陈冠男每年九月，招聘季一开闸，后台被问得最多的一类问题就会集中冒出来：简历怎么写、模板去哪找、有没有那种“十分钟搞定”的办法。今年多了个新变量，很多人开始试着用豆包这类对话式 AI 直接生成简历，标题也越写越抓人，什么“一分钟做出好看的个人简历”。我理解这种心情——投递窗口就那么长，谁都想快点把简历弄出来。但我更想说清楚一件事：豆包能帮你把简历的“内容骨架”快速搭起来，但“一分钟”能产出的，是一份可以继续改的草稿，不是一份可以直接投出去的简历。 真正决定简历能不能过初筛的，是信息取舍是否准确、经历描述是否可信、排版是否让人一眼看得下去。这三件事里，AI 能承担前面一半，后面一半还得靠你自己把关。下面我按实际落地顺序，把这条链路拆开讲。
1. 先把“一分钟出简历”拆开看：AI 到底替你做完了哪一半
1.1 简历难写的真正原因，不是不会写字
大多数人写简历卡住，不是因为语言表达能力差，而是因为信息密度太高、取舍太难。一份一页纸的简历，要在几百个字里同时完成四件事：证明你符合岗位要求、证明你说的是真的、证明你有超出同龄人的部分、证明你这个人做事有条理。这四件事互相挤压，写多了显得啰嗦，写少了显得单薄。
AI 恰好擅长处理“从一堆杂乱信息里整理出结构”。你把实习做了什么、项目用了什么技术、拿了什么奖，一股脑丢给豆包，它能在很短时间内给你分出板块、提炼动词、把口语化的描述改写成书面表达。这一步人工做要两三个小时，AI 做只要几十秒。
但 AI 不擅长的是判断。它不知道你投的这个岗位更看重落地能力还是研究能力，不知道你那段三个月的实习里哪个细节值得放大，也不知道你们学校这个专业的绩点 3.5 到底算不算能写。这些判断依赖上下文，而上下文只有你自己有。
所以正确的分工是：AI 负责把信息整理成结构，你负责决定哪些信息该进这个结构。
1.2 豆包在这条链路里擅长什么、不擅长什么
从我实际使用的体感来看，把豆包放在简历制作这条链路上，它的能力边界大致是这样：
| 环节 | AI 的胜任度 | 说明 |
|---|---|---|
| 经历条目改写 | 高 | 把“参与了某某系统开发”改成有动作、有对象的表达，效果明显 |
| 结构搭建 | 高 | 给出教育、实习、项目、技能的标准分块，速度快 |
| 语言风格统一 | 高 | 统一动词时态、去掉口语词、控制每条长度 |
| 岗位匹配取舍 | 中 | 需要你提供 JD 原文，否则它只能给通用建议 |
| 事实准确性 | 低 | 它可能补全你没做过的细节，必须逐条核对 |
| 视觉排版 | 低 | 输出的是纯文本，最终排版要落到别的工具里 |
这张表里最需要警惕的是“事实准确性”那一栏。AI 在改写经历时，为了让句子更完整，很容易顺手补一个数字，比如你写“优化了查询接口”，它可能改成“优化查询接口，响应时间降低 40%”。这 40% 是它编的。你如果没注意直接用了，面试时被追问“这个 40% 怎么测的”，场面会很难看。
注意：AI 改写后的每一条经历，都要回到原始事实核对一遍。凡是材料里没有的数字、没有的技术栈、没有的职责范围，一律删掉或者改成定性描述。
1.3 为什么“最新教程”这类说法不用太当回事
每年秋招季都会冒出一批“几月最新教程”，标题里的时间戳换得很勤，但打开一看，方法内核基本没变：给 AI 一段自我介绍，让它输出一份简历。真正变化的只是提示词的写法越来越细。
这带来一个判断：学这套东西，重点不是找“最新”的那篇，而是理解提示词的结构逻辑。 你把逻辑搞懂了，换个 AI 工具、换个岗位、换个行业，都能自己调整。反过来，你只会复制某一篇教程里的提示词，换个岗位就失效了，因为你不知道该改哪一句。
所以下面我给的不是一段“照抄就能用”的咒语，而是一个可以自己拆装的骨架。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 喂给豆包之前，先把四类原料准备好
