AI 把简历写完美，也把人写没了

一份简历太完整，有时反而让人不敢信。

Tom MacWright 最近写到一个观察：过去几个月，他开始看到一些求职申请明显由 LLM 共写。简历像生成的，作品集网站像生成的，网站再链接到生成的 GitHub 项目，连 commit message 都像机器批量吐出来。

招聘者最后的反应很冷：“I don't know anything about these people.”

这句话比“AI 写简历算不算作弊”更重要。它指向的是招聘里最核心的东西：证据正在变薄。

生成链条让求职材料变得更顺，也更空

MacWright 说的是个人观察，不是行业统计。不能把它夸大成所有候选人都这样。

但这个现象足够典型。因为它不是单点润色，而是一整条求职证据链都被生成内容填满。

AI 辅助表达当然可以接受。很多人不是不会做事，只是不擅长把经历写清楚。让工具帮忙改句子、压缩废话、整理结构，不丢人。

边界在另一处。

如果从第一句话到最后一条提交记录都被同一种模型腔抹平，招聘者看到的就不再是“更清楚的你”，而是一个顺滑的匿名样板。

材料更漂亮，人更模糊。

技术岗和初级开发者最容易被误伤

受影响最明显的是技术岗位，尤其是初级开发者。

资深候选人通常有更长的工作记录、同事背书、复杂项目经历。初级开发者能拿出来的东西少。作品集、GitHub、小项目、提交历史，常常就是少数能证明自己的地方。

现在这些地方也开始被生成内容覆盖。坏处不是“用了 AI 就没能力”，而是招聘者更难判断：哪些是候选人真的想过、做过、踩过坑，哪些只是模型补出来的体面。

对技术求职者来说，接下来要做的不是禁用 AI，而是主动留下可追问的痕迹：

• README 里写清楚项目为什么做，不只写功能清单。
• 保留关键技术取舍，比如为什么用这个库，放弃了什么方案。
• commit message 不必篇篇像发布公告，重要修改要能看出思路。
• 面试前准备好解释一段代码的来龙去脉，而不是只展示最终页面。

对招聘经理和工程面试官来说，筛选方式也要变。

只看“简历是否完整”“GitHub 是否干净”“作品集是否像样”，含金量会下降。更有效的做法，是把材料当线索，不当结论。

可以追问几个很小的问题：这个项目最早的版本是什么样？哪次技术选择后来证明不合适？如果重做，你会删掉哪部分？某条 commit 为什么这样改？

这些问题不玄。它们只是把候选人从模板里拽出来。

问题不在工具，在把判断外包掉

我不太买账那种简单批评：用了 AI 写求职材料，就是不诚实。

这说得太粗。

真正的问题是，很多人把“表达能力”外包之后，又顺手把“个人判断”也外包了。简历不再回答“我做过什么、我怎么想、我为什么这样取舍”，而是在迎合一个想象中的招聘过滤器：关键词更满，语气更职业，项目更像项目。

古人说“修辞立其诚”。放到今天的简历和作品集里，这句话并不古旧。

表达本来承担信用功能。你怎么描述一个项目，怎么解释一次失败，怎么写一次提交，都是你把自己放出来的方式。

LLM 可以帮你把句子弄顺，但不能替你留下真实痕迹。

这事有点像早期互联网 SEO。大家起初只是想让好内容更容易被搜索到，后来很多页面变成了给机器看的关键词拼盘。

求职材料现在也有类似风险。原本给人看的能力证据，正在被改造成给 ATS、招聘经理和面试官共同投喂的优化文本。

不完全一样。SEO 污染的是网页生态，LLM 求职污染的是信任链。

接下来真正该观察的，不是 AI 简历会不会更多。这个答案大概率已经很清楚。

更该看三件事：招聘方会不会减少对静态材料的信任；工程面试会不会更重视现场解释和代码追问；候选人会不会开始有意识地保留“非模板化证据”。

如果这三件事发生，完美简历的权重会下降。能被追问、能被验证、能露出人的细节，会重新变贵。

一份完美材料如果无法让人知道你是谁，它就不是加分项，而是噪音。技术招聘从来不缺漂亮话，缺的是有痕迹的人。