AI简历优化指南：用STAR法则与关键词匹配写出可核验简历

一个做数据分析的朋友上周把简历发我，说用AI改了三版，投出去连电话都没接到几个。我打开一看就明白了：每一句都长得像年终总结，"主导跨部门协同""赋能业务闭环""有效提升整体效率"，通篇找不到一个能对得上的数字，也找不到他到底用了什么工具、处理了多大规模的数据。这份简历机器那关也许勉强过了，人那关一定过不去。

这类问题我见得太多。AI简历优化这件事，真正决定成败的不是模型多强，而是你有没有把正确的原料喂进去、有没有给它一套能验证的规则。这篇就聊透两件事：STAR法则怎么用才不至于写成四段空话，关键词匹配到底该抄哪些词、哪些词抄了反而露怯，最后把我自己在用的整套提示词完整贴出来，可以直接复制去跑。不管你是刚毕业第一次写简历，还是工作几年想换个方向，这套流程都能照着走一遍。

1. 简历被AI改出"塑料味"，根源在你喂给它的原料

1.1 整篇丢进去让它"润色"，是最常见也最没用的用法

大部分人拿到AI的第一反应是把简历转成文字粘贴进去，敲一句"帮我优化一下，让它更专业"。这么做的产出高度一致：句子全变长了，动词统统换成"主导""推动""赋能""闭环"，每段结尾还要补一句"有效提升了整体效率"。读着顺，但招聘的人扫两眼就放下了，因为他找不到任何可以核对的事实。

问题不在模型笨，在于它拿到的信息太少。它不知道你投什么岗、不知道这个岗位在筛什么、不知道你手上有什么真实数据，只能按"通用职场语言"的统计规律去补。补出来的自然是一股模板味。我试过把同一个人的经历分别用"一句话指令"和"结构化输入"去跑，前者的产出几乎没法用，后者稍作调整就能投。

1.2 简历要过两道闸门：机器看词，人看证据

得先把简历被谁看这件事说清楚。现在稍微有点规模的公司，简历投进去先过一道筛选系统，系统干的事很朴素：解析文本、跟岗位描述做词面匹配、打分排序。这一关的核心是"词对得上"——岗位写"用户增长"你写"拉新"，某些系统就匹配不上；岗位写"SQL"你写"数据库查询"，也可能漏掉。

过了机器这关到人手上，逻辑完全变了。招聘的人看一份简历停留时间很短，他要快速判断三件事：这人做没做过类似的事、做到什么程度、是不是他本人做的。这三件事只能靠具体动作和结果数字证明，靠形容词证明不了。

所以一份好简历要同时满足两个互相拉扯的要求：给机器看的关键词要密、要准；给人看的证据要具体、要短。AI之所以经常改坏，就是它只顾了第一层——把话说漂亮、把词堆满，第二层反而被稀释了。

1.3 我习惯的三段式输入：岗位原文、原始经历、硬约束

后面所有提示词都围绕这个结构展开。三段分别是：

• 岗位原文：把招聘信息整段贴进去，不要自己提炼。你提炼的过程就是丢信息的过程，而模型比你更擅长抓词。
• 原始经历：用大白话写你干了什么，允许啰嗦、允许口语、允许带"大概""差不多"这种模糊词。这一步只求全，不求好。
• 硬约束：明确告诉它哪些事不能做——不能加数字、不能加工具名、不能加你没干过的事、每条不超过两行。

第三段是最容易被忽略的。你不写约束，模型就会"帮你补全"，而它补的东西你根本兜不住。面试官一句"你刚说的这个指标怎么算的"，就能把你问穿。

提示：原始经历宁可写多不写少。我一般会让人先把一整年的工作流水账写出来，哪怕三千字，再由模型做提炼。反过来，只给三行干巴巴的句子让它扩写，产出的必然是编的。

2. STAR不是四个填空格，是把经历翻译成可验证的因果链

2.1 写S和T时最常见的错：背景写成了公司介绍

STAR的S是情境、T是任务，很多人一写就开始介绍公司："某公司是一家专注于XX领域的企业，业务覆盖……"。这段信息对招聘方零价值，他关心的是你面对的具体问题有多难，不是公司多大。

正确的写法是把S和T压缩成一句话，重点落在"难点在哪"。比如"接手时订单履约异常率长期在8%左右，涉及三个系统的数据对不齐，历史原因没人说得清"，这一句同时给了背景、给了难度、给了你的起点。对比"负责订单履约相关工作"，信息密度差十倍。

我一般要求S+T合起来不超过两行，超过就说明你在铺垫而不是在说事。

2.2 A必须落到"我做的动作"，不是"团队完成的事"

这是AI最容易翻车的地方。你写"参与搭建了数据看板"，它可能改成"主导搭建数据看板体系"，一字之差，面试时就是灾难。

规避办法是在输入里明确写清你个人的动作边界：你是提需求的、写代码的、做验证的，还是只负责汇报的。模型拿到这个边界，才不会乱升级动词。我在提示词里会放一条硬规则：动词强度不得高于原文，只能平替不能升级。

