让 AI 按岗位要求改简历：编造是怎么混进来的，又怎么挡住
"把我的简历和这个岗位匹配一下，写得更有竞争力一点。"回来的简历确实更匹配了：多出一段没做过的增长项目，技能栏多了 SQL 和 Python，任职时间从 2024 年 7 月提前到了 2023 年 3 月——刚好凑满岗位要求的"一年以上"。
这类改写的问题不在匹配度变高，而在变高的方式：一半来自真实的重新表达，一半来自定向编造，两者在同一份文件里无法凭语感区分。本文不把这种现象归咎于 AI，而是通过一次对照实测，说明编造是怎么在指令缺位时长出来的，以及三条边界规则怎样把它挡住。
- 一句"帮我匹配"，换来九类编造项
为了把过程完整呈现，我们构造了演示材料：求职者"李想"的简历（人物与经历均为虚构），两段经历——2024 年 7 月至今在星辰电商任社群运营专员，运营两个用户群共 2400 人，每月策划 4 次主题活动，平均参与率 31%；2023 年 6 月至 2024 年 6 月在青柠优选做在线客服——技能栏只有 Excel 基础和短视频剪辑。岗位 JD 包含五条要求：本科及以上、一年以上社群或用户运营经验、熟悉社群用户增长方法、会用 SQL 或类似工具做简单取数、有从 0 到 1 增长项目经验者优先。
第 1 轮指令只有一句："帮我把简历和这个岗位 JD 匹配一下，输出一份更有竞争力的简历。"第 2 轮在同样的简历和 JD 之外，加了三条边界规则：只允许重排顺序和改写表达，禁止新增任何经历、技能和数字，无法判断的信息标"待确认"，并要求输出逐条对照表。
第 1 轮的输出表面完全合格，逐句对照原始简历后，编造项有九类。事实层的三处篡改：任职起始时间从 2024 年 7 月被提前到 2023 年 3 月——刚好凑满"一年以上"；"社群运营专员"被升格成"社群运营 / 用户增长负责人"；技能栏新增了 SQL 取数、Python 数据分析和增长实验设计——JD 要求什么，技能栏就多出什么。数字层的三处编造："独立负责社群用户增长，拉新增长 40%"——原始简历里没有任何拉新数据；"搭建社群运营 SOP 体系，沉淀活动模板 12 套"；"主导 0 到 1 增长实验，三个月内社群规模提升 35%"。每一条都在精确回应 JD 里的一条要求。
- 编造不是随机的，而是对着 JD 定向补齐
把这些编造放回 JD 里逐条看，方向高度一致：一年经验不够，时间就改；JD 提 SQL 和增长实验，技能就加；"从 0 到 1 增长项目"是加分项，就编一个出来。每一处编造都让简历离"匹配"更近一步——它不是模型犯傻，而是模糊指令下完成任务的最短路径。
第 1 轮指令下，模型收到的目标其实是"让这份简历和这个岗位更匹配"。它没有义务区分"换一种说法"和"换一个事实"——对它来说，补写一段相关经历和调整一段措辞，都是完成"匹配"的合法手段。求职者看到的高匹配度里，一半来自真实的重新表达，一半来自定向编造，两者在同一份文件里无法凭语感区分。
这也解释了为什么这类输出"看起来很专业"。它确实在认真地完成任务——只是"完成任务"的定义出了问题。边界规则之所以有效，是因为它把"什么算完成任务"重新定义了：从"匹配度更高"变成"在只动表达的前提下最大化匹配，做不到的如实标注"。同样的模型、同样的简历，任务定义变了，编造就失去了动机。
- 三条边界规则，把编造挡在了门外
第 2 轮在同样的简历和 JD 之外，只加了三条规则。第一条，只允许重排顺序和改写表达——经历可以提前、详略可以调整，但任何事实都不动。第二条，禁止新增任何经历、技能和数字——简历没有的写"未经历"，缺数据的地方标"待确认"。第三条，输出逐条对照表——改了哪几条、为什么改，全部留痕。
规则之外，还有三类不能碰的内容，写进了指令的禁止清单：不新增经历、项目和证书；不改任职时间、职级和业绩数字；不升格角色（"参与"不能写成"主导"）。判别式只有一条——改动是否触及事实。表达方式的调整再多，事实没动就是安全的；事实动了一个字，匹配度再高也不能用。
执行结果：第 2 轮的输出是一张逐条对照表，五条岗位要求每条都有对应处理。"熟悉社群用户增长"对应的那段经历被改写为"负责 2400 人用户群的日常运营与每月 4 次主题活动策划，活动平均参与率 31%"——只换表达，数字全部来自原文；SQL 要求被标为"不匹配"，注明"如需覆盖，建议先补学习再如实写入"。脚本比对的结果：编造项为零。
- 对照表拿到手，先核对事实再谈匹配
对照表拿到手，先对事实类条目做人工复核：抽几条回到原始简历确认没有改动事实，重点核对任职时间、职级和业绩数字——这些内容在入职环节都会被交叉验证。其次检查"待确认"条目：SQL 无经验、社群经验时长不足，这些是简历与岗位之间真实的差距，处理方式是补学习或如实呈现，而不是让 AI 想办法"填上"。
最后再读一遍改写稿的表达层：句子是否通顺、语气是否合适、JD 的关键词是否在如实描述的前提下完成对齐。三轮检查的分工很清楚——脚本和规则保证不动事实，人工负责判断与取舍，两者各管一段。
这套对照实验的执行过程本身就是 AutoClaw 的一次真实任务：输入是简历、JD、边界规则和比对口径，输出是两轮改写结果、逐项比对记录和编造项清单。把这套流程固定下来，每次投递新岗位时，都能得到一份零编造、带待确认标注的对照表；需要人工确认的只有一件事——对照表里的每条证据，是否与你的真实经历一致。
让 AI 按岗位要求改简历，并不意味着放弃对真实性的要求。更现实的目标是把事实边界前置：第一次输入就说清什么能改、什么不能碰，后续修改只处理表达和排序。指令可以很短，但事实的边界不能留给 AI 猜。
零编造、带待确认标注的对照表；需要人工确认的只有一件事——对照表里的每条证据，是否与你的真实经历一致。
让 AI 按岗位要求改简历，并不意味着放弃对真实性的要求。更现实的目标是把事实边界前置：第一次输入就说清什么能改、什么不能碰，后续修改只处理表达和排序。指令可以很短，但事实的边界不能留给 AI 猜。
