招聘季改到第三版简历，经历栏还是那几句：「参与社团招新，负责宣传工作」「协助整理数据，完成上级交办任务」。自己读着都觉得空，却不知道从哪儿补。AI 在这件事上能做的，是把一段模糊的回忆拆成动作、方法、结果、数字四块，再按目标岗位重排；至于你究竟做过什么，它无从知道，素材必须由你先交底。
写不出分量，问题在素材没拆开
多数人写经历时，脑子里存的是一团印象：忙、累、学到了东西。招聘方要的却是可核对的事实：你动了哪一步、用了什么办法、结果变了多少。这两者之间隔着一次拆解。跳过拆解直接让模型「润色一下」，拿回来的只会是更漂亮的空话。
拆解有个笨办法：先把这段经历按时间顺序口述一遍，允许啰嗦，把「当时为什么这么做」「卡在哪一步」「最后谁验收」都写进去。素材越毛糙，后面提炼越有东西可挑。这一步自己做完再交给模型，比让它从一句话里猜要可靠得多。
从原始描述到三条要点：五步流程
五步里第二步最容易被跳过，跳过之后所有改写都会跑偏：
| 步骤 | 产出物 | 常见坑 |
|---|---|---|
| 口述原始素材，允许啰嗦 | 一段三百字左右的白描，含时间、人物、卡点 | 只写一句「参与了某项目」，后面无从提炼 |
| 补齐目标岗位的要求 | 岗位描述一份，圈出三到五个关键词 | 拿一份通用稿投所有岗位，关键词对不上 |
| 拆成动作、方法、结果、数字四栏 | 一张四列表，缺哪一栏就标红 | 结果栏写「提升了效率」，没有可核对的变化 |
| 每条压到一句话，动词开头 | 三到五条要点，每条不超过四十字 | 一条塞进三件事，读的人抓不住重点 |
| 逐条反问「被追问怎么答」 | 一份追问清单，标出答不上来的地方 | 数字来源说不清，面试现场只能含糊过去 |
第三步的四栏表值得单独留档。它是后面所有版本的母本，投不同岗位时只换排序和措辞，事实不动。留档还有个好处：明年再改简历，不用从零回忆。
数字不是装饰，是可信度的锚
「负责宣传工作」和「独立设计三版海报、在两个平台发布、报名人数从六十人增至九十五人」，差别不在文采，在于后者每一句都能被追问。数字的作用是给读者一个可以落地的参照：规模多大、周期多长、你占多少。
没有硬数字也能写。可以写频次，比如每周两次；写范围，比如覆盖三个年级；写协作规模，比如对接五个社团；写交付物数量，比如整理成一份二十页的手册。这类数字不需要精确统计，但必须真实，写下来之前先回忆一遍依据。
模型在这里常犯一个错：它会主动帮你补一个看起来合理的数字。看到「提升了报名人数」，它可能顺手写成「提升四成」。这类补充必须删掉，成因和AI 幻觉里讲的一样——它在做补全，不在核对事实。
换一个岗位，侧重要重排
同一段实习，投产品岗要突出需求判断和跨部门协作，投运营岗要突出内容产出和数据复盘，投技术岗要突出你亲手解决了什么。事实不变，顺序和详略变。做法是把四栏表复制一份，按岗位关键词重排，再让模型检查有没有留下与岗位无关的段落。
无关内容该删就删。写满一页的简历不会加分，只会让对方多花时间找你到底会什么。让模型做这件事时，要求它给出「建议删除」的理由，你才知道删得对不对，也才有底气推翻它的判断。
AI 不知道你真正做过什么
有几件事它天然做不到，得提前知道。第一，它无法验证任何一句描述，你给的素材有水分，产出只会把水分包装得更像真的。第二，它不了解你所在学校、社团、公司的实际语境，「主导」「统筹」这类词在不同规模的组织里含义差很多，用错会在面试里露馅。第三，它判断不了这段经历对你的意义——你为什么选这个方向、为此放弃了什么，这些只有你能说。
还有一层是信息范围。前公司的业务数据、客户名单、未公开的项目细节，不要整段贴进对话框。多数情况下，把公司名、客户名、具体金额替换成「某零售企业」「某类客户」，不影响改写效果。材料贴得太长也会被截断，可参考上下文窗口的说明分批处理。
一份材料好不好，看能不能被追问
判断标准很朴素：随便挑一条要点，问自己「面试官追一句为什么，我答得上来吗」。答得上，这条就成立；答不上，要么补细节，要么删掉。三条站得住的要点，胜过八条经不起追问的漂亮话。
提示词的写法也有讲究。把岗位描述、四栏表、原始素材一起给，明确要求「不得新增我未提供的事实与数字」，再让它输出要点和追问清单。这套写法与提示词的基本结构一致：角色、材料、约束、输出格式，四样齐了才稳。
速查：投递前过一遍
- 每条要点含动作、方法、结果，缺结果就补范围或频次
- 数字必须能说出依据，说不出的删掉
- 岗位关键词对不上三处的段落，考虑整段删除
- 公司名、客户名、金额先替换再贴给模型
- 每条要点自问一句「被追问答得上吗」