另外A这一段要能看出方法和判断，不能只是"做了A、然后做了B"。好一点的写法是"先做了什么判断，为什么选这个方案，过程中调整了什么"。这三句话里藏着你的专业度，也是面试官唯一有兴趣追问的部分。

2.3 R的量化：没有数字的时候怎么造出可核验的指标

"提升了效率"这种结果等于没写。但很多岗位确实没有漂亮的百分比，怎么办？我的经验是往下找三个替代维度：

这些都能核验，也都能在面试时讲清楚来龙去脉。关键是别写"显著提升""大幅优化"这种没法验证的词。真没有可量化结果的时候，写清楚你交付了什么具体产物，也比空喊强——"输出了一份包含十二个指标的口径说明文档，后续三个组都在用"，这句话的说服力不亚于任何百分比。

2.4 一段经历改写的逐句对照

拿一段真实感比较强的原始描述举例，原文是：

我在上一家公司负责做用户反馈的整理，就是每周把各个渠道的反馈汇总一下，分类，然后给产品那边看，有时候也会提一些建议。

这段话信息量很低，但如果直接丢给AI"润色"，它会给你"负责全渠道用户声音的归集与洞察，为产品迭代提供决策支持"。听着高级，一问就空。

按STAR重写的版本大致是这样：

接手时用户反馈分散在四个渠道，每周靠人工汇总，重复反馈占比高，产品侧难以判断优先级。我梳理了一套分类口径（按功能模块、严重程度、复现条件三个维度打标），把四个渠道的原始反馈统一到一张表里，每周固定输出一次汇总，并对高频问题做归并。运行三个月后，重复反馈的合并率明显上升，产品侧可以直接按标签筛选，原先需要逐条阅读的工作量减少了大半。

差别在哪：给出了起点状态、给出了你设计的方法、给出了可核验的运行周期和变化。没有编造任何百分比，但每句话都能被追问、也都能答上来。这才是STAR真正的价值——它不是让你把话说漂亮，而是让你的经历经得起追问。

3. 关键词匹配：该抄的词、不该抄的词，抄了会露馅的词

3.1 从岗位描述里拆三层关键词

很多人做关键词匹配的做法是把岗位描述里出现次数多的词抄进简历，这方法粗糙但不算错，问题在于抄得不分层。我一般拆成三层：

第一层是硬技能词，比如具体的工具、语言、方法名。这类词必须原样出现，不能换同义词。岗位写"SQL"，你就写"SQL"，别写成"数据库查询语言"。

第二层是业务领域词，比如"供应链""履约""留存""转化"。这类词决定系统判断你是不是在同一个赛道，有相关经历就要显性写出来。

第三层是动作动词，比如"搭建""梳理""复盘""归因"。这类词影响的是可读性，不是匹配度，不用刻意堆。

三层里只有第一层值得严格对齐，第二层适度对齐，第三层基本可以忽略。很多人的问题是反过来，把动词堆了一堆，硬技能反而漏了。

3.2 同义词映射表比无脑堆词有用得多

系统做匹配的时候，有些会做同义词扩展，有些不会。你没法确定对方用的是哪种，所以稳妥做法是自己做一次映射，把"我习惯的说法"翻译成"行业通用说法"。

这张表不用背，做法很简单：把你简历里的动词和名词列出来，对着岗位描述逐个看有没有更贴近的表达。一次做十几分钟，比反复投递试错划算得多。

3.3 密度控制：塞太满反而被判堆砌

关键词不是越多越好。我见过把岗位描述整段复制到简历"个人简介"里的，那种简历人一看就知道是凑的，直接减分。合理的密度是：核心硬技能词在全文出现两到三次（技能栏一次、项目里一到两次），业务词自然出现在经历描述里，不额外堆。

还有一个细节：关键词必须落在有上下文的句子里。孤零零列在技能栏里的词，权重远低于写在项目描述中的词。比如"熟悉Python"和"用Python写了一个每周自动抓取并清洗数据的脚本，跑了半年"，后者对系统的信号强度高得多，对人也一样。

4. 我在用的完整提示词：分四段写，缺一段效果就掉

4.1 角色设定要限定"招聘方视角"，不是"写作助手"

角色这一句影响很大。你写"你是一个专业的简历写手"，它会往漂亮的方向走；你写"你是某行业有多年经验的招聘负责人，正在筛这个岗位的候选人"，它会往挑刺的方向走，产出的东西更接近真实筛选逻辑。

我通常还会加一句"你需要在读完简历后先判断这个人是否值得进入下一轮，再给出修改建议"。这一句能让它先做判断再做改写，顺序一反，质量差别明显。

4.2 输入段和约束段：哪些规则必须写死

约束段是整个提示词里最值钱的部分。我固定会写死的几条：

• 不得新增我未提供的任何数字、工具名、项目名、公司名
• 动词强度不得高于原文，只能平替不能升级
• 每条经历不超过两行，动词开头
• 关键词只允许从岗位描述中出现过的词里选，不得自创
• 遇到信息不足的地方，不要猜，列出来问我

