如何用 AI 優化履歷 — 完整指南

五年前「AI 履歷工具」的意思是付費的英文文法檢查器。現在的意思是：解析你的履歷、跟職缺描述比對、算關鍵字覆蓋率、抓出寫得弱的 bullet、給你重寫建議——全部一分鐘內跑完。工具變強了，但也很容易誤用，誤用比不用更慘。

這篇是實戰版：什麼時候 AI 幫得上忙、什麼時候會幫倒忙、以及一套今天就能跑的流程。範例假設你手邊已經有一份職缺描述跟一份需要修改的履歷。

過去 18 個月變了什麼

網路上多數履歷建議是 LLM 還不堪用之前寫的。舊劇本是：寫一份主履歷、每次申請換幾個關鍵字、跑文法檢查、送出。這些建議仍然有效，但留了很多分數沒拿。LinkedIn Economic Graph 在 2025 年的報告指出，針對性履歷的面試轉換率約是通用履歷的 2.5 倍，而且自從招募方也開始用 AI 篩選後，這個差距還在拉大。不管你願不願意，你現在都在跟用 AI 輔助過的對手競爭。

新劇本是：

1. 先用你自己的聲音寫一份扎實的基礎履歷
2. 用 AI 對照每個職缺做比對
3. 用 AI 找出缺口，再決定哪些可以誠實補上
4. 用 AI 收緊文字、量化弱 bullet
5. 送出前自己用眼睛讀一次

注意 AI 出現在五步中的三步，但不負責寫第一稿。原因跟 AI 寫的求職信幾秒就被識破一樣：不認識你的 LLM 會寫出語法正確、語氣自信、內容空洞的句子。失敗模式可以參考 求職信常犯錯誤。

AI 履歷工具擅長什麼

這些工具有明確的長處，搞清楚這些長處，能決定你多拿一個面試還是寫出更糟的履歷。

關鍵字缺口偵測

這是最強的使用情境。把 JD 跟履歷貼進去，工具會回傳一份「JD 有但履歷沒有」的詞彙清單。好一點的工具還會抓近義詞（「你寫 data pipelines、JD 寫 ETL」）。以前要手動標記 30 分鐘，現在 30 秒。關鍵字邏輯本身可以參考 如何把履歷對齊職缺描述。

量化提示

LLM 很會抓出弱 bullet。「負責管理團隊的報表」這種句子會被提示「團隊幾人？報表多久一次？什麼指標改善了？」。AI 不能替你發明答案，你還是要自己挖出來。

ATS 解析模擬

新一點的工具會模擬 ATS 怎麼解析你的檔案，告訴你它抓到的姓名、Email、經歷、技能各是什麼，讓你看到雙欄或文字方塊有沒有把解析搞砸。對 ATS 不熟可以先看 什麼是 ATS，或直接挑一個 可解析的履歷模板 來改。

一致性編輯

如果履歷時態混用、有一半 bullet 用「Responsible for」開頭、另一半用「Led」開頭，AI 一輪掃描就能標出來。這種苦工人類最討厭做，工具客觀上做得比較好。

AI 履歷工具搞砸什麼

知道失敗模式同樣重要。

它會編造

通用 LLM 只要有機會就會編個數字讓 bullet 看起來更強。「Increased revenue by 23%」念起來很漂亮，編的就是零分。面試時招募人員會追問，每一個你放任 AI 寫進履歷的假數字，未來都是要靠記憶力或閃避才能應付的問題。把所有量化建議當成「你要回答的問題」，不是「你可以接受的答案」。

它會把你的聲音變平

用同一句通用 prompt——「把我的履歷重寫得更有衝擊力」——產出的 bullet 全部會像同一位 career coach 寫的。強動詞、模糊範圍、模糊指標、句點。讀過 200 份履歷的招募人員一眼認得這個語感。AI 用來修特定的弱 bullet，不要用來大規模重寫。

