投了二三十份简历，一个面试电话都没有，这时候先别急着怀疑能力，很可能只是简历在机器筛选那一关就被过滤掉了。现在不少公司用ATS系统先筛一轮，它看的是关键词、技能匹配度和经历描述的清晰度。AI在这个环节能帮上忙，但前提是你得把流程设计对：先让模型读懂JD，再把你的经历用STAR法则改写成招聘方想看的表达。下面这套方法不依赖特定工具，会Python的话可以自己跑通，不会的话也可以用ChatGPT、Kimi等对话框按同样提示词操作。

一、JD分析：让AI拆出硬条件、软技能和ATS关键词

很多岗位描述写得很长，但招聘系统真正用来匹配的关键词往往只有十几个。人工读JD容易凭感觉抓重点，AI的优势是能把JD里出现的技能词、经验要求、加分项分类整理出来。比如一段JD里写“熟悉Java，有分布式系统开发经验，具备良好的沟通能力”，人工看可能只记住Java，但AI可以拆成硬技能、经验年限、软素质三个维度。

设计提示词时，不要让模型输出自然语言段落，那样后续解析很麻烦。更实用的做法是要求它直接返回JSON，字段固定为hard_skills、soft_skills、must_have、nice_to_have和keywords。keywords这个字段专门用来收集JD里适合写进简历的高频名词短语，比如Kubernetes、高并发、数据分析。温度参数建议调到0.2以下，减少随机发挥。

下面是一段Python调用代码，接OpenAI兼容接口就能跑，换成国内模型只需要改base_url和模型名。

import json
from openai import OpenAI
client = OpenAI(api_key="your-api-key", base_url="https://api.openai.com/v1")
def extract_jd_keywords(jd_text):
    prompt = f"""你是一名资深招聘顾问。请从以下职位描述中提取结构化信息，只返回JSON，不要包含其他文字。
JSON字段包括：
- hard_skills：硬性技能列表，保留JD中的原始写法
- soft_skills：软性素质列表
- must_have：必须满足的条件
- nice_to_have：加分项
- keywords：用于ATS筛选的关键词列表，尽量覆盖JD中的名词短语
职位描述：
{jd_text}
"""
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.2,
    )
    content = resp.choices[0].message.content.strip()
    if content.startswith("```"):
        content = content.split("\n", 1)[1]
        if content.endswith("```"):
            content = content[:-3]
    return json.loads(content)
if __name__ == "__main__":
    jd = "负责分布式系统的设计与开发，熟悉Java、Kubernetes，有3年以上后端经验，具备良好的沟通能力"
    print(extract_jd_keywords(jd))

跑这段代码前，建议先准备好几份你目标岗位的JD，把提取结果放到一起对比。你会发现很多JD里反复出现的词，就是简历里必须覆盖的ATS关键词。如果AI提取的词和你自己的技能确实匹配，可以直接在简历摘要或技能列表里使用原词，不要自己改成同义词，因为系统匹配是按字面比对的。

二、STAR改写：从职责罗列到可量化的结果表达

简历里最常出现的问题是写“负责XX系统的开发”“参与需求讨论”这类职责描述。这样的句子没有动作主体、没有结果、没有数据，招聘方看不出你做了什么、做得怎么样。STAR法则要求把一段经历拆成情境、任务、行动和结果，最后浓缩成一句可以用在简历项目栏里的强动词表达。

AI改写时的提示词要明确三件事：一是必须使用强动词开头，比如“搭建”“重构”“推动”；二是尽量补出可量化数据，但只能从原始经历里合理推断，不能凭空生成；三是输出JSON，方便后续拼装。如果原始经历里没有明确数字，可以让模型把metrics字段设为null，不要硬编一个“提升50%”出来。

import json
from openai import OpenAI
client = OpenAI(api_key="your-api-key", base_url="https://api.openai.com/v1")
def rewrite_experience_with_star(original):
    prompt = f"""请用STAR法则改写以下工作经历。要求：
1. 输出JSON，字段：situation、task、action、result、star_sentence、metrics
2. star_sentence不超过80字，使用强动词开头
3. metrics中只保留能从原文合理推断的量化数据，如果没有则填null
4. 不要编造数据
原始经历：
{original}
"""
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.3,
    )
    content = resp.choices[0].message.content.strip()
    if content.startswith("```"):
        content = content.split("\n", 1)[1]
        if content.endswith("```"):
            content = content[:-3]
    return json.loads(content)
if __name__ == "__main__":
    raw = "负责公司内部管理系统开发，参与需求讨论，编写接口文档，修复线上问题。"
    result = rewrite_experience_with_star(raw)
    print(json.dumps(result, ensure_ascii=False, indent=2))

