任务场景
刚跳出来一份看起来”很匹配”的 JD——第一眼看。其中一半是经理粘到每个岗位都用的 buzzword，另一半是真门槛。你要知道哪些是哪些、你的背景实际落在哪里、gap 在哪、二面会被问什么。没这个分诊，要么你劝退自己不投，要么投了之后在二面卡死。
哪些情况适合让 AI 来做，哪些情况不要
AI 善于把信号和 buzzword 分开（它读过几千份 JD，pattern 很熟）、把要求对应到你的简历、并预测面试题。但它不知道公司内部上下文——有时”nice-to-have”实际上是强制的，因为经理写得随手。AI 说”nice-to-have” 时，如果能和 HR 聊一句更稳。
需要给 AI 的输入信息
- 完整 JD 文本（含标题、级别、地点）
- 你的简历 / 背景摘要（精简，不是整简历）
- 公司 + 团队（让 AI 推测惯例）
- 你的真实资历——不是你希望的那个 title
- 你不能让步的（地点、工时、薪水底线）
- 你具体的担心——“我没 Kubernetes 经验” ——让 AI 针对它分析
可直接复制的 Prompt
帮我分析这份 JD。
公司 + 团队：<line>
我真实资历：<年限 / 级别>
不能让步的：<列表>
我具体担心的：<line>
JD：
"""
<paste>
"""
我的背景摘要：
"""
<2-3 段>
"""
请输出：
1. Must-have 真要求（经理不会松口的）——附 JD 里的对应行
2. Nice-to-have 要求（强候选人通常能豁免）
3. Buzzword bullet（没实际意义——忽略）
4. 我的背景与要求的对应：哪段经验对应每个 must-have
5. 诚实 gap 分析：哪些是 dealbreaker、哪些能绕开谈
6. 5 个该岗位可能的面试题
7. 我应该在初筛里反问的 3 个问题
8. 如果有不能让步的 dealbreaker，给一个"不要投"提示资深岗位变体：“加一段战略叙事——我应该讲一个关于自己最近 2 年、能挂到这个岗位的故事。“
建议让 AI 输出成什么样
四列表（要求 / 我的对应 / gap 严重度 / 怎么处理）、buzzword 单独列出、预测问题列出、收尾给”该不该投”。
怎么判断 AI 给的结果能不能直接用
- Must-have 能追到 JD 里具体行
- buzzword 一眼空（“rockstar”、“ninja”、“10x”）
- 背景对应引用你真实经历
- gap 分析诚实——AI 说”问题不大”太多就要 push back
- 预测问题像这个团队会问的，不是通用题
容易踩的坑
- 把 AI 评分当圣经——它只是起点假设
- 不喂真背景——AI 没法帮你映射 gap
- 把每个 nice-to-have 当 critical——浪费准备时间
- 跳过”反问问题”——HR 注意到你没问
- 带着 dealbreaker gap 硬投——二面暴露
实操加深
做「用 AI 解读 JD：真 must-have、nice-to-have、Gap 和可能面试题」这类任务时，AI 输出质量主要取决于输入包是否完整。至少给它受众、原始材料、目标格式、你要做的决策，以及一好一坏两个参考。第一轮先要求保留事实，第二轮再优化结构、语气或表达，不要让模型一边猜事实一边润色。
拿到结果后单独做一次复核：有没有遗漏限制、编造细节、行动项不清、语气和真实场景不符。最终稿最好能马上使用，包含明确对象、下一步和判断标准，而不是还需要别人重新解释一遍。
FAQ
- 有真实 gap 该不该投？ 不是 dealbreaker 就投。在 cover letter 或初筛里讲清楚。
- JD 写了 12 条 must-have 怎么办？ 真 must-have 是 5-7 条，AI 能排序。
- JD 里的文化信号怎么看？ “Fast-paced” 通常意味着”工时长”；“ownership culture” 意味着”帮助少”。看信号。
相关
- AI 写英文简历 ——按 JD 调简历
- JD 匹配分析 AI ——更深的 JD-简历匹配
- Cover Letter 定制 Prompt ——按 JD 写 cover letter
- STAR 面试回答 ——为该岗位准备行为面试
- 模拟面试 AI ——练预测问题
- 自我介绍 ——60 秒开场
- 行为面试问题 Prompt ——预测行为面试