完整流程

下面是真的有用的流程：

第一步：先寫主履歷

在打開任何 AI 工具之前，先寫一份長版主履歷，把所有相關職位、量化成果、工具、證照都寫進去，不要剪裁長度。主履歷是你的素材庫，每次申請從它擷取，但永遠不直接送出。

這一步沒什麼性感的地方，但價值最高。記不起來的數字就去翻舊績效考核、專案回顧、Slack、行事曆，把它挖出來再往下走。

第二步：拆解 JD

把 JD 拆成三類：

• 必備條件：通常 3–6 項。年資、特定工具、特定證照。誠實打勾不過，就不要投
• 加分項：5–10 項次要技能
• 文化訊號：「主動承擔」「能在模糊中前進」「快節奏」這類詞，告訴你招募人員想看到的語氣

第三步：跑缺口分析

把客製化的草稿（不是主履歷）跟 JD 餵進工具。你要看三個數字：匹配分數、缺失關鍵字、被標記的弱 bullet 數。資格相符的職位目標 70% 以上。低於 60% 表示你伸太遠，或履歷實質沒對齊。Tailor 可以一次回傳這三個指標。

第四步：重寫，不要重生成

每個缺失的關鍵字，問自己：主履歷裡有沒有誠實的對應例子？有就融進現有 bullet；沒有就放著。不要編造。

每個弱 bullet，問自己：實際範圍和結果是什麼？自己重寫一次。AI 可以給建議句，但送出的版本要像你寫的。

bullet 的實用結構：

[強動詞] + [做了什麼 + 範圍] + [怎麼做 / 用什麼工具] + [量化結果]

範例：「將 4 個正式環境服務從 EC2 遷移到 ECS Fargate，基礎設施成本下降 38%，部署時間從 22 分鐘縮短到 4 分鐘」。

第五步：再算一次分數，送出

再跑一次分析，確認分數上升、缺失清單變短，然後大聲讀一遍。任何讀起來像陌生人寫的句子都重寫。送出。

常見錯誤

看過上百份履歷的實際操作後，反覆出現的錯誤是：

優化一次、到處投。 AI 工具的價值在於針對性。優化一份履歷投 30 個職缺，匹配分數會在每個 JD 上崩盤。

全盤接受 AI 建議。 AI 建議是起點，有些會錯、有些不適合你的經歷。把輸出當成「可以爭辯的草稿」，不是定論。

讓 AI 編造數字。 把無法在面試中辯護的數字寫進履歷，是最快毀掉面試的方法。招募人員問「跟我聊聊那個 38% 的改善」，戲就演不下去了。

跳過自己讀過一次。 印出來或換個螢幕讀過最終版。LLM 編輯器漏掉的錯（重複句、時態錯、數字錯）就是讓你失去面試的那些。

一個前後對照範例

JD 要求「data-informed product decisions、A/B testing、North Star metrics、cross-functional partnership」。

之前：「跟工程和設計密切合作功能開發並追蹤成效。」

AI 缺口報告：缺「A/B testing」「North Star」「cross-functional」「data-informed」。bullet 被標為職責導向、無量化、無範圍。

之後：「2025 年跨部門協作工程與設計推出 6 項功能，每次發佈執行 A/B 測試，並將 North Star 指標（每週活躍創作者）從 41k 推升到 58k。」

同一個職位、同一個人、同一段工作。AI 沒有編造任何數字，這些都來自候選人的季度績效資料。AI 只是不允許 bullet 停留在模糊狀態。

送出前的清單

• 資格相符職位的匹配分數 70% 以上
• 每個必備關鍵字要嘛誠實補上、要嘛承認缺口
• 履歷上每個數字都能在面試中說明
• 自己完整讀過一次最終版
• 檔名格式 Rich_Liu_Resume_2026.pdf
• 透過官方系統送出，有解析預覽就先看過

工具進步很快，但底層工作沒變：在招募人員 60 秒的閱讀內，告訴對方你就是能做這份工作的人。