AI 可以帮助整理求职材料、检查表达和安排练习，但不能替你增加不存在的经历或保证录用。本篇用虚构的转岗求职者案例，完成一条从基础简历、按岗位定制到模拟面试的工作流。示例人物参与过社区活动登记表改进，准备申请初级运营岗位；项目与数字只是写作练习，实际简历必须使用本人可证实的材料。
先建经历底稿与隐私边界
准备真实经历表：时间、组织、角色、任务、本人动作、协作对象、结果与可核对材料。把正式工作、课程、志愿和个人项目标清，不把学习项目写成商业客户交付。证书、学历、任职日期与技能熟练程度单独核对，未知项留待补，不让模型按目标岗位自动补齐。
简历工作副本可以暂时用联系信息占位符，不必把住址、证件号、完整通讯录或前同事信息交给模型。保密项目用获准的概述，不粘贴内部数据、客户资料或凭证。保存基础稿与岗位版本，记录岗位来源、日期和改动；没有明确发送目的与授权时，只生成材料，不投递、不联系招聘者、不公开网页。
场景一：从结构化经历生成简历与页面
先按目标阶段选择信息结构。初级转岗者可突出相关项目与可迁移能力；有经验者突出与岗位相关的职责与成果，不必把全部历史均匀铺开。每条经历要能回答做了什么、为什么、本人负责哪部分和结果如何。没有可靠数字时写清过程、范围和产物，比补一个虚构提升比例更有价值。
生成前约定输出：可编辑文档、PDF、结构化 JSON 或本地网页。不同工具使用不同 schema，JSON Resume 与 Reactive Resume 等格式不能因为都叫 JSON 就直接互导；核对实际版本、必填字段与导入结果。格式验证只证明结构符合规则，不证明经历真实，也不证明目标招聘系统能正确解析。
GitHub 的 JSON Resume 提供已有的结构化简历标准与工具生态，可作为复用参考。原 resume-schema 仓库已迁移到 jsonresume.org 单体仓库的 packages/schema，当前查阅的 schema 包标明 MIT。选择它是为了维护数据与不同呈现版本，而不是另造字段格式。采用前核查版本、主题许可与导出前提；本文没有安装或生成文件，也不承诺与其他简历平台完全兼容。
先导出一页小样，核对姓名占位、日期、标点、链接、分页和文字顺序。PDF 检查文字是否可选择与复制，复制后的阅读顺序是否合理，不用图片化简历替代可解析文本。网页稿在本地检查移动宽度、键盘访问与外链，再决定是否公开；公开将暴露哪些联系方式、是否可被搜索和怎样撤下，应由本人确认。
场景二：把 JD 变成证据匹配表
将岗位说明拆成核心任务、必要要求、可选经验、使用工具和未知条件。保留原文与职位日期，区分“必须具备”与“优先考虑”，不要把关键词出现次数当录用权重。每项要求映射到真实证据：已经证明、部分相关、尚缺或需要澄清。缺失要求形成学习或面试准备清单，不能直接写进简历技能栏。
示例求职者改过活动登记表，可以说明梳理重复字段、与组织者确认规则、制作测试版本及收集反馈。若没有记录证明节省多少时间，就不写“效率提升 50%”；可写交付了什么、多少个已确认字段或在何种范围使用，数字必须来自本人材料。团队成果应说明个人贡献，不能把全团队工作变成独立负责。
用 STAR 组织素材时，简历 bullet 通常压缩背景与任务，突出动作和结果；面试故事再展开情境与限制。不同岗位可以调整顺序与措辞，但日期、职位和结果不能在版本之间冲突。求职信补充动机与具体匹配，不复制整份简历，也不替公司编造文化、项目或招聘者偏好。
所谓 ATS 分数只能是某个工具的检查输出，不是通用招聘系统的真实分数，更不代表通过概率。优先检查清楚标题、真实岗位词汇、可读取文本与一致日期，不堆无经历支持的技能、隐藏关键词或假装证书。公司要求的文件类型和表单字段优先，不能承诺同一个模板适配所有系统。
