企业官网建设流程全解析

简历这个东西，我见过写了十年的人还在用同一份模板投所有岗位，也见过刚毕业的同学把自己干过的事写得像流水账，读三行就让人想关掉。问题往往不在文笔，而在于绝大多数人从来没有认真整理过自己的经历。这两年我陆陆续续用对话式AI帮人改简历，从一开始的半信半疑，到后来把它当成一个"能陪你抬杠的编辑"，中间踩过的坑不少。这篇就围绕使用ChatGPT高效完成简历制作这件事，把上篇该讲的都讲透：素材怎么盘、提示词怎么写、改写到什么程度可以收手、哪些地方模型一定会给你挖坑。不管你是第一次做简历的学生，还是工作几年想换条赛道的职场人，只要手上有一堆零散的经历不知道怎么组织，这套流程都能直接拿去用。需要说明的是，下面所有提示词模板、参数和操作细节，一部分来自我自己的实操记录，一部分是基于常见简历筛选实践做的合理补充，你可以按自己的情况调整，不必照抄。

1. 简历这件事，为什么值得让AI插手

1.1 大多数人卡住的不是文笔，是素材沉淀

很多人以为简历写不好是表达能力问题，其实真正卡住的是"没东西可写"和"有东西但说不清"。我帮人改简历时通常先问一句：把你上份工作每天早上到公司做的第一件事说出来。对方能滔滔不绝讲十分钟，可一旦让他写成两行字放进简历，就只剩"负责日常业务维护"这种谁都能写的废话。这不是他能力不行，是他从来没把自己的工作拆成"动作、对象、方法、结果"这四个要素，而拆解恰恰是对话式AI最擅长的活儿。

大模型的价值就在这里：它不负责替你编经历，它负责把你脑子里那摊模糊的东西逼出来、拆开、重排。你给它一段口语化的描述，它能反问"这件事的处理量级大概是多少""你在这个环节里是主要执行者还是配合方"，这种追问比你自己对着空白文档发呆有效得多。所以我一直坚持一个观点：简历工具的定位应该从"生成器"改成"采访者"，你被它问得越细，最后写出来的东西越像你自己。

明白了这个定位，后面所有的操作逻辑就顺了——你不是在让AI写简历，你是在让它采访你，然后帮你把答案整理成一份结构化的文档。这个视角的转变很关键，因为它决定了你会不会把真实经历喂给它，也决定了最终成品有没有说服力。

1.2 大模型在简历环节能干什么、不能干什么

把能力边界划清楚，能省掉大量返工。我按自己实测的经验做了个划分，你可以对照着看哪些环节适合交给模型，哪些必须自己上手。

表格里最后一行是最要命的。模型有个特点：它对不确定的东西不会说"我不知道"，而是会用同样笃定的语气给你一个像模像样的答案。我见过有人把模型润色后的项目描述直接投出去，面试时被问到"你说的这个转化率提升是怎么算的"，当场愣住——因为那个数字是模型顺手加的。所以有一条铁律：凡是数字、时间、职级、团队规模，全部由你亲手填，模型只负责提醒你哪里缺数字。

1.3 先立一条规矩：素材库归素材库，成品归成品

这是我这套流程里最重要的一条纪律，也是最容易被忽略的。很多人开一个对话框，从头聊到尾，最后让模型"把上面所有内容整理成一份简历"，结果得到一份四不像的东西——既有素材阶段的流水账，又有反复修改留下的矛盾表述，还混着几轮对话里你自己都忘了的假设条件。

正确做法是开两个独立的对话：一个叫"素材库"，只干一件事——把你所有经历掏干净，越详细越好，不用管好不好看，允许口语、允许重复、允许跑题；另一个叫"成品间"，只接收整理好的结构化素材，专门负责打磨措辞和适配岗位。中间靠你自己做一次搬运，把素材库的产出复制过去。这个动作看起来麻烦，但它保证了两件事：成品间的上下文永远干净，你随时可以回到素材库补东西而不会污染已经定稿的部分。

