履歴書のキーワード：正しいキーワードの見つけ方と使い方

採用サイトに履歴書（CV）をアップロードすると、人より先にソフトウェアがそれを読みます。応募者追跡システム（ATS）はファイルを項目に分けて保存し、採用担当者が求人内容の用語を使って応募の山を検索、並べ替え、絞り込みできるようにします。求人に対して応募者を 1 人ずつ採点し、リストを並べ替えるシステムもあります。ファイルを保存するだけで、絞り込みは検索ボックスに「Kubernetes」と入力する採用担当者に任せるシステムもあります。自動で不採用通知を送るものはわずかです。キーワードのカバーが弱い履歴書は、並べ替えの下のほうか検索結果の外に置かれ、採用担当者は開くことなく次へ進みます。

キーワードは、そのリストであなたを上に押し上げます。求人には重要な言葉が並んでいて、あなたの仕事は、水増しせずに、実際の経験をその語彙に対応させることです。こうしたシステムが解析して順位付けする仕組みを知りたいなら、履歴書のマッチングアルゴリズムの仕組み（英語）を読んでください。この記事は、言葉を見つけ、置き、カバーできたかを確かめることに絞ります。

言語について一言：履歴書は求人と同じ言語で書いてください。英語の求人ならキーワードも英語、日本語の求人なら日本語です。「Kubernetes」や「PostgreSQL」のようなツール名は、どちらの言語でも同じです。

履歴書のキーワードとは

履歴書のキーワード（ATS キーワードとも呼ばれます）は、誰に連絡するかを決めるときに、採用担当者や選考システムが探す用語です。ソフトウェアの職では、5 つのグループに分かれます。

ハードスキルとツール。 言語、フレームワーク、データベース、プラットフォーム。Python、Go、React、PostgreSQL、Kafka、AWS など。一致がほぼ文字どおりなので、最も重みがあります。「TypeScript」で検索する採用担当者は、「JavaScript」としか書いていない履歴書を飛ばします。

職種名。 「Software Engineer」「Software Developer」「Backend Engineer」「SDE II」は似た仕事を指しますが、どれか 1 つで検索すると、ほかは見落とされます。経歴に合う範囲で、求人の職種名を使ってください。

資格。 「AWS Certified Solutions Architect」「CKA」「Google Professional Data Engineer」。具体的で検索しやすいものです。

業界の用語。 事業の語彙です。「決済」「PCI DSS」「HIPAA」「アドテク」「KYC」「リアルタイム入札」。技術スタックの一覧だけでは示せない、その事業でリリースしてきた経験を示します。

ソフトスキル。 「部門横断の協働」「メンタリング」「ステークホルダー管理」。求人が挙げているものは入れますが、ほとんどの応募者が主張するため、単独ではあまり効かないと考えてください。

求人内容からキーワードを抜き出す方法

1. 何も印を付けずに、求人を一度読む

職の全体像をつかみます。チーム、求められるレベル、そして新規開発なのか既存システムの移行なのか。この 2 つの求人は、同じ経歴から違う箇条書きを求めます。

2. 必須と歓迎を分ける

多くの求人はこのセクションにラベルを付けているか、「必須」と「あれば尚可」で分けています。必須の用語は、裏付けられる範囲で履歴書のあらゆる場所に入れます。歓迎の用語は、基本だけを満たした候補者との差になるので、持っているものを加えます。

3. 名詞に印を付ける

「応募資格」「必要なスキル」「業務内容」を 1 行ずつ見て、言語、フレームワーク、ツール、プラットフォーム、手法、業界の用語に印を付けます。「設計する」「担当する」のような動詞は、その横にある名詞ほど重要ではありません。「分散システムを設計する」からは「分散システム」を取り出します。

4. 繰り返しを記録する

3 回出てくる用語は、採用責任者が重視しているものです。その用語は、サマリー、少なくとも 1 つの職歴の箇条書き、スキルの一覧に入れるべきです。

5. 求人の言い回しに合わせる

求人は「オブザーバビリティ」と言い、履歴書は「モニタリング」と言っている。求人は「RESTful API」と言い、履歴書は「Web サービス」と言っている。キーワード検索は、これらを別のものとして扱います。自分がしたことを表しているなら、求人の言葉を使ってください。

6. または、ステップ 2〜5 を LLM に任せる

求人を Claude や ChatGPT に貼り付け、次のようなプロンプトを使います。

この求人内容に含まれる必須スキル、歓迎スキル、ツール、業界の用語を一覧にしてください。求人の言葉をそのまま使ってください。2 回以上出てくる用語には印を付けてください。