实操：先做最小改写，再审真实性
旧句可以是“负责登记表优化”。基于真实素材，改写为“梳理活动登记表字段，与组织者确认重复录入规则，制作并试用新版表单”。如果能核对参与人数、字段数量或试用反馈，再加明确口径的数字；若没有，保留非量化表述。练习示例不是可直接放进任何人的简历的经历。
给 Agent 的任务可写成：“使用 facts-v1 和目标 JD，先输出要求与证据对应、缺口及需确认问题，再提出简历修改。只允许重组现有事实，不新增任职、学历、技能、业绩或数字。用改动清单说明每条来源。生成草稿，不投递、不发布、不联系他人。”本人逐条接受后再导出目标版本。
中英文版本应共享事实表，分别按读者自然表达。技术名词、职级和学历名称用真实对应，不为了显得高级升格。海外或不同地区材料要求各有差异，按实际招聘说明处理，不自动加入照片、年龄或其他非必要个人资料。翻译后反向对照日期、数量与贡献范围，防止“协助”变成“领导”。
场景三：模拟面试要有明确反馈规则
练习前给岗位、本人批准简历、题型与时长，选择行为、技术、案例、群面或反问环节。让模型明确扮演练习面试官，不假称知道企业真实题库或能代表招聘决定。一次一题，回答后先给证据完整度、逻辑、岗位相关性与表达的具体反馈，再追问最薄弱环节。
行为题用本人真实故事练任务、动作、结果和反思，不能背一段与经历不符的完美答案。技术题把不确定、需要验证与确实知道的部分分开；案例题先澄清必要假设，再说明取舍。模型评价可能出错，对专业结论核对可靠资料，不能只因得分高就认定掌握知识。
群面练的是解释思路、听取他人、总结分歧和推动下一步，不把压倒所有人当目标。可以模拟多个角色提出不同约束，但模型生成的同伴反馈不等于真实团队评价。反问准备围绕职责、成功标准、协作与下一步，避免照抄不适用的清单。没有信息时，模型应指出需要实际询问而不是替公司作答。
每次练习保存题目、本人回答、追问、反馈依据和下一次目标。允许跳过、提示或暂停，评分量表写清，比较同类题中的变化而不是不同模型分数。练习可能帮助熟悉流程，但不能承诺五到十轮一定消除紧张或获得面试；体验因人和情境而异。
交付验收、Skill 选择与 FAQ
投递前核对事实、日期、联系方式、附件、文件名与岗位版本；检查 PDF 换页、链接和文字提取，删除批注和不应公开的元数据。模拟面试报告单列未证实能力与仍需练的题，不能把练习成绩当资格证明。生成、本人审核、投递和招聘结果分别记录，不把前两步说成求职成功。
本次 SkillPI 以 resume 检索，只得到包含“恢复运行”含义的 Azure 管理候选，与求职简历用途不匹配，因此不关联。原文六个名称也未取得本次可核验的对应记录，不猜造链接。以后新增候选时检查固定来源、许可、输入输出、数据路径、是否读取剪贴板或上传经历，再用脱敏事实表与 JD 试用；只将真正适配的技能加到相应步骤。
零经验能优化吗？可以把课程、志愿和个人项目讲清楚，但不能包装成不存在的职业履历。AI 写的能否被看出来？不作此保证，重点是事实、具体性与本人能解释，而不是规避识别。是否免费？技能许可、模型、排版与托管可能各有费用，先查实际条件。需要公开在线简历吗？不一定，按目标岗位与本人意愿决定，发布是单独动作。
校招与社招如何区分？前者可练基础能力与合作故事，后者多准备职责深度、取舍和影响证据，仍以实际岗位为准。为什么优化后更空泛？检查是否删了真实约束、把动作换成形容词或补了无法证明的数字。最终保留事实底稿、岗位映射、简历与求职信版本、导出检查和练习记录，使每次修改有依据、每段经历都能由本人说明。