总分。总分很容易虚高，尤其是 JD 写得很宽泛的时候。

更好的方式是让 AI 输出匹配矩阵：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

请基于我的个人档案和经历素材库，对这份岗位做匹配分析。

请输出一个表格，包含：

- 岗位要求
- 我的相关证据
- 匹配程度：强 / 中 / 弱 / 无
- 是否必须补充
- 简历中应该怎么体现

最后再给出投递建议：
- A：强烈建议投递
- B：可以投递，但需要定制简历
- C：暂缓投递
- D：不建议投递

注意：没有证据的地方请写“暂无证据”，不要替我编造经历。

输出结果大概会变成这样：

这个矩阵比“匹配度 82 分”更有用，因为你能看到每个岗位要求背后的证据。

第三步：把岗位分成三档

AI 求职助手最适合做的，不是让你投更多，而是让你少投低质量岗位。

可以把岗位分成三档：

很多求职焦虑来自“看起来每个岗位都能投”。AI 的价值是帮你识别：哪些岗位值得花 30 分钟定制，哪些岗位不值得浪费精力。

判断是否值得定制简历，可以看三个问题：

• JD 里的核心职责，你是否真的做过类似事情？
• 你是否能拿出项目、数据、场景作为证据？
• 这个岗位是否符合你的下一步方向，而不只是能拿到面试？

如果三个问题都比较正向，就值得进入简历改写。

第四步：让 AI 只改“相关表达”

改简历时，最容易踩坑的是让 AI 全文重写。全文重写看起来顺滑，但很容易出现两个问题：

• 语气变得像通用模板。
• 经历被包装得过头，面试时解释不了。

更好的方式是按岗位要求局部改写。

可以这样提示：

1
2
3
4
5
6
7
8

请基于这份岗位 JD，只改写我简历中与该岗位相关的部分。

要求：
1. 不新增我没有做过的经历
2. 不改变项目事实
3. 优先强化和 JD 相关的关键词
4. 每条经历尽量包含：动作、技术/方法、结果
5. 输出“修改前 / 修改后 / 修改理由”

比如原始表述是：

1

参与内部知识库系统开发，负责后端接口和数据处理。

针对 AI 应用岗位，可以改成：

1

参与内部知识库检索系统开发，负责文档解析、权限校验和检索接口设计，使用 FastAPI 与 PostgreSQL 支撑跨部门知识查询场景，将平均查询响应时间从 3.2 秒优化至 1.1 秒。