そのあと、一覧を自分の履歴書と比べます。Resume Matcher はこのステップを組み込んでいます。ダウンロードして自分のマシンで動かす、無料のオープンソース（Apache 2.0）の AI ツールです。Claude、ChatGPT、Gemini、DeepSeek、または Ollama 経由のローカルモデルなど、すでに使っているモデルを接続すると、そのモデルが求人から必須スキル、歓迎スキル、キーワードを抽出してから、履歴書の編集案を作ります。20 万人以上の求職者が使っており、スタンフォードの研究者が ICML 2025 の論文 で履歴書の採点ツールとして使いました。

履歴書のどこにキーワードを置くか

多くの採用担当者は上から流し読みします。まずサマリー、次に最新の職歴、そしてスキルの一覧です。最も強い一致は、彼らが最初に見る場所に置いてください。

サマリー。 一番上に 2〜3 文、上位 4〜5 のキーワードを自然な文章で入れます。「AWS 上で Go と PostgreSQL を使って決済 API を 6 年構築し、本番サービスのオンコールを担当してきたバックエンドエンジニア」は、1 文で職種、領域、3 つの技術、1 つのプラクティスを挙げています。

職歴の箇条書き。 キーワードの大半はここに、自分がしたことと結びつけて置きます。「バックエンドサービスを担当」では検索で見つけられるものがありません。「Django のサービス 3 つを FastAPI に移行し、チェックアウトのエンドポイントの p95 レイテンシーを短縮」は、2 つのフレームワーク、1 つのプラクティス、1 つの成果を挙げています。動詞で始め、ツールと結果を続けます。

スキルのセクション。 グループ分けした単純な一覧です。言語、フレームワーク、インフラ、データ。面接で聞かれても答えられるツールを書きます。求人がツールとそのエコシステムの両方を挙げているなら、両方を書きます。「Git」と「GitHub」、「Kubernetes」と「EKS」。

職種名。 正式な役職が「Member of Technical Staff」やスタートアップ独自のものなら、標準的な職種名をかっこで加えます。「Member of Technical Staff（Backend Engineer）」。身元確認で一致するよう、実際の役職名は残してください。

学歴と資格。 正式名称と略称を書きます。「Certified Kubernetes Administrator（CKA）」。採用担当者はどちらの形でも検索します。

履歴書のキーワードでよくある失敗

詰め込み。 使ったことのないツールも含めて、求人の要件の一覧をそのままスキルのセクションに貼り付ける。採用担当者はスキルの一覧を職歴の箇条書きと照らし合わせて読み、箇条書きの裏付けがないスキルは、面接でうまく答えられない質問を招きます。10 分間話せるものを書いてください。

パーサーが読めないキーワード。 画像、テキストボックス、複数列の表、ページのヘッダーの中の文字は、パーサーがファイルを変換するときに、順番が乱れたり消えたりすることがよくあります。スキルと役職は本文にプレーンテキストで置き、スキャンではなく本物のテキスト層を持つ PDF を書き出してください。

すべての求人に 1 つの履歴書。 求人はカンニングペーパーです。どれにも同じ履歴書を送れば、それを捨てていることになります。してきたことをすべて入れたマスター履歴書（CV）を持ち、応募ごとにカスタマイズした写しを作ってください。

正式名称のない略語。 採用担当者は「CI/CD」でも「continuous integration」でも検索します。一度は正式名称を書き、そのあとは略語を使ってください。

白い文字。 キーワードのかたまりを白い文字や 1 ポイントの文字で隠すのは古い手口です。採用担当者はテキストを選択した瞬間に、あるいはパーサーが書式を取り除いた瞬間に気づき、それに印を付けるシステムもあります。経験の裏付けがない用語のために、静かな不採用の危険を冒すことになります。

ソフトウェアエンジニアリングの職のキーワード例

以下は職種別にまとめた例の一覧です。履歴書に最適なキーワードは目の前の求人にあるものなので、これは出発点として使ってください。使ったことのあるものを選び、残りは置いておきます。ソフトウェア開発者、ソフトウェアエンジニア、SDE の求人は同じ語彙から引いているので、同じ表が 3 つの職種名すべてに使えます。英文レジュメで使う場合を考え、用語は英語のままにしています。

バックエンド

スキルとツール	プラクティス	インパクトを示す動詞
Java, Go, Python, Node.js, Spring Boot, Django, FastAPI, PostgreSQL, MySQL, Redis, Kafka, RabbitMQ, gRPC, REST, GraphQL, Docker, AWS	API design, microservices, distributed systems, caching, database indexing, event-driven architecture, OAuth 2.0, rate limiting, integration testing	Built, designed, migrated, scaled, reduced latency, cut costs, consolidated, hardened, documented

フロントエンド

スキルとツール	プラクティス	インパクトを示す動詞
React, TypeScript, Next.js, Vue, Angular, Tailwind CSS, Redux, Vite, Webpack, Jest, Playwright, Cypress, Storybook, Figma	Component architecture, state management, accessibility (WCAG), responsive design, Core Web Vitals, server-side rendering, design systems, cross-browser testing	Rebuilt, redesigned, launched, standardized, refactored, improved load time, reduced bundle size, mentored