最后一条特别关键。不加这条，模型会默默帮你补，你还以为是自己写的。

4.3 输出段：要"对照+理由"，不要直接给成品

直接要成品是最亏的用法。你要的是"原文→改写→为什么这么改"，这样你才能判断它改得对不对，也才能积累自己的判断力。我要求的输出一般分四块：关键词提取表、逐条改写对照、待补充信息清单、风险提示。

"风险提示"这一块很多人不做，但特别有用——它会把"这句话面试时可能被追问什么"列出来。你照着准备一遍，等于提前做了一次模拟面试。

4.4 提示词全文，直接复制就能跑

# 角色 你是一位在【行业】有多年经验的招聘负责人，正在筛选【岗位名称】这个岗位的候选人。 你的任务分两步：先以筛选者视角判断这份简历能否进入下一轮，再给出具体修改建议。 # 输入一：岗位描述 """ 【把招聘信息原文整段粘贴在这里，不要删减】 """ # 输入二：我的原始经历（大白话，允许啰嗦） """ 【逐条写你干过什么，包括：当时的起点状态、你具体做了哪些动作、 用了什么工具方法、结果是什么。没有数字就写规模和周期。】 """ # 输入三：我的真实边界 - 我实际承担的角色是：【执行 / 部分负责 / 主导】 - 我不能接受被写出来的内容：【如：没做过的管理、没接触过的工具】 - 我希望突出的方向：【如：数据分析能力 / 跨团队协作 / 从0到1】 # 硬约束（必须全部遵守） 1. 不得新增我未提供的任何数字、工具名、项目名、公司名、人名 2. 动词强度不得高于原文，只能平替，不得升级为"主导""统筹""操盘" 3. 每条经历不超过两行，动词开头，不用形容词堆砌 4. 关键词只允许从岗位描述中出现过的词里选取，不得自创 5. 信息不足时不要推测，统一列入"待补充清单" 6. 不使用"赋能""闭环""抓手""打通"这类空心词 # 输出格式 ## 第一部分：关键词提取表 表格四列：关键词 | 在岗位描述中的出现次数 | 我是否有对应经历 | 建议放置位置 ## 第二部分：逐条改写对照 每条经历给三行： - 原文： - 改写： - 改动理由：（说明换了哪个词、为什么换、对应岗位描述的哪一句） ## 第三部分：待补充信息清单 列出你认为缺失、但会影响说服力的信息，按重要性排序，最多八条。 ## 第四部分：风险提示 列出改后简历中面试时最可能被追问的三个点，并说明追问原因。

跑完这一套，你拿到的不是一份成品，而是一份"可核对的修改方案"。我一般会再补一句追问："第二部分里你觉得最弱的一条是哪条，为什么弱"，逼它做二次判断，通常能挖出我自己没注意到的问题。

如果只想快速跑一遍，还有个精简版：把上面四段压成一段，保留角色、输入、硬约束三条，输出只要"改写对照"和"待补充清单"。适合时间紧的时候用，但我实测下来，完整版的信息完整度明显更高。

5. 跑完AI之后的人工复核：这几件事它替不了你

5.1 事实核验：AI最爱偷偷加的三类"功劳"

不管约束写得多死，模型还是会在边角上加东西，我总结出三类高频"加戏"：

第三类最隐蔽。比如你做了个看板，同期某个指标涨了，AI很容易写成"通过看板推动指标提升"。面试官追问"你怎么证明是这个看板起的作用"，你答不上来就完了。稳妥写法是并列陈述，不强行建立因果。

5.2 可读性检查：动词开头、长度、层级

机器那关过了，人这关还得靠肉眼过一遍。我的检查顺序是：

1. 每条经历的第一个词是不是动词，不是就改
2. 每条是不是超过两行，超了就砍掉形容词
3. 全文有没有重复的动词，重复就换（但注意别换成更虚的词）
4. 数字是不是集中在每条的后半段，位置不对就调
5. 通读一遍，有没有哪句你自己念出来都觉得别扭

第五步听起来随意，其实最有效。你念着别扭的地方，别人读着也卡。

5.3 不同岗位的微调参考

同一套提示词，对着不同岗位要改的主要是"角色"里的行业限定和"硬约束"里的重点。

应届生这一栏要单独说一下。没有工作经历不是问题，问题是很多人把课程项目写成"参与了XX系统开发"，看不出你做了什么。正确写法是把项目拆到你的那一小块：你负责哪个模块、用了什么方法、遇到过什么具体问题、怎么解决的。哪怕只是个小脚本，讲清楚也比空泛的"参与"强。

我在实际操作中的体会是，这套流程真正省时间的地方不在改写，而在"待补充清单"那一步。它逼你把脑子里模糊的经历重新过一遍，很多人是在这一步才想起来自己其实做过一些挺有说服力的事，只是从来没写进去。改简历这件事，本质上是回忆加取舍，AI能帮你把话说明白，但想不起来的事它替你想不出来。

最后分享一个小技巧：改完的简历先别急着投，隔一天再读一遍，只做一件事——把每一句都当成面试问题问自己一遍，答不上来的句子直接删掉或者改弱。这个方法看起来很笨，但能帮你把绝大部分水分挤出去。