程序员转AI简历指南：从HR视角到岗位需求匹配

这份来自B站的IT转AI教程，开篇聚焦简历准备，给出了五个被许多求职者忽略的关键动作。原作者强调，简历不是几小时能搞定的事，而是一项需要两三天系统准备的工程。

简历不是速成品：预留两三天

很多程序员写简历的习惯是打开文档、罗列技能、投递，全程不过几个小时。但原作者指出，正常情况下一份简历需要两到三天来准备。原因不在文字描述本身——把项目讲清楚其实很快——而在于写之前的准备工作。

写简历前，先把自己的技能栈和项目经历做一次完整梳理，做到心中有数，写出来的内容才贴合真实状态。跳过这一步，简历容易变成技能名词的堆砌，面试时反而露怯。

STAR 法则与可量化描述

文章强调写简历前要先梳理技能栈和项目经历，落到具体表达上，业界常用 STAR 结构组织项目描述：Situation（背景与业务场景）、Task（你承担的目标）、Action（你具体做的技术动作）、Result（可衡量的结果）。对转岗者尤其重要的是把「参与过」改写成「负责了什么、用了什么技术、解决了什么问题、带来什么指标变化」，例如接口响应从多少毫秒降到多少、支撑了多少并发、节省了多少人力。缺乏量化时，退而写清技术选型理由和难点攻克过程，也比单纯罗列框架名更能经受面试追问。这一步正是把梳理结果落笔成文的关键，也是简历能撑起两三天准备周期的原因。

模板的第一印象：一分钟定生死

原作者看过大量学员简历后总结出一个残酷现实：HR或技术面试官筛一份简历的时间通常不超过一分钟。如果第一页字体大小不一、页边距混乱、格式毫无章法，面试官根本没有读下去的欲望。

解决方案不是花哨的设计，而是简约大方。统一标题层级、统一字体、统一格式，哪怕只用最基础的简历模板也足够。核心目标是让面试官在一分钟内顺畅地读到你的亮点，而不是被排版劝退。

投其所好：从招聘网站反推简历内容

这是整段内容里作者反复强调的一点。多数人写简历的心态是「我会什么就写什么」，但正确的做法是打开招聘网站，看你目标城市、目标薪资区间内岗位的任职要求。

具体操作上，作者给出的方法是：在期望薪资范围内浏览15到20个岗位，把所有出现的技术名词罗列出来，按出现频率和重要性做排序。排名靠前的技术栈必须出现在简历的技能描述里，因为HR筛选时很多时候做的是关键字匹配。

他以Java岗位为例：不少招聘要求里已经出现Spring Boot、Spring Cloud、MyBatis、Kafka、Redis、Elasticsearch等组件。这些名词如果简历里没有，连初筛都过不了。

关键字匹配（ATS 与初筛机制）

文章提到 HR 筛选时很多时候做的是关键字匹配，这背后是简历筛选系统的运作逻辑。不少中大型企业会先用 ATS（Applicant Tracking System，申请人追踪系统）对简历做自动解析和打分，系统按岗位 JD 中预设的技能词、学历、年限等字段抽取信息并排序，人工往往只看排名靠前的那批。这意味着简历里的技术名词如果写成「熟悉主流微服务框架」这类模糊表达，可能根本无法被系统识别命中。更稳妥的写法是把具体组件名（如 Spring Cloud、Kafka、Redis）以标准英文写法原样列出，避免同义词、缩写或自造译名，同时保持纯文本可复制，不用图片或特殊排版承载关键技能词，否则解析容易失败。

大模型能力：从加分项变成必问项

作者观察到一个明显趋势：大模型相关经验在招聘描述中常被写成加分项，但实际面试中几乎是必问内容。

问题深度分层次：浅层问有没有用过Claude Code、Codex、Cursor、Trae这类AI编程工具；中层问智能体、RAG相关概念；更深则涉及AI算法。无论投的是不是AI岗位，这部分能力都需要想办法在简历和面试中展示。作者的原话是，市场处于「肉少狼多」的状态，加分项实质上就是必备点。

RAG 与智能体的基本含义

文中把「智能体、RAG」列为中层问题，这两个概念值得先弄清楚。RAG（Retrieval-Augmented Generation，检索增强生成）指在让大模型回答问题前，先从外部知识库或文档中检索相关片段，再把片段作为上下文一起喂给模型，从而缓解模型不知道私有数据、容易编造内容的问题。典型链路包括文档切分、向量化嵌入、向量库检索、拼接提示词生成答案。智能体（Agent）则是在大模型之上加入规划、工具调用和记忆机制，让模型能自主拆解任务、调用搜索或代码执行等外部工具并迭代修正结果。面试中常被追问的是切分策略、召回效果评估、工具调用的失败处理等落地细节。

换位思考：自己先当一次HR

简历写完后，最后一步是把自己当成HR，从头读一遍。如果自己都不想看第二眼，投出去的效果大概率也很差。这个动作成本极低，却能筛掉大部分低级问题。

整段内容没有涉及具体项目实战和面试技巧，但简历准备这五个动作已经构成了一条清晰的逻辑链：先梳理自身，再对齐市场，最后用面试官的视角做验收。对正在转AI的程序员来说，这套方法比堆砌技能名词更值得先做一遍。