36 氪报道独立开发者用 AI 改造求职与招聘两端工具，双方围绕内容真实性与平台规则展开攻防。
投递简历的人觉得简历石沉大海，筛选简历的人觉得简历堆成小山——求职招聘领域这一经典矛盾，在 2026 年的毕业季迎来新的变量：AI。求职者用 AI 生成岗位专属简历、模拟面试问答，招聘方用 AI 批量筛选简历、完成初轮沟通，一场「AI 对 AI」的双向攻防正在重塑整个行业的运行逻辑。
同一份简历投递所有岗位的传统模式，越来越难以匹配当下环境。求职者博主反复强调「一岗一简历」「针对性准备面试」，但手动改写耗时费力，对经验不足的应届生和转行者尤其困难。
开发者 Lawted 打造的 CV.PRO 跳出了「简历润色」的定位，把产品定义为一个可持续维护的职业档案系统：用户将所有经历导入系统，遇到目标岗位时只需输入 JD（岗位描述），AI 便会自动筛选最相关经历、调整表达侧重，生成专属版本，并能部署为独立分享网页。其调用全部发生在用户自己的 Claude Code、Codex 等工作台中，个人数据保留在本地。
开发者 Natalie 则选择了更轻量化的路线，将求职全流程方法论打包为一个名为「实习.skill」的开源工具，覆盖简历-JD 匹配、定制化修改与分场景面试准备。她先在自己和朋友身上验证有效性，随后开源分享。在她看来，AI 的价值在于降低表达门槛、压缩多版本简历的维护成本，而非替用户「造假包装」。
简历量大、人工初筛成本高、筛选标准不稳定，是招聘方共同的痛点，对人手有限的中小企业尤甚。
开发者徐且慢本职是搭建 AI 工作流，因团队缺人临时接手招聘事务，重复的刷简历、招呼、初轮沟通让他萌生自动化想法。他花两天时间用 Codex 做出初版工具，发到抖音后意外获得大量购买咨询，由此开启商业化。该工具主打自动化执行：按学历、意向城市等硬性标准筛选候选人、智能代聊、按预设评分体系自动打分，并通过 3–5 秒随机停留间隔、模拟滚动动作、逐字输入等方式拟人化，以规避平台机器检测。
开发者 Litmus（同样是在校学生）开发的 TechMatch/ResumeAI 则侧重解决筛选标准不统一、结果不可解释的问题。系统没有采用大模型直接黑箱打分，而是把 HR 经验沉淀为三层匹配：
例如简历中出现「Python、Redis、Kafka」等关键词，系统不只因命中给高分，而是校验其是否有对应的项目经历与成果支撑；缺乏项目证据的内容会被标记为「技能证据偏弱」并提示 HR 重点追问。
这场博弈分两层。第一层围绕「内容真实性」展开。徐且慢在招聘中观察到 AI 痕迹的典型特征——回答冗长不分段、语气过度卑微客套、表达书面化严重，甚至有人直接复制 AI 答案连格式都不改。他的工具内置了 AI 特征识别逻辑，检测到明显痕迹会扣 10–20 分并直接反问。Litmus 则选择更稳妥的「证据型反制」：不关心文本是否被 AI 润色，只关心经历是否有足够真实、可追问的证据支撑。
开发者普遍认为，无意义的军备竞赛不可取。Lawted 明确表示：「如果招聘方用 AI 筛选，求职者就用 AI 大量堆砌关键词，招聘方再使用更强的 AI 检测……最终可能形成一种没有意义的军备竞赛。」行业正慢慢形成共识：攻防的终点不是某一方的技术更强大，而是回归真实信息的高效匹配。
第二层围绕平台规则展开。对于自动打招呼、自动代聊类工具，平台风控始终是悬在头顶的达摩克利斯之剑。徐且慢坦言自己的产品处于灰色地带：「这个生意可能不太会长远……可能只是过渡期的产物。」相比之下，Lawted 的 CV.PRO 完全不触碰招聘平台数据与操作，只做简历的生成、管理与部署，最终投递由用户自行完成；Litmus 的工具同样定位为企业内部工作台，不爬虫、不自动投递，从设计根源规避平台风控。
短期看，AI 编程工具降低了开发门槛，个人开发者仍有机会切入平台未覆盖的细分场景，在过渡期获得可观收益。长期看，主流招聘平台的主导地位难以撼动，其智能人岗匹配、AI 初面助手等功能正在将第三方能力内化。第三方工具或将转向更垂直的场景，或通过官方 API 合规接入平台生态。
Lawted 对 Agent 形态抱有期待：「主流招聘平台依然拥有岗位、企业和交易场景，而个人 Agent 更有可能掌握用户的长期上下文、个人资料和决策权。」用户无需在每个平台重复填写资料，而是由自己的 AI Agent 带着完整职业上下文，对接不同的招聘平台与企业。
无论形态如何演进，与岗位相匹配的能力始终是求职者最强的竞争力，也是招聘方最看重的要素。招聘工具的终极意义，是让合适的人更高效地找到合适的岗位。
