本指南受个人经历启发，展示了人工智能提示、编码和简历分析如何能够帮助填补技能差距，找到更合适的工作。

在我职业生涯初期找工作时，我总觉得我的简历所呈现的内容和职位描述之间存在差距。我常常花好几个小时盯着自己的简历，反复琢磨它是否正确体现了我的技能，是否与职位描述以及招聘人员的要求相符。不确定我的简历能否通过求职申请跟踪系统（ATS），这促使我去了解在如今的求职游戏中，什么样的简历才管用。

就在那时我意识到，可能有很多人都在为这类问题而苦恼。然而，那些不断提升软件工程技能且有所收获的人，凭借他们的经验、特定的岗位要求，或者攻克这份工作所需的领域知识，至少可能会更容易通过申请人跟踪系统（ATS）的筛选。但对于刚涉足软件工程领域，或者虽懂得如何使用人工智能，但需要一个良好开端来为自己打造基于大语言模型（LLM）的人工智能工具的人来说，这个解决方案或许会有所帮助。

向前迈进：构建解决方案

我运用所学知识打造了这款由人工智能驱动的简历优化工具，旨在简化并提升通常令人望而生畏的简历撰写流程。以下是我的实现方法：

1.问题识别:大多数简历无法突出你的技能，表述不清晰，或者无法通过求职申请跟踪系统（ATS）的筛选。根据我的经验，我意识到这个问题需要解决。

2.深入探究 ATS 技术：我研究了 ATS 如何解析简历以识别关键词和技能。在仔细研读了一些显而易见的内容（关键词、技能短板、招聘人员/招聘经理会阅读并感兴趣的内容）后，我确定了可以用人工智能实现自动化处理的基本要素。梳理出使用人工智能提高求职成功率的底层逻辑。

3.利用GPT模型：我最初使用OpenAI的GPT 3.5 Turbo，然后用GPT 4，通过基本提示来分析简历。后来，我增加了它能够提取和分析的细节，以解读工作经历并将其转化为清晰、对招聘人员友好的语言。虽然这是一项探索可能性的研究，但我们可以在代码中加入更多模型，从而获得不同的回复。之后，我们可以对模型进行微调以获得最佳见解。

这个代码库是做什么的？

以下是目前代码中编写的两个主要元素，这些元素可以根据求职者的需求进行定制，也可以添加更多元素。

技能提取：所定义的提示词（如下）将识别技术技能、职能技能和软技能——这是我以前在简历中难以清晰表述的内容。输入文本可以是一份简历，甚至可以是他们期望候选人具备的职位描述。这可能也会帮助招聘人员（如果他们想使用这类提示词的话）更轻松地对技能进行分类查看

技能差距分析：所定义的提示将以简历输入和职位描述输入为依据，以了解技能差距，并为你给出一个分数，用以说明你的简历与职位描述之间的差距。尽管这可能是一种常规的比较，但对于篇幅较长的简历和职位描述文本，我建议用户尝试使用不同的模型（具备更强推理能力的）和不同的温度参数设置，以获得预期的输出结果。

见解：提示信息的编写方式旨在让模型理解你的职业经历，并为你提供优化简历架构的建议。

可跟踪的进展：它会将与模型的所有交互记录在日志文件中，这样你就能确切了解自己的简历是如何逐步完善的。该日志还可用于查看哪个模型能给出符合你预期的结果。

代码结构

益处

这段内容是结合我自己获得工作机会的经验撰写的，但它能帮助到不同类型的求职者，比如：

1.技术专业人士：那些试图精准展示自己来之不易的专业技术能力的人。

2.转行人士：那些希望以与新领域相关的方式重新阐述自己过往经历的求职者。

3.应届毕业生：正在寻找实习机会或第一份工作，但在通过求职申请跟踪系统筛选时遇到困难的学生。

4.追求清晰表达者：我认为这对任何想撰写一份能直接满足招聘者需求的简历的人都有用。

求职者的收获

如果你发现自己很难为职业生涯的下一步做好定位，听我一句劝；一切从你的简历开始，但这不一定会让你感到沮丧。通过利用人工智能和机器学习，你可以从凭直觉猜测转变为针对你看到的任何职位描述进行战略性的简历匹配。这段代码能帮助你开启这个过程，随着时间推移，我会往这个代码库中添加更多内容。

专业提示

提示 1：对你最重要的要点进行多次分析，以挖掘出所有可能的技能。利用你能使用的多个大语言模型。

提示 2：运用提取出的技能，针对不同的招聘信息定制你的简历。

提示 3：根据职位描述的差异，创建多份简历模板。

提示 4：保留记录，以跟踪你的简历演变过程和大语言模型的反馈。

成功指标

• 跟踪前后的回调率
• 使用Jobscan等工具监测申请人跟踪系统（ATS）的成效
• 对比技能与职位要求的匹配度

需要避免的常见陷阱

• 不要堆砌过多专业术语
• 避免使用笼统的描述
• 不要忽视软技能