这不是凭空包装，而是把原本模糊的经历，改成更接近岗位语言的表达。

第五步：补齐简历里的证据链

一份适合岗位的简历，不只是塞关键词。它应该让招聘方快速看到证据链：

1
2
3
4
5

岗位需要什么能力
我在哪个项目里用过
我做了什么动作
产生了什么结果
这件事和岗位有什么关系

你可以让 AI 检查简历里的每条项目经历：

1
2
3
4
5
6
7
8

请检查这份定制简历是否形成了清晰证据链。

对每个项目输出：
- 对应的岗位要求
- 当前简历证据是否充分
- 哪些表达太泛
- 哪些数据或场景可以补充
- 哪些内容看起来像夸大

如果 AI 指出“负责系统优化”太泛，就继续补细节：

• 优化的是接口、SQL、缓存、并发，还是模型调用？
• 指标是响应时间、失败率、成本，还是用户使用量？
• 这个优化影响了多少用户、部门或业务流程？

这些问题比“帮我润色一下”更能提高简历质量。

第六步：求职信只写岗位相关理由

如果你要写求职信，不要让 AI 写一篇万能自我介绍。求职信只需要解决一个问题：为什么你和这个岗位有关。

可以让 AI 输出三段式：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

请基于岗位 JD 和我的定制简历，写一封简短求职信。

结构：
1. 我为什么关注这个岗位
2. 我哪两段经历最匹配
3. 我能为团队解决什么问题

要求：
- 不超过 300 字
- 不夸大经历
- 不使用“贵公司平台广阔”等空话
- 语气自然，像真实求职者

很多岗位不一定要求求职信，但这一步仍然有用。因为它能反向检验：你是否真的知道自己为什么投这个岗位。

如果求职信写出来全是套话，说明这个岗位可能并不值得高优先级投递。

第七步：建立投递记录和复盘字段

AI 求职助手不应该只生成材料，还应该帮你记录投递过程。

建议用一个简单表格：

后续你可以让 AI 每周复盘：

1
2
3
4
5
6
7

请根据我的投递记录做一次求职复盘：

1. 哪类岗位回复率更高
2. 哪些关键词经常出现在高匹配岗位中
3. 哪些短板反复出现
4. 下周应该优先投哪类岗位
5. 简历应该做哪些小改动

这样 AI 就不只是“写简历工具”，而是一个持续迭代的求职系统。

常见坑：AI 改简历时最容易出的问题

1. 把没有做过的事写进简历

这是最危险的问题。AI 很擅长补全逻辑，也很容易把“接触过”写成“主导过”。

建议在提示词里固定加一句：

1

没有明确证据的经历必须标注“不能写入简历”，不要替我补全。

2. 关键词堆得太满

有些简历看起来 ATS 关键词很多，但真人读起来像技术词列表。

更好的写法是：关键词放在真实项目动作里，而不是堆在技能栏里。

3. 每个岗位都深度定制

深度定制很耗时间。建议只对 A 档岗位完整定制，对 B 档岗位轻量调整，对 C/D 档岗位直接跳过。

4. 只改简历，不改投递策略

如果连续投递没有反馈，不一定是简历措辞问题，也可能是岗位方向、城市、年限、薪资或渠道不匹配。AI 应该参与复盘，而不是只负责润色。

5. 忽略 ATS 可读性

简历做得很漂亮，不代表系统能解析。导出 PDF 前，最好让 AI 检查：

• 是否有复杂表格
• 是否有图片化文字
• 标题是否清晰
• 时间线是否一致
• 项目符号是否可复制

一个可复用的完整提示词

下面这个提示词可以作为起点：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

你是我的 AI 求职助手。请基于我的个人档案、经历素材库和岗位 JD，帮我完成一次岗位筛选和简历定制。

请按以下步骤输出：

1. 拆解岗位 JD
   - 必须要求
   - 加分项
   - 实际工作内容
   - 隐含能力要求

2. 匹配矩阵
   - 岗位要求
   - 我的相关证据
   - 匹配程度：强 / 中 / 弱 / 无
   - 是否需要补充
   - 简历中如何体现

3. 投递建议
   - A：强烈建议投递
   - B：可以投递，但需要定制简历
   - C：暂缓投递
   - D：不建议投递
   - 给出理由

4. 简历改写
   - 只改与岗位相关的部分
   - 输出修改前 / 修改后 / 修改理由
   - 不新增事实
   - 不夸大角色

5. 风险检查
   - 哪些表达可能被认为夸大
   - 哪些要求没有证据
   - 面试时可能被追问什么

重要约束：
- 没有证据的地方写“暂无证据”
- 不要编造工作经历、项目数据、公司名称或职位职责
- 优先保留我自己的表达风格

这个提示词适合放进 Claude Code、Codex、ChatGPT 项目空间，或者任何支持读取本地 Markdown 文件的 AI 工具里。真正关键的不是工具名字，而是把资料、岗位和输出格式固定下来。

小结

AI 求职助手最实用的姿势，不是“帮我写一份万能简历”，而是围绕一个岗位做一轮判断：

• 这个岗位是否值得投？
• 我的经历有哪些真实证据？
• 简历应该强化哪些表达？
• 哪些短板不能假装没有？
• 投递后如何复盘？

当你把这个流程跑起来，AI 就不只是简历润色器，而是一个帮你控制投递质量的助手。它能减少低匹配投递，把时间留给真正值得定制的岗位，也能让每次改简历都更接近真实岗位需求。