我自己习惯再建第三个对话，专门用来"挑刺"——把定稿的简历丢进去，让它以招聘方视角找问题。三个对话各司其职，互不干扰。这个习惯养成之后，返工率会明显下降，因为你永远知道问题出在哪个环节。

2. 投喂之前，先把自己的经历盘成可用原料

2.1 原始素材清单怎么列

别急着打开对话框，先花二十分钟在纸上或者备忘录里列一份清单。清单不需要好看，只需要"全"。我通常按四个维度让人回忆：做过的事、解决过的问题、用过的工具方法、带过或配合过的人。每个维度往下挖三层，比如"做过的事"里写了"做过一个数据看板"，第二层问自己"给谁做的、解决什么、数据从哪来"，第三层再问"中间最难的一步是什么、卡了多久、最后怎么绕过去的"。

这份清单的价值在于，它是你唯一不能被模型替代的部分。模型再强，也只能在你给的信息范围内工作。你给它"做过数据看板"，它只能写出泛泛的句子；你给它"业务方每天要手工从三个系统导表拼一份日报，耗时两小时，我做了一个自动汇总的看板把时间压到十分钟"，它就能写出有血有肉的东西。信息密度的差距，全在原料阶段就决定了。

清单列完之后，我建议做一次时间校准：把每段经历的起止时间、当时的职级或角色、团队大致规模都标上。这三项信息在后面写简历时几乎必用，而且一旦记错，面试时非常尴尬。我吃过这个亏，某段经历的结束时间记岔了两个月，被追问时只能临时解释，观感很差。

2.2 用STAR把流水账压成结构块

有了原始清单，接下来做一次粗加工。STAR这个框架被讲烂了，但真正用对的人不多。我的用法是把它当成"四个必须回答的问题"，而不是四个必须写进简历的段落：

• S（情境）：这件事发生在什么背景下？为什么需要做？
• T（任务）：你具体要达成什么？有没有明确的衡量标准？
• A（行动）：你个人做了什么动作？用了什么方法？和谁配合？
• R（结果）：最终产生了什么变化？有没有数字或可验证的结论？

关键在于，简历成品里通常只保留A和R，S和T压缩成半句话做铺垫，甚至完全不写。但你在素材阶段必须把四个都答完，因为模型需要S和T来理解语境，才能写出准确的A和R。我一般会要求素材写成"一段背景 + 三到五个动作 + 一到两个结果"的形式，每段控制在两百字以内，这样后面改写时不会丢失信息。

举个我实际处理过的例子。原始描述是："参与公司内部系统的优化工作，负责部分模块开发，配合测试完成上线。"这段话说实话等于没说。经过STAR追问后变成："内部订单系统在高峰期查询超时，业务方每天收到几十条投诉（S）；目标是把查询响应压到一秒以内（T）；我把原来一次联表查询拆成两次，加了一层缓存，同时把列表页默认加载条数从五十降到二十（A）；上线后高峰期超时告警基本消失，投诉量降到个位数（R）。"这个版本才具备改写成简历条目的价值。

2.3 把岗位JD拆成关键词表

素材准备好之后，下一步是搞清楚"你要投的这个岗位到底在找什么样的人"。这一步很多人跳过，直接拿一份通用简历到处投，结果就是每份都差一口气。我的做法是把目标岗位的描述复制下来，手动拆成三类词：

• 硬性技能词：具体的工具、语言、框架、证书、方法论名称。
• 场景词：业务领域、系统类型、团队协作模式，比如"高并发""跨部门""从零搭建"。
• 软性表述词：描述里反复出现的动词和形容词，比如"推动""落地""闭环""owner意识"。

拆完之后你会发现，同一个岗位描述里某些词会重复出现两三次，这些就是真正的重点。把它们圈出来，作为后面定向改写的锚点。需要提醒的是，别把明显不满足的硬性要求硬塞进去，比如岗位要求三年以上某技术栈经验而你只碰过半年，写上去只会在面试时被拆穿，得不偿失。关键词对齐的前提是事实对齐，这一点上没有捷径。

