简历智配 — 赵伟毅

02

我想解决的三个问题

01

经历反复整理

多岗位投递时，用户需要不断重新组织同一批经历。

02

岗位要求难理解

用户不容易判断这个岗位真正需要什么，自己的哪些经历可以证明。

03

AI 改写容易越过事实

直接让大模型改写，容易出现不存在的成果、数字或职责。

03

我最后做成了什么

产品把多岗位投递中反复发生的工作，连接成一条可以持续编辑的流程。

01经历库

02JD 分析

03Evidence / Gap

04简历生成

05编辑校验

06投递记录

简历智配岗位工作台产品总览 — **产品总览**岗位工作台将目标岗位、简历画布、策略与证据放在同一任务上下文中。

04

为什么要先确认事实？

我后来把问题从“怎样让 AI 写得更好”，改成了：

怎样让 AI 只在有证据的范围内，帮用户表达得更好。

01

事实优先

生成内容必须能追溯到真实资料。

02

信息不足就暴露 Gap

资料不足时告诉用户，而不是自行补全。

03

用户保留控制权

AI 给建议，最终由用户决定。

04

共享同一事实基础

避免同一段经历在不同岗位里越改越不一致。

05

为什么要区分 Evidence 和 Gap？

简历智配证据与信息缺口界面 — **Evidence / Gap**让用户看到哪些岗位要求已有真实证据，哪些信息仍需补充。

01

有证据

已有事实，可以组织表达。

02

信息缺口

资料不足，告诉用户还缺什么。

03

无事实依据

不允许模型自行补充。

06

这个系统怎么工作？

INPUT

输入

用户真实已有资料和目标岗位。

真实经历原始文件目标 JD

UNDERSTAND & CONSTRAIN

理解与约束

判断已有事实能支持什么，并暴露资料缺口。

Fact BankJD UnderstandingEvidence MappingGap Detection

OUTPUT & FEEDBACK

输出与反馈

生成后继续编辑和校验。

StrategyResume DraftUser EditValidation

Edit / Validation → 更新事实与 Evidence → 再次生成

AI 在这里做什么？

拆解 JD
找到已有证据
识别信息缺口
基于证据生成
检查输出结果

AI 负责处理和建议，事实仍由用户提供和确认。

Codex SDK · Structured Output · Next.js · TypeScript

07

关键界面

01 / Product Overview

先看完整的产品空间

岗位、简历与 AI 辅助共享同一个任务上下文。

02 / JD Analysis

先理解岗位，再开始生成

简历智配将岗位要求拆解为技能、业务场景、岗位能力、关键动作和关键词 — 先把岗位要求拆成结构化任务，再去寻找经历证据，而不是直接开始生成简历。

03 / Evidence & Gap

什么时候可以写，什么时候应该停下来

这不是两种视觉状态，而是生成边界的产品表达。

Evidence 状态展示岗位要求、证据强度和对应的真实经历 — 证据能回到具体经历与原始表达，AI 才继续组织内容。

Gap 状态说明正式用户测试资料不足，系统不会自动写入简历，并请用户补充 — 资料不足时停止生成，明确告诉用户需要补充什么。

04 / Human + AI Editing

AI 提建议，用户保留最终控制权

用户在简历画布中选择并直接编辑项目经历文本 — AI 提供修改入口，用户仍可直接确认和改写最终文本。

05 / Final Output

最终交付不是工作台，而是一份简历

从简历智配真实导出并渲染的带头像一页 A4 PDF 简历 — 编辑结果最终交付为可检查、可投递的一页 PDF。

08

我怎么改到现在

最开始

我主要关心“能不能生成”。

后来

我发现 AI 很容易把表达优化变成事实放大。

于是

我加入 Evidence / Gap 与来源追溯。

再后来

我开始处理不同岗位之间的事实连续性。

现在

我继续优化编辑、模板、校验和最终交付体验。

09

反思

一开始我更关注 AI 能不能生成好的内容。

后来我逐渐意识到，更难的其实是：怎样约束错误，以及资料不足时产品应该怎么表现。