AI 求职真正能提高的不是“骗过 ATS”：是把求职从碰运气，变成一条能诊断的证据漏斗
源帖给了 8 个求职 Prompt：找冷门职位、改简历、写冷邮件、求职信、模拟面试、技术面、面后跟进、14 天复盘。 真正有价值的是“把求职拆成流程”。 但标题“Claude 30 天内帮你找到工作”和其中“骗过 ATS”“包装量化成果”这两类表达必须被拿掉。 没有任何模型能保证你 30 天被录用；而简历里不存在的数字、领导力、项目和成果，不因为是 AI 写的就变成真实。 ## AI 求职真正适合
AI 求职真正能提高的不是“骗过 ATS”：是把求职从碰运气，变成一条能诊断的证据漏斗
源帖给了 8 个求职 Prompt：找冷门职位、改简历、写冷邮件、求职信、模拟面试、技术面、面后跟进、14 天复盘。
真正有价值的是“把求职拆成流程”。
但标题“Claude 30 天内帮你找到工作”和其中“骗过 ATS”“包装量化成果”这两类表达必须被拿掉。
没有任何模型能保证你 30 天被录用；而简历里不存在的数字、领导力、项目和成果，不因为是 AI 写的就变成真实。
AI 求职真正适合做什么
AI 最擅长的是：
- 帮你归纳职位描述；
- 从真实经历里提取证据；
- 发现简历和岗位之间的缺口；
- 帮你模拟不同面试问题；
- 把投递结果结构化；
- 根据漏斗数据提出下一轮实验。
它不适合替你制造：
- 不存在的指标；
- 虚构项目；
- 假推荐；
- 假工作经历；
- 假证书；
- “无人竞争”的确定性岗位。
第一步不是改简历，是建立 Role Thesis
很多人一打开 AI 就说：
“帮我优化简历。”
但如果目标职位本身不清楚，AI 只能把一份模糊简历写得更像一份模糊简历。
先写：
Role / Industry / Problem / Evidence / Constraint / Location / Compensation / Why-you
比如：
“我想做 AI 产品运营”仍然太宽。
需要继续拆：
- B2B 还是消费？
- 内容增长还是客户成功？
- 是否需要英文？
- 有没有行业经验？
- 是否接受远程？
- 能拿什么真实项目证明能力？
第二步：建立 Evidence Inventory
把所有真实经历整理成证据表：
Situation / Action / Result / Evidence / Confidence / Can-Verify。
如果结果没有数字，就不要为了“ATS 喜欢量化”强行编 37%。
可以写：
- 负责什么范围；
- 交付了什么；
- 被谁采用；
- 减少了什么步骤；
- 让谁更快完成了什么。
- 使用职位描述里的真实术语；
- 明确技能与经历；
- 保持结构清晰；
- 避免复杂格式导致解析失败；
- 把关键证据放在招聘方能快速理解的位置。
- 这个结果如何证明？
- 你个人贡献是什么？
- 如果没有你，会发生什么？
- 为什么采用这个方案？
- 最大失败是什么？
- 如果重做一次会改什么？
准确的定性证据 > 虚构的量化数字。
ATS 不是需要“骗过”的敌人
简历优化真正应该做的是：
“关键词匹配”是表达优化。
“把没做过的事情写成做过”是事实问题。
这两者必须分开。
第三步：Application Contract
每个职位不要只记“已投”。
记录：
Company / Role / Source / Match / Evidence Gap / Resume Version / Date / Contact / Stage / Outcome。
这样 14 天后 AI 才能真正分析。
否则把一堆“投了很多，没回”交给 Claude，只能得到泛泛建议。
第四步：冷启动邮件不是“让人停下滑手机”
真正有效的外联更接近：
Why you → Why this role/company → Relevant evidence → One useful observation → Small ask
不需要故意制造夸张开场。
也不要用 AI 一次群发几百封看起来“个性化”的垃圾邮件。
目标是让对方快速判断：
这个人是否真的研究过岗位，是否有相关证据，是否值得回复。
第五步：面试模拟要生成“证据压力”
普通模拟只问：
“说说你的优缺点。”
更好的做法是让 AI 继续追问：
这样 AI 才不是陪练，而是 Evidence Examiner。
第六步：技术面不能背万能框架
源帖提到“先找问题，再给解决方案”。
方向没问题，但真正技术面必须保留： Clarify → Assumption → Approach → Tradeoff → Test → Failure → Alternative。
尤其不懂的地方要明确说不确定。
AI 帮你准备的目标不是“把答案背得像高级工程师”。
是让你在不确定时仍然能展示结构化思考。
第七步：面后跟进不要硬塞“小建议”
面后邮件可以简短总结：
- 感谢；
- 你对角色理解的新信息；
- 你最相关的一条证据；
- 如果有材料，补充材料。
但并不是每场面试都适合主动“给公司提建议”。
没掌握上下文时，所谓“小建议”反而可能显得轻率。
第八步：真正重要的是 Funnel Diagnosis
每 10–20 次高质量投递做一次复盘：
没有面试
检查定位、岗位匹配、简历证据、渠道。有初筛，没有下一轮
检查叙事、核心证据、薪资/地区/权限条件。多次到终面没 Offer
检查深层能力差、案例可信度、竞争差异、reference、决策人反馈。有 Offer 但不满意
检查一开始 Role Thesis 和目标约束是否写错。这就是 Job Search Evidence Funnel：
Target → Evidence → Application → Response → Screen → Interview → Offer → Accept
产品化机会
这条不是卖“100 个求职 Prompt”。
而是 Career Experiment OS：
免费：Role Thesis + Evidence Inventory 低价：Resume Evidence Audit + Interview Question Pack 会员：Application Funnel Dashboard + 14-day diagnosis 高阶：真实经历重构、面试复盘和求职实验设计
不能卖： “30天上岸保证” “骗过 ATS” “AI 帮你包装经历”
V3 怎么验证
找 5–10 个真实求职者。
记录：
- 投递数；
- 高匹配投递占比；
- 初筛率；
- 面试推进率；
- 简历返工次数；
- 使用前后证据清晰度；
- 是否出现虚构/夸大风险。
如果只让用户“觉得简历更好看”，不算产品验证。
最后
AI 求职最有价值的变化，不是写得更像“标准候选人”。
而是把原本混乱的求职过程变成：
每一步都有假设，每一步都有证据，每两周都有复盘，每次失败都能改变下一步。
这样即使 AI 不能替你拿到 Offer，它也能让你更快知道：
到底卡在哪里。