2.1 事实层：把经历拆成可验证的条目
很多人第一次用 AI 写简历，是直接把“我在某公司实习过三个月”这句话丢进去，然后抱怨输出很空。问题不在 AI，在于你给的原料本身就没有信息量。
正确的做法是先自己做一遍“事实拆解”。拿一张纸或者一个文档，把每段经历按这个格式列出来：
- 时间、公司/项目名称、你的角色
- 你负责的具体模块或任务（尽量写到能说清楚“我做了什么”的粒度）
- 用了什么工具、技术、方法
- 有没有可以量化的结果（数量、比例、时长、覆盖人数、bug 数、上线次数）
- 有没有遇到具体问题并解决的过程
这一步会很慢，但它是整条链路里最值钱的部分。因为你拆得越细，AI 能提炼的空间越大；你拆得越粗，AI 只能还你一堆漂亮但空洞的句子。
举个对比。原始描述是“负责后端接口开发”，拆解之后可以变成：“负责订单模块三个核心接口的开发与联调，接口平均响应时间从 800ms 优化到 200ms 左右，上线后支撑日均约两万次调用。”后者才是 AI 能加工出好东西的原料。
2.2 目标层：把岗位 JD 一起喂进去
简历不是自传，是针对岗位的论证材料。同一段实习经历，投后端岗要突出接口设计和性能，投数据岗要突出数据处理链路，投产品岗要突出需求拆解和协作。
所以第二次对话时，把目标岗位的 JD 原文贴进去，让豆包做匹配分析，而不是让它凭空猜。比较稳妥的问法是：
text复制下面是我的一段经历描述和一份岗位 JD。
请你做两件事：
1. 从我的经历里找出与 JD 要求最匹配的三条，说明匹配点在哪里；
2. 指出 JD 里我明显不满足的要求，并告诉我这些缺口在简历里应该淡化还是坦白。
我的经历：……
JD 原文：……
这样问的好处是，你拿到的不是一份“看起来很好”的简历，而是一份“知道自己强在哪、弱在哪”的简历。弱项心里有数，面试被问到时不至于慌。
2.3 格式层：提前约定输出结构，别让它自由发挥
对话式 AI 有个通病：你不管它，它就爱输出带一堆小标题、加粗、表情符号的“报告体”。这种格式在聊天窗口里看着舒服，粘到简历模板里全是灾难。
所以一开始就要把输出格式框死。我的习惯是要求它输出纯 Markdown 或者纯文本，每条经历控制在一到两行，动词开头，不带序号装饰。
2.4 一段可以直接改的提示词骨架
把上面三层合起来，可以得到下面这个结构。这不是让你照抄，而是让你看清每一段在解决什么问题：
text复制你是帮我整理简历的助手。请严格按我给的格式输出，不要添加我没提供的信息。
【我的背景】
学历：……（学校、专业、学历层次、毕业时间）
目标岗位：……（岗位名称 + 行业）
目标 JD：（粘贴原文）
【我的经历素材】
1. 实习：……（按时间、角色、任务、工具、结果写清楚）
2. 项目：……
3. 技能与证书：……
【输出要求】
- 分为：基本信息、教育背景、实习经历、项目经历、专业技能五个板块
- 每条经历用“动词 + 对象 + 方法 + 结果”的结构，控制在 40 字以内
- 不要编造任何数字、技术栈和职责，我提供的材料里没有的一律不写
- 输出纯文本，不要加粗、不要 emoji、不要额外解释
- 最后单独列出“你不确定、需要我确认的地方”
最后那条“列出不确定的地方”很关键。它会主动告诉你哪些地方它做了推测，你照着这份清单核对，比通篇重读一遍效率高得多。
3. 别指望一次成型，三轮迭代比一次生成靠谱
3.1 第一轮只求结构完整，不求文字好看
第一轮的目标很低：把所有板块填满，把信息摆对位置。文字粗糙一点没关系，甚至有点口语也没关系。这一轮你要检查的是结构问题——板块顺序对不对、时间线是否倒序、有没有整段空白。
很多人第一轮就开始纠结用词，结果改了半天发现板块顺序不对，前面的功夫全白费。顺序这件事看起来小，其实是简历阅读体验的基础。招聘方扫简历的时间通常只有几十秒，如果教育背景在最后、技能散落在各处，对方很难快速建立印象。
3.2 第二轮按岗位做删减，删比写更重要