フルスタック

スキルとツール	プラクティス	インパクトを示す動詞
TypeScript, Node.js, React, Next.js, Python, PostgreSQL, Prisma, MongoDB, Redis, REST, GraphQL, Docker, Vercel, AWS, Supabase	End-to-end feature ownership, schema design, third-party API integration, authentication, CI/CD, code review, agile delivery, product analytics	Delivered, owned, integrated, prototyped, automated, replaced, maintained, debugged, cut time to ship

データと機械学習

スキルとツール	プラクティス	インパクトを示す動詞
Python, SQL, pandas, PyTorch, TensorFlow, scikit-learn, Spark, Airflow, dbt, Snowflake, BigQuery, Hugging Face, MLflow, LangChain, vector databases	Feature engineering, model evaluation, A/B testing, ETL/ELT pipelines, experiment tracking, fine-tuning, RAG, data quality, MLOps	Trained, evaluated, deployed, modeled, cleaned, benchmarked, improved accuracy, productionized, analyzed

DevOps と SRE

スキルとツール	プラクティス	インパクトを示す動詞
Kubernetes, Terraform, AWS, GCP, Azure, Docker, Helm, Argo CD, GitHub Actions, Jenkins, Prometheus, Grafana, Datadog, Linux, Bash, Ansible	Infrastructure as code, CI/CD pipelines, observability, incident response, SLOs and error budgets, autoscaling, cost optimization, disaster recovery, security hardening	Provisioned, automated, migrated, containerized, monitored, decommissioned, reduced MTTR, cut cloud spend, improved uptime

プラクティスの列は箇条書きとサマリーに、ツールの列はスキルのセクションに、動詞は各箇条書きの書き出しに使います。ツールと結果が横に並んだ動詞（「Migrated the ingestion pipeline from cron jobs to Airflow and cut the nightly run time in half」、つまり取り込みパイプラインを cron から Airflow に移行し、夜間処理の時間を半分にした）は、1 行で 3 つのキーワードを運びます。

キーワードのカバーを確かめる方法

手作業で

求人とカスタマイズした履歴書を並べて開きます。必須の用語ごとに履歴書を検索し（Ctrl+F または Cmd+F）、あるかないかを記録します。ない用語ごとに、それが自分に当てはまるかを判断します。当てはまるものには箇条書きを加え、それ以外はそのままにします。次に、歓迎の一覧でも同じことを繰り返します。一般的な求人なら 10 分もかかりません。

両方の文書を LLM に貼り付けて、求人の用語のうち履歴書にないものを尋ねることもできます。モデルは用語を見落としたり、あるのにないと報告したりすることがあるので、答えは文書と照らし合わせて確認してください。

Resume Matcher で

履歴書をカスタマイズしたあと、ビルダーの JD一致 タブを開きます。求人が履歴書の横に表示され、求人の意味のある単語（コードが先に「team」や「experience」のようなよくある英単語を取り除きます）のうち、履歴書にも出てくるものの割合が示され、本文中でその単語がハイライトされます。この数値はコードで計算した単純なキーワードの重なりで、AI は関わっておらず、どの雇用主の ATS があなたをどう順位付けするかも予測しません。英単語（a〜z）だけを数えるため、日本語の求人と日本語の履歴書では機能せず、英文の求人と英文レジュメのための機能です。ATSチェック タブは別のことを確かめます。書き出した PDF のテキストをソフトウェアが読めるかどうかです。ファイルをアップロードするホスティング版はありません。パーセンテージは語彙のすばやい確認として、ハイライトは求人の言葉のうちすでに使っているものの地図として読んでください。

その前に走るカスタマイズのステップには安全策があります。保存する前に、コードが勤務先、役職、日付、学位を固定し、モデルが持ち込んだ新しい数値を元に戻し、モデルが求人から加えたスキルにはプレビューで高リスクの変更として印を付けます。詳しくは 機能のドキュメント を参照してください。

現実的な目標

完全な一致はまれで、必要もありません。持っているスキルについては見落としゼロを、持っていないスキルについては追加ゼロを目指してください。求人が Kubernetes の経験 5 年を求めていて、あなたにはまったくないなら、履歴書にその言葉を書いても、答えられない面接の質問を買うだけです。3 年間 Kubernetes を運用していたのに書き忘れていたなら、それを加えることがすべてです。

マスターは手元に、写しをカスタマイズする

キーワードは、あなたの経験と求人の語彙を結びつけます。この方法はどの分野でも使えます。上の表はソフトウェアを扱っていますが、金融や医療でも手順は同じです。マスター履歴書からカスタマイズした PDF までの全体の流れは、求人内容に合わせて履歴書をカスタマイズする方法 を読んでください。

この記事が役に立ったら、GitHub の Resume Matcher にスターを付けてください。開発しているのは Saurabh Rai です。GitHub、X、LinkedIn でフォローできます。