3. 提示词怎么写才不算白问

3.1 第一轮：让它做归类，别让它做创作

大多数人第一句就问"帮我写一份简历"，这是最没效率的问法。第一轮的正确目标是结构和归类，不是产出成品。我常用的开场提示词大致是这样：

你现在是一位有十年招聘经验的面试官，同时也是一位简历顾问。 下面是我过去几年的工作经历，写得很乱，包含口语、重复和无关信息。 请你先不要写简历，只做三件事： 1. 把这些经历按项目/阶段归类，指出哪些其实是同一件事的不同说法； 2. 标出每段经历里缺失的关键信息（比如时间、规模、你的具体角色、可量化的结果），列成问题清单； 3. 指出哪些经历与你目标岗位的相关度最高、哪些可以合并或舍弃。 目标岗位方向：【填写岗位名称与一句话描述】 我的原始素材：【粘贴素材】

这个提示词的关键在于最后那句"先不要写简历"。模型有个惯性，你不明确禁止，它就会一路冲到成品，而跳过归类这一步，后面所有的修改都是在一堆混乱的原材料上打补丁。让它先反问，你回答一轮，素材的质量会明显上一个台阶。

我实测下来，这一轮通常会抛出五到十个问题，其中有两三个是你自己没想到的，比如"这个项目是你主导还是配合""上线后有没有人持续使用"。这些问题本身就值回票价，因为它们逼你回忆细节。

3.2 第二轮：把"我做了什么"改写成"我做成了什么"

归类和补全做完，进入真正的改写环节。这一步的核心动作是把"职责导向"改成"成果导向"。"负责""参与""协助"这三个词是简历里的重灾区，它们只说明你在场，不说明你产生了什么价值。

我的提示词会明确约束改写规则：

基于上面已经补全的信息，把每段经历改写成2-4条简历条目。 硬性要求： 1. 每条必须以动词开头，禁止使用"负责""参与""协助""配合"作为开头动词； 2. 每条必须包含"做了什么 + 怎么做的 + 产生了什么变化"，结果优先，过程其次； 3. 没有具体数字的地方，不要编造，用【待补充】标出，并在后面用括号提示我应该补哪类数据； 4. 单条不超过40个汉字，超过就拆成两条； 5. 删掉所有形容词，比如"优秀的""高效的""显著的"，用事实代替评价。 写完后再单独列一版：把每条里最容易被面试官追问的点标出来。

第五条是我加得最狠也最有效的一条。形容词是简历里最没有信息量的东西，写"显著提升了效率"和什么都不写差不多，写"把处理时间从四十分钟压到八分钟"才有分量。要求它删掉形容词重写，产出的密度会明显不一样。

还有一个细节：单条四十个字的限制不是拍脑袋定的。简历在初筛阶段被阅读的时间非常短，一行字如果超过两行显示，读的人很容易跳过去。控制在四十字以内，基本能保证一眼扫完抓住重点。

3.3 第三轮：定向适配，一岗一版

到这一步你手上有了一份"通用版"素材，接下来是把它变成"这个岗位的版本"。我的做法是把前面拆出来的关键词表贴进去，要求模型做定向调整，但只允许改表述顺序和用词侧重，不允许新增事实：

这是我的通用版简历条目【粘贴】，这是我目标岗位的关键词表【粘贴】。 请你做定向适配，规则如下： 1. 只调整条目的顺序、详略和用词，不得增加任何我没提供过的事实； 2. 把与该岗位关键词直接相关的条目提到前面，并适当展开； 3. 相关度低但与岗位不冲突的条目压缩成一条； 4. 明显无关的条目单独列出来，标注"建议删除"并说明理由； 5. 输出一张对照表：左边是原条目，右边是修改后条目，中间注明改动原因。

要求输出对照表这一步很重要。它能让你清楚看到每一处改动的理由，而不是被动接受一个改完的版本。我见过不少人直接把模型改完的内容复制走，结果简历里出现了一些自己都不太理解的表述，面试时被追问"你这里写的闭环是什么意思"，答不上来。