第二轮是整条链路里最能拉开差距的一步。一份简历的篇幅是有硬约束的，应届生一般控制在一页，有几年经验的可以到两页。这意味着你写进去的每一条，都在挤占别人的位置。
这一轮的操作方式是：把第一轮的完整版当成素材库，然后针对具体岗位做减法。判断标准可以简化成三个问题：
- 这条经历和目标岗位的核心要求有没有直接关系？
- 这条经历能不能体现别人不容易替代的部分？
- 这条经历如果被面试官追问，我能不能讲三分钟？
三个问题里有两个答“否”，这条就该压缩成一行或者直接删掉。删掉不是浪费，因为素材库还在，投另一个岗位时再拿出来用。
3.3 第三轮统一语言，把“我”藏起来
中文简历有个常见毛病：每条经历都以“负责”“参与”“协助”开头，读起来像岗位说明书。更有效的写法是把动作前置，把结果后置，主语省略。
比如“负责用户增长相关工作，参与了活动策划和执行，取得了一定效果”，可以改成“策划并执行三次拉新活动，累计带来约两千名新用户，活动成本控制在预算内”。改动不大，但信息密度完全不同。
这一轮还可以让豆包做一件很有用的事：把你所有条目里重复的动词、重复的句式挑出来。一份简历里出现四次“负责”，读起来会非常单调。
4. “好看”这件事，AI 给不了，得靠排版链路补上
4.1 为什么不能直接把 AI 输出粘进花哨模板
网上那些花花绿绿的简历模板，最大的问题是版式优先于内容。双栏布局、色块分隔、图标装饰，看起来很有设计感，实际打印或者转 PDF 时经常出问题：文字被截断、行距被压缩、中英文混排错位。
更麻烦的是，这类模板通常有固定的字数容量。你的经历描述稍微长一点，整页就溢出到第二页，而且第二页往往只有两三行，非常难看。
所以我的建议是反过来的：先定内容长度，再选版式。 内容定在一页以内之后，选一个单栏、留白充足、字体清晰的版式就够了。简历的“好看”，本质上是信息层次清楚，不是视觉元素丰富。
4.2 一条稳妥的落地路径：文本 → Markdown → Word/PDF
从豆包拿到纯文本之后，我一般走这条路：
第一步，把内容整理成 Markdown 结构。这一步的作用是让层级显性化，标题是标题，条目是条目，后面转格式时不容易乱。
markdown复制## 教育背景
某某大学 | 计算机科学与技术 | 本科 | 2021.09 - 2025.06
- 主修课程：数据结构、操作系统、数据库原理
- GPA：3.6/4.0（专业前 20%）
## 实习经历
某某科技 | 后端开发实习生 | 2024.07 - 2024.10
- 负责订单模块接口开发与联调，优化查询逻辑后响应时间明显下降
- 参与线上问题排查，独立定位并修复若干接口异常
第二步，把 Markdown 粘进 Word 或者支持 Markdown 导入的编辑器，套用样式。这里有几个参数值得注意：
- 中文字体用思源黑体、微软雅黑这类无衬线字体，英文和数字用 Calibri 或 Arial，避免中英文混排时字号视觉不一致
- 正文 10 到 10.5 磅，标题 12 到 14 磅，层级之间差 2 磅左右比较舒服
- 行距 1.2 到 1.5 倍，太挤读不下去，太松一页放不下
- 页边距上下 2 厘米、左右 2 到 2.5 厘米，留白够了版面才不压抑
- 项目符号统一用一种，不要混用圆点和短横线
第三步，导出 PDF。导出前务必确认字体已经嵌入，否则在别人电脑上打开可能变成默认字体，排版全乱。文件名也顺手规范一下，用“姓名-岗位-学校-手机号”这种格式，招聘方下载下来一眼能认出来是谁。
4.3 一份排版自检清单
投出去之前，花五分钟过一遍下面这几项，能挡掉大部分低级问题：
- 通篇字体是否统一，有没有某一段突然变了字号
- 中英文之间有没有多余空格，标点是否统一用中文全角
- 时间格式是否一致，不要一会儿“2024.07”一会儿“2024年7月”
- 公司名、学校名、专业名有没有错别字
- 所有数字是否都能对应上原始事实
