同一份经历，不同的写法，拿到的面试机会可能相差数倍。多数人写简历时的习惯是罗列做过的事情，而招聘方筛选简历时真正看的是：你的能力是否与这个岗位的职位描述逐条对得上，你的成果是否有可量化的亮点。把AI智能体当作简历顾问来用，关键不在AI本身有多强，而在于你的提示词能否让它像一位懂行的HR加职业教练那样工作。本文给出一套可直接复制的Agent简历优化提示词模板，覆盖JD拆解、匹配度分析、亮点提炼、逐句改写四个环节。
一、为什么简历优化需要结构化提示词
直接把简历和职位描述丢给AI，让它“帮我优化一下”，得到的往往是一堆泛泛而谈的套话：强调整沟通能力、突出团队协作。这些话放在任何岗位都成立，也就意味着对任何岗位都没有杀伤力。问题出在提示词没有约束AI的工作方式，它在缺乏明确任务框架时，只会做表层的语言润色。
结构化提示词的价值在于把“优化简历”这个模糊任务拆成机器可执行的子任务。第一步是理解岗位：从JD中提取硬性要求、加分项、隐性偏好；第二步是诊断现状：逐条比对简历与JD，标出匹配项、缺失项、表述薄弱项；第三步才是改写：针对薄弱项做有方向的重写，而不是无差别润色。每一步有明确的输入、输出和质量标准，AI的产出质量会明显提升。
此外，结构化提示词还能规避AI的一个常见毛病：编造。如果你不给它约束，它可能会替你“补充”一些你从未做过的经历。好的提示词里必须包含“只基于我提供的原始信息改写，禁止虚构经历和数据”这类红线条款，这一点在后面模板中会体现。
二、Agent简历优化提示词完整模板
下面这套模板把AI设定为有十年经验的职业顾问，工作流程分四个阶段。你可以直接复制到任何支持长上下文的对话式AI中使用，替换方括号里的内容即可。
# 角色设定 你是一位有10年互联网与跨行业招聘经验的职业顾问，擅长简历诊断、 岗位匹配度分析与成果表达改写。你的表达直接、具体、拒绝套话。 # 任务流程 第一阶段：JD拆解 请从下面的职位描述中提取： 1. 硬性要求（学历、年限、必备技能，逐条列出） 2. 软性要求（沟通、协作、抗压等，注明原文依据） 3. 隐性偏好（从措辞推断，如"快速迭代"暗示适应变化） 4. 高频关键词（出现2次以上的词汇，按重要性排序） 第二阶段：简历诊断 将我的简历内容与上述要求逐条比对，输出三栏表格： - 匹配项：简历中已体现的要求 + 对应原文位置 - 缺失项：JD有要求但简历未体现的内容 - 薄弱项：有相关经历但表述无数据、无成果、无主次 第三阶段：亮点提炼 从简历中挖掘3-5个可量化的成果点，按"动作+方法+量化结果"结构 重写。如果原始经历缺少数据，请标注【需要补充数据：xxx】而不是 替我编造。 第四阶段：逐句改写 针对薄弱项给出改写前后的对比，每处改写需说明： - 改写理由（对应JD哪条要求） - 用了什么表达技巧 # 约束条件 1. 禁止虚构任何经历、数据、技能 2. 禁止使用"负责""参与"等弱动词开头，替换为具体动作动词 3. 所有建议必须指向JD中的具体要求，不做泛泛评价 4. 输出使用中文，表格用markdown格式 # 输入材料 【职位描述】：（粘贴JD全文） 【我的简历】：（粘贴简历全文） 【补充信息】（可选）：我想强调的方向、目标薪资等
这套模板的核心设计有三个要点。其一是角色设定具体化：不是简单的“你是HR”，而是明确了擅长简历诊断和成果改写的顾问角色，这会让AI的输出风格偏向直接和专业。其二是流程强制分阶段：AI必须先做分析和诊断，最后才能改写，避免它跳过理解直接输出模板化文字。其三是反编造约束：明确要求缺失数据时打标注而不是生成，这个细节能显著降低简历“注水”风险，毕竟面试官一追问就露馅的简历比平淡的简历更危险。
三、JD匹配度分析与亮点提炼的实战示例
假设目标岗位JD中写着“负责核心业务模块的性能优化，要求熟悉SQL调优，有高并发场景经验”。原始简历里可能只有一句“参与系统开发，负责部分模块维护”。用模板跑完第二阶段后，AI会指出这是薄弱项：有相关经历但无量化、无技术细节、无成果。到了第四阶段，改写方向大致如下。
改写前： 参与订单系统开发，负责部分模块维护。 改写后（示例框架）： 主导订单查询模块性能优化，通过分析慢查询日志定位3个 全表扫描问题，建立联合索引并重写核心SQL，将平均查询 耗时从1.2s降至80ms，支撑大促期间峰值QPS 5000的稳定运行。 改写理由： 对应JD中"性能优化""SQL调优""高并发"三项要求， 采用"动作+方法+量化结果"结构。
注意这个示例里的数字是占位性质的，实际使用时你需要把真实数据填进去。AI在模板约束下会用【需要补充数据】的标注提醒你补充哪些数字，比如查询耗时、QPS峰值、优化前后的对比值。这个来回补数据的过程本身就是一次经历复盘，很多人在这一步才意识到自己做过的事情其实有明确的业务价值，只是当时没有记录。
另一个实用技巧是迭代式追问。第一轮输出后，可以继续用短提示词深挖，比如“缺失项里的‘容器化经验’我只有自学经历，帮我想三种在简历中诚实呈现它的写法”或者“把第二段亮点改成更贴近管理岗的表达”。把一次性的大提示词拆成一轮主提示加多轮追问，效果通常好于试图用一个巨型提示词解决所有问题。
四、使用中的常见误区与调整建议
第一个误区是照单全收AI的改写结果。AI给出的表达可能比你的真实经历更漂亮，但面试是围绕简历深挖的，每一句话你都要能展开讲十分钟。建议把AI的产出当作“表达上限的参考”，再根据自己的实际情况收敛。第二个误区是忽略岗位差异复用同一版简历，即使经历不变，针对不同JD跑一次模板，缺失项和关键词排序都会不同，简历的自我评价和技能栏部分应该做对应调整。
还有一个容易被忽视的点：JD里的高频关键词应该自然融入简历，而不是生硬堆砌。现在的简历筛选环节很多企业会用系统做初筛，关键词确实重要，但堆砌痕迹明显的简历在人工复核阶段会扣分。比较好的做法是让AI在改写时把关键词包进具体的做事场景里，比如把“熟悉Kubernetes”写成“基于Kubernetes完成服务容器化改造，发布流程从手动变为CI/CD自动触发”，关键词出现了，且附带可信的细节。
最后提醒一点，提示词模板不是一次成型的。用上几轮之后，你会发现自己所在行业关注的表达维度（比如技术岗看量化结果、运营岗看增长逻辑、职能岗看流程建设），可以据此给模板追加行业专属约束，让它越来越贴合你的求职场景。工具的价值在于放大你的思考，简历能否打动人，最终取决于经历本身和你对经历的理解深度。