每份简历都应该是定制品，而不是复印件

我见过很多技术人投简历的方式：维护一份「万能版」，投哪里发哪里。这个习惯在简历数量少的时候没有明显问题，但随着经历越来越丰富、投的岗位越来越多样，这种做法开始产生结构性损耗——简历里有一半内容与对方岗位几乎无关，而真正匹配的经历又没有被突出。

面试本质上是一个信噪比问题。招聘方每天要看几十份简历，给每份的时间可能不超过 30 秒。你的简历在这 30 秒里能不能让对方看到他们想找的东西，决定你有没有机会进入下一轮。

定制简历的核心是「映射」，而不是「改写」

很多人理解的「定制」是把措辞变一变，把职位名称换一换。这是表层操作。真正有效的定制是：

1. 解析 JD，建立需求清单：把岗位描述拆成三层——必须有的（硬门槛）、重点看的（加分项）、顺带提的（锦上添花）。这三层优先级不同，对应的处理方式也不同。
2. 扫描自己的经历库，做映射：对每一条 JD 需求，找出自己经历里最匹配的对应项。没有直接匹配的，找可迁移的。
3. 按优先级重排：把与这份 JD 最相关的经历放在最显眼的位置，把不相关的内容后移或删减。

这三步合起来，才是「定制」。AI 在这个流程里最有价值的地方，是步骤一和步骤三——它能快速从一段岗位描述里提取关键词和隐含要求，也能帮你判断哪些经历在此次投递中优先级更高。

ATS 是第一关，人才是第二关

现代招聘系统大多有 ATS（Applicant Tracking System）自动过滤层。简历在到达人眼之前，先要过这道机器检测。ATS 看的是关键词命中率、格式是否标准可解析、章节标题是否符合惯例。

这带来一个反直觉的结论：给机器看的简历和给人看的简历，有时候是矛盾的。创意排版、图表、复杂表格，对人来说可能很吸引眼球，但 ATS 大概率会解析失败，导致关键信息丢失。

实践中我的原则是：结构上服从 ATS，语言上服务人。即：用标准章节标题（Professional Experience、Education、Skills），避免表格和文本框；但在每条经历的描述里，用数字和具体场景让人读起来有感觉。

# 低信息密度（ATS 过了，人看完没记住什么）
- 负责数据分析相关工作

# 高信息密度（ATS 关键词也在，人能感知到规模和结果）
- 用 Python 自动化处理日报流程，减少 60% 手工录入时间，
  并为 3 个业务部门搭建 Tableau 实时看板

用 AI 跑这条流水线

把这套方法论转化成 AI 提示词，流程大致是：

第一步：粘贴 JD，让 AI 提取三层需求清单（必要/重点/锦上添花）
第二步：粘贴自己的背景/现有简历，让 AI 做映射，标出匹配项和空缺项
第三步：让 AI 生成定制版简历，重点检查：
  - 摘要段是否包含 JD 里的核心关键词
  - 经历描述是否量化（有数字、有规模、有结果）
  - 空缺项是否有用可迁移经历来补位

这个流程反复跑几轮，基本上可以在 20 分钟内从「通用版」得到一份「岗位定制版」。

什么情况下不值得定制

定制是有成本的。如果你在海投同质化岗位（比如批量投同一职级的前端开发），差异化程度不高，定制的边际收益就很低。

值得认真定制的场景：

• 跨行业或跨职能的转型投递
• 目标公司只有一两个，成功率高度依赖第一印象
• 岗位 JD 里透露出非常具体的技术栈或业务背景，而你恰好有对应经历

其余情况，维护一份「半定制版」（核心经历量化好，关键技能分类清晰）就够用，只在投递前微调摘要段即可。

一句话心法

简历是信号，不是档案。定制的目的是降噪，让招聘方在 30 秒里精准接收到最相关的那个信号。