定向适配这件事还有个现实考量：一岗一版听起来累，实际操作中你会发现百分之七十的内容是复用的，只有排序和重点不同。把通用版维护好，每次适配其实只花十来分钟。

3.4 数字量化与可信度校准

数字是简历里最有说服力的东西，也是最容易出问题的地方。我的处理方式是分两步：先让模型标出所有"应该有数字但没有"的位置，再由我自己填。

常见的量化维度我整理成了一张表，补数字的时候可以照着找：

填完之后一定要做一次"可信度校准"：把带数字的条目单独拎出来，问自己三个问题——这个数字我怎么算出来的？如果面试官追问细节我能不能还原？这个数字在同岗位里是不是明显不合理？第三个问题最容易被忽略，我见过有人写"把某流程效率提升百分之三百"，这种表述只会让人怀疑真实性，因为提升三倍意味着原来的流程几乎完全无效，除非你能解释清楚。

校准的提示词可以这样写：

下面是我填好数字的简历条目【粘贴】。请你扮演一位严格的面试官，逐条判断： 1. 这个数字有没有可能是夸大或口径不清的？ 2. 如果我要在面试中为这个数字辩护，需要准备哪些支撑材料？ 3. 哪些表述会引起"这人是不是在吹"的直觉反应？给出修改建议。

这一轮产出的内容，往往比简历本身更有价值，因为它直接变成了你的面试准备清单。

4. 完整走一遍：从草稿到定稿的实操记录

4.1 项目经历模块的改写实录

拿一个我最近处理的真实场景说，某位做运营的朋友，原始描述是这样写的："负责社群日常运营，维护用户关系，策划活动，提升用户活跃度。"这段话说实话放进简历里，和没写差不多，因为它可以被套在任何一个运营身上。

第一步，我让他回答几个问题：社群多大规模、活跃度的口径是什么、策划过哪次活动、活动前后数据怎么变。他给出的信息是：三个群合计约一千二百人，活跃口径是每周发言人数，做过一次为期两周的主题打卡活动，参与人数两百多，活动期间周发言人数从一百五涨到三百八。

第二步，把补全的信息丢给模型，用前面那套改写规则。产出的条目是这样的：

• 运营三个合计约1200人的用户社群，将周活跃口径统一为"周发言人数"，建立每周统计表；
• 策划为期两周的主题打卡活动，参与人数二百余人，活动期间周发言人数由约150人增至约380人；
• 整理高频问题清单并按周更新，减少重复答疑，单日答疑条数由三十余条降至十条以内。

第三步，让他自己念一遍，看有没有说不出口的地方。他把"由三十余条降至十条以内"改成了"整理高频问题清单并定期更新，重复答疑量明显下降"——因为他确实没有精确统计过，只是凭感觉。这个改动我完全支持，宁可写模糊的真话，也不要写精确的假话。

4.2 自我评价与技能栏的处理思路

自我评价这一栏是最容易写成空话的地方。"性格开朗、学习能力强、有责任心、抗压能力好"——这四句话放在一起，相当于什么都没说。我的建议是，如果岗位没有明确要求，这一栏干脆不写，把空间让给项目经历。如果一定要写，就写成"能力小结"，内容是三句话：我擅长什么、我用什么方法、我做出过什么。

技能栏的处理则要克制。很多人喜欢把所有听说过的东西都列上去，从编程语言到办公软件写满两行，结果反而让人抓不住重点。我的做法是分三档：熟练使用（能独立完成工作）、了解（能看懂能改）、接触过（不写）。第三档基本可以直接删掉，写上去只会增加被追问的风险。

模型在这一栏的辅助价值在于"翻译"。比如你写"会用表格软件"，它可以帮你改成更具体的表述，但要提醒它不要夸大——我用的提示词里会加一句："如果我的描述只能支撑'了解'级别，不要改写成'精通'。"