实际跑下来，模型常常会把“负责开发”改写成“搭建内部管理系统，对接三个业务部门，修复线上故障并输出接口文档”。这个方向是对的，但你需要逐条核对：岗位JD里要求高并发，而你的经历里没有，就不能硬加。AI的作用是把已有事实表达得更清晰，而不是替你虚构经历。

如果一段经历实在没有数字，可以从规模、频率、影响范围三个角度补述。比如“负责系统开发”可以改成“负责日均处理5000条工单的内部系统开发”，前提是5000条来自你的真实场景。把这个原则写进提示词里，模型会稳定很多。

三、全流程实操：把JD分析和STAR改写串起来，避开常见坑

单次调用只能解决一个环节，真正提升效率的是把JD分析、关键词映射、经历改写串成一条流水线。先让模型解析JD，拿到keywords列表，再把每段原始经历和关键词一起送进STAR改写函数。这样改写出来的句子会更贴合目标岗位，而不是泛泛地优化表达。

下面的代码把两个步骤合并，输入JD和几条原始经历，输出结构化结果。你可以把raw_experiences换成自己简历里的项目描述，跑完后挑出满意的star_sentence拼进最终简历。

import json
from openai import OpenAI
client = OpenAI(api_key="your-api-key", base_url="https://api.openai.com/v1")
def extract_jd(jd_text):
    prompt = f"""请从以下JD中提取JSON，字段为hard_skills、soft_skills、must_have、nice_to_have、keywords。只返回JSON。JD：{jd_text}"""
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.2,
    )
    return json.loads(resp.choices[0].message.content)
def rewrite_star(original, jd_keywords):
    prompt = f"""请用STAR法则改写以下经历。参考JD关键词：{jd_keywords}。只返回JSON，字段包括star_sentence、action_verbs、metrics。不要编造数据。原始经历：{original}"""
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.3,
    )
    return json.loads(resp.choices[0].message.content)
def optimize_resume(jd_text, raw_experiences):
    jd_data = extract_jd(jd_text)
    rewritten = []
    for exp in raw_experiences:
        star = rewrite_star(exp, jd_data.get("keywords", []))
        rewritten.append({"original": exp, "star": star})
    return {"jd": jd_data, "rewritten": rewritten}
if __name__ == "__main__":
    jd = "负责后端服务开发，熟悉Python、Docker，3年以上经验，有高并发项目背景优先。"
    experiences = [
        "负责公司订单系统的开发和维护，参与需求评审，修复线上问题。",
        "参与了一个数据统计平台的建设，写了一些接口。"
    ]
    result = optimize_resume(jd, experiences)
    print(json.dumps(result, ensure_ascii=False, indent=2))

流程跑通后，有几个坑需要重点留意。第一是JSON解析失败，有些模型会在JSON外面包一层围栏或者返回文字说明，所以要在解析前做strip和去围栏处理。第二是AI幻觉，提取JD关键词时可能把你根本没掌握的技能列进去，改写经历时也可能顺手编一个数字，这些都必须人工过一遍。第三是不要优化过度，如果简历写得太满，面试官追问细节时很容易露馅，所有star_sentence都要保证你自己能展开讲三分钟。

总体上，这套方法的价值不在于让AI替你写简历，而是把简历优化变成一个半标准化的流程。JD分析保证方向对，STAR改写保证表达密度够，人工校验保证真实性。按这个顺序多跑几个岗位，你会越来越清楚目标岗位到底需要什么，写出来的简历也会比之前更有针对性。