- 导出 PDF 后放大到 150% 看一遍，有没有文字被裁掉
- 用手机打开 PDF 看一眼，很多 HR 是在手机上初筛的
最后一条尤其容易被忽略。电脑上看着很舒服的双栏布局，在手机窄屏上可能要来回缩放才能读。
5. 常见翻车点和对应的排查顺序
5.1 内容层的三个高频问题
问题一：通篇空话。 表现是每条经历都成立，但读完不知道你具体做了什么。排查方向是先看提示词有没有给足原料，再看输出要求里有没有明确“动词 + 对象 + 方法 + 结果”的结构。如果原料本身就空，再怎么改提示词也出不来细节。
问题二：夸大或编造。 表现是出现了你没做过的技术、没测过的数字、没担任过的角色。排查方向是逐条对照原始素材，凡是素材里没有的具体数字和专有名词，一律标记待确认。这一类问题必须在投递前清零，因为它会在面试环节被放大。
问题三：时间线混乱。 表现是实习和项目时间重叠、毕业时间和入学时间对不上。AI 在整合多段材料时容易把时间搞错，尤其是你给的材料本身就是非线性的。排查方式是单独拉一条时间轴，按倒序排列，人工核对每个起止时间。
5.2 格式层的排查链路
格式问题最烦人，因为它的表现往往是“看起来不对但说不上哪不对”。我给一个从外到内的排查顺序：
- 先看整体版面：是不是溢出了页面，留白是不是均衡，有没有大片空白。
- 再看层级：板块标题、条目标题、正文，三级之间字号和粗细有没有拉开差距。如果三级看起来差不多，读者会找不到重点。
- 再看行内：中英文混排处有没有异常间距，括号是不是全角，数字和单位之间有没有多余空格。
- 最后看导出：换一台设备打开 PDF，确认字体、分页、图表位置没有变化。
这个顺序的逻辑是，先解决影响最大的结构问题，再处理细节。反过来的话，你可能会在一个标点上纠结十分钟，最后发现整页布局都要重排。
5.3 一个容易被忽略的问题：AI 输出的隐藏字符
从聊天窗口复制文本时，经常会带上一些看不见的字符，比如不换行空格、零宽字符。这些东西在编辑器里看不出来，但会导致排版时行距异常、对齐失效，甚至在某些系统里显示成乱码方块。
排查方式很简单：粘进 Word 之后先全选，用“显示编辑标记”功能看一遍，或者干脆先粘到纯文本编辑器里过一道，再粘进 Word。这一步花不了半分钟，能省掉很多莫名其妙的排版问题。
6. 这套方法适合谁，又在什么情况下不该用
6.1 适合的场景比想象中更窄一些
AI 辅助写简历，效果最明显的是这几类人：有实际经历但不知道怎么写、经历比较散需要重新组织、要针对不同岗位投多个版本、语言表达偏口语需要书面化。
反过来，如果你本身经历非常少，比如在校期间没有实习、没有项目、没有竞赛，那 AI 能帮的就很有限。它没办法凭空给你造出经历，硬造出来的东西在面试环节撑不住。这种情况更该做的是先去补一段真实经历，哪怕是小项目、开源贡献、课程设计，也比在文字上打磨有效。
还有一种情况是投递非常垂直的岗位，比如某些研究型岗位、艺术设计类岗位。这类岗位的简历评价标准高度依赖行业惯例，通用提示词给的建议可能反而是错的。这时候更靠谱的做法是找行业内的学长学姐要一份真实通过初筛的简历作参考。
6.2 长期看，值得沉淀的是你自己的素材库
用 AI 写简历这件事，单次使用的价值其实不大。真正有价值的是你在用的过程中，顺手把自己的经历素材库建起来。每做一段实习、每完成一个项目，就按“时间、角色、任务、工具、结果”的格式记一条。半年下来，你手上就有一个随时可以调用的原料池。
到下一次要投简历的时候，你不需要再从零回忆，只需要把素材库丢给 AI，让它按目标岗位做筛选和改写。这个流程的耗时可能还是十几分钟，但产出的质量和你临时抱佛脚完全不是一个量级。
简历这件事的本质，是把你的经历翻译成招聘方听得懂的语言。AI 是一个翻译速度很快、但偶尔会自己加词的翻译工具。用得好的前提，是你自己清楚原文是什么。所以与其找“最新教程”，不如先把那段原文写扎实——这一步没有捷径，也恰恰是最值得花时间的地方。