根据 JD 用 ChatGPT 定制简历

可以得到什么

• 一份针对特定岗位 JD 调整过的简历初稿，包括调整后的摘要、置顶经历和重写后的 bullet points。
• 一份与 JD 逐条对应的匹配项与缺口清单，便于求职者补证据或调整投递策略。
• 一组可在求职信或面试中重复使用的、与 JD 关键词一致的项目表述。

适合哪些情况

• 已有可核实的项目经历，需要快速为不同 JD 产出多个版本简历的人。
• 不熟悉如何从长 JD 中提取关键词的人。
• 在职或应届生面对岗位要求比较多、想避免遗漏重点的人。

不适合几乎没有相关经历的求职者——AI 不能代替积累，只能帮助识别缺口和重组已有证据。

需要准备什么

• 完整 JD 文本。
• 现有简历以及经过脱敏的事实底稿（做过什么、用什么工具、服务谁、结果、可验证数字）。
• 占位符版本的公司与项目名（避免把真实名称、未公开项目名、保密数据交给通用模型）。
• 目标岗位列表、期望突出但不能虚构的能力描述。

常见做法

• 先用 JD 拆解（把长职位描述分成可匹配的事实清单） 拆解 JD，把要求分成必需条件、加分条件、主要职责、重复关键词、面试主题。
• 再用 简历—JD 证据映射 把 JD 要求和事实底稿做匹配与缺口标注。
• 用 简历逐条改写（一次只改一段经历） 一次只改写一段经历，保留事实，人工比对改写前后。
• 改写后用 简历事实底稿（让 AI 不能补写未经核实的经历） 的事实清单回查每个动词、数字、时间、技能熟练度。

真实案例与教程

• 案例：Jeff Su 用 ChatGPT 完成求职材料准备的五步工作流。
• 来源：SRC-CAREER-001：让 ChatGPT 变成求职神器的 5 个小技巧。
• 作者：Jeff Su（JeffSu杰夫）。

限制和检查点

• 模型可能把"参与"升级成"负责"，或补写百分比、营收、团队人数——按 AI 改简历时的虚构经历与虚构数字风险 检查每条 bullet。
• 关键词被过度复制会导致多候选人文本雷同——按 AI 简历模板化套话与关键词堆砌导致文本雷同风险 检查表达自然度。
• 通用模型接收完整简历前需先占位符脱敏——按 把未脱敏资料交给通用 AI 服务的隐私与内部数据风险 处理。
• 重复出现的 JD 关键词不等于公司内部真实权重——按 把 AI 对 JD 的归纳误读为招聘方真实权重 谨慎判断。

相关任务

• 从长 JD 中提取核心要求
• 为目标岗位准备求职信
• 根据岗位模拟面试

来源

• SRC-CAREER-001：让 ChatGPT 变成求职神器的 5 个小技巧
• 中文原视频：https://www.bilibili.com/video/BV1X94y1a7M8/
• 作者英文交叉参考：https://www.jeffsu.org/5-chatgpt-prompts-to-land-your-dream-job/