4.3 排版、篇幅与最终校对

内容定稿之后才轮到排版。我的原则是：结构清晰优先于美观，一页优先于两页（工作五年以内），时间倒序优先于分类罗列。模块顺序一般是基本信息、教育背景、工作或项目经历、技能与证书，最后是可选的补充信息。

校对环节我固定做四件事：一是通读一遍找错别字和标点，中英文混排的间距尤其容易出问题；二是检查时间线有没有断档或重叠；三是把每一句单独拎出来问"这句能不能删"，能删就删；四是换设备打开看一遍，手机和电脑上的显示效果差别比想象中大。

这里可以用模型做最后一道筛：

这是我定稿的简历文本【粘贴】。请你只做校对，不要改写内容。 检查项： 1. 错别字、标点、中英文混排问题； 2. 时间线是否连贯，有无空档或重叠； 3. 同一概念前后表述是否一致（比如"用户"和"客户"混用）； 4. 哪些句子属于"删掉也不影响理解"的冗余内容，逐条列出。

让它只做校对不做改写，是为了避免最后一轮又把已经定好的表述搅乱。这个提示词里的第四条收获最大，通常能砍掉一成左右的字数，而信息量一点都不损失。

5. 踩坑记录与问题速查

5.1 常见问题速查表

下面这些是我在实际操作中反复遇到的问题，整理成表方便对照排查：

表格之外还有两个高频疑问值得单独说。一是"要不要用模型生成整份简历然后自己改"，我的答案是不要，因为从零生成的东西你没有情感连接，改起来反而更累，而且极容易留下自己都解释不清的表述。二是"中文简历和英文简历能不能用同一套素材"，可以用同一份素材库，但必须分两个成品间来做，因为两种语言的表达习惯差别很大，直译出来的英文简历一眼就能看出是翻译腔。

5.2 几条不太会写进教程的经验

第一条，简历不是越满越好。我见过把一页纸塞得密不透风的版本，读起来像在看说明书。留白本身是一种信号，说明你知道什么该说什么不该说。判断标准很简单：如果某一条你自己都觉得"这个好像不太相关，但删了有点可惜"，那就删掉。可惜的感觉往往意味着它只是在填充空间。

第二条，让模型扮演面试官比扮演写手更有用。写手给你的是文本，面试官给你的是问题。我在整个流程里穿插了至少两轮"挑刺"，一次在定稿前，一次在定稿后。后一次尤其有价值，因为它会指出哪些表述"看起来很像包装过的"，而这些恰恰是真实面试里最容易被深挖的地方。

第三条，别在同一天把简历改到第五版。改到第三版之后，你对文字的判断力会明显下降，开始在一些无关紧要的措辞上反复纠结。我的习惯是改完两版就放一晚，第二天早上用陌生人的心态重读一遍，通常能一眼看出昨天死活发现不了的问题。这个间隔比任何提示词技巧都管用。

第四条，素材库要长期维护，不要等到要投简历才想起来建。我现在保持一个习惯，每做完一个稍微像样的项目，就花五分钟往素材库里补一段：背景是什么、我做了什么、结果怎样。等到真要用的时候，直接调出来改写就行，不用再靠回忆硬凑。这个习惯的复利效应非常明显，尤其是工作三五年之后，早期项目的细节基本忘光了，只有当时记下来的东西还在。

第五条，接受"够用就好"。简历永远可以再改一版，但投递有窗口期。我见过有人一份简历改了两个月，改到最后自己都不知道在改什么，机会也错过了。设定一个止损点：内容事实核对无误、关键数字能自圆其说、通读没有明显别扭的地方，就可以投了。剩下的优化留给下一次。

下篇我打算接着聊投递环节的东西——怎么根据不同渠道调整简历的详略、自荐信要不要写、投出去之后怎么跟进，以及面试前怎么用同一套素材库快速准备追问。上篇这套流程走下来，你手上应该已经有一份结构清楚的底稿了，接下来要做的是让它在不同场景里变形。这一步我踩过的坑更多，到时候一起说。