正直さを保つ、履歴書カスタマイズ用の ChatGPT プロンプト

コードレビューやコミットメッセージにすでに ChatGPT や Claude を使っているなら、求人と履歴書を同じチャットに貼り付けるのは自然な次の一歩に思えます。出力はよく書けています。問題は細部から始まります。測ったこともないパーセンテージが付いた箇条書き、1 段階昇格した役職、動かしたこともないツール。以下の履歴書カスタマイズ用の ChatGPT プロンプトは、それを止めるために作りました。それぞれがモデルに狭い役割を与え、新しい事実を禁じ、1 行ずつ確かめられる出力を返させます。Claude、Gemini、そのほか十分な能力のあるモデルでも同じように使えます。

この記事ではプロンプトと安全策を扱います。方法そのもの、つまり求人の読み方、経験の対応付け、結果を正直に保つ方法については 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。ここでのプロンプトは、すべての職歴とプロジェクトを含む完全な版であるマスター履歴書（CV）を持っていることを前提にしています。モデルは、渡されたものの中からしか選べないからです。

プロンプトは日本語に訳しています。日本語の履歴書にも英文レジュメにも使えます。英文で出力させたい場合は、プロンプトの最後に「英語で出力してください」と加えてください。

履歴書カスタマイズ用の ChatGPT プロンプトに安全策が必要な理由

言語モデルはテキストを補完します。「この職に合わせて履歴書を改善して」と頼めば、訓練データが示す「カスタマイズした履歴書らしいもの」を出力します。自信のある動詞、きりのいい数値、求人を映したようなスキル一覧です。そのうちどれが自分にとって事実なのか、モデルには知る方法がなく、立ち止まって尋ねることもしません。

設計上の 3 つの工夫で、その大半を防げます。

1 つのプロンプトに 1 つの作業。 抽出、対応付け、書き直し、チェックは別々の作業です。「全部やって」という 1 つのプロンプトでは、あなたがキーワードの一覧を読んでいるあいだに、モデルが書き直しの中に作り出した数値を紛れ込ませられます。

元の文を入れ、元の文を出させる。 書き直しのプロンプトはすべて、新しい箇条書きの横に元の箇条書きを出すよう求めます。そうすれば、数秒で 2 つを見比べられます。新しい版だけを返すプロンプトは、変更を隠してしまいます。

新しい事実の明確な禁止を、リストで示す。 「でっち上げないで」はモデルにとってあいまいすぎます。「マスター履歴書にない数値、ツール、勤務先、役職、日付、学位、資格を加えないでください」なら、モデルが従えるルールであり、あなたが確かめられるルールです。

以下の 4 つのプロンプトを順番に実行してください。[マスター履歴書を貼り付け] の場所にマスター履歴書を、[求人内容を貼り付け] の場所に求人を貼り付けます。

プロンプト 1：要件を表として抽出する

上でリンクしたカスタマイズのガイドでは、求人を 4 つのグループに分けると説明しています。このプロンプトはその仕分けをモデルにさせ、チャットモデルが省きがちな 2 つを加えます。そのままの引用と、繰り返しの回数です。

あなたは求人から要件を抽出します。本文にない要件を推測したり、
要約したり、追加したりしないでください。

次の列を持つ Markdown の表を返してください。
1. 要件（求人からそのまま引用）
2. 種類：必須、歓迎、業務、業界用語のいずれか
3. 求人に出てくる回数
4. その要件が出てくる文（引用）

ルール：
- 求人の表記と大文字・小文字をそのまま引用してください（例：
  "Postgres" ではなく "PostgreSQL"）。
- 必須か歓迎かが求人からはっきりしない場合は「不明」と記してください。
  推測しないでください。
- 私がどれだけ合っているかについてはコメントしないでください。
  まだ履歴書を見せていません。

求人内容：
[求人内容を貼り付け]

最後のルールが大切です。履歴書が同じチャットにあると、モデルは頼まれる前に照合を始め、表はたまたまあなたが満たしている要件のほうへ偏っていきます。

プロンプト 2：各要件に経験を対応させる

ここで初めてモデルがマスター履歴書を見ます。モデルの仕事は証拠を探すことで、「ギャップはギャップのまま」という厳しいルールがあります。

以下は要件の表と私のマスター履歴書です。各要件について、
履歴書の中で最も強い証拠を探してください。

次の列を持つ表を返してください。
1. 要件（表から）
2. 証拠：私の履歴書の箇条書きまたは行を、一字一句そのまま引用
3. 一致の種類：直接（同じツールやスキルの名前がある）、隣接（同じ
   スキルで別のツール。両方の名前を書く）、ギャップ（履歴書に何もない）
4. カスタマイズ版での置き場所：サマリー、特定の職歴の箇条書き、
   スキル一覧、または省く

ルール：
- ギャップは正しい答えです。箇条書きを拡大解釈したり、私が書いて
  いない経験を加えるよう提案したりして、ギャップを埋めないでください。
- まだ何も書き直さないでください。
- 1 つの箇条書きが 2 つの要件を裏付ける場合は、2 回挙げてください。

要件の表：
[プロンプト 1 の表を貼り付け]

マスター履歴書：
[マスター履歴書を貼り付け]

先に進む前に、ギャップの行を読んでください。求人に必須スキルが 10 個あり、表にギャップが 6 つあるなら、正しい手は別の求人に移ることで、それを解決するプロンプトはありません。

プロンプト 3：新しい事実なしに、求人の言葉で箇条書きを書き直す

モデルが作り出すのはここです。以下のプロンプトは作業を選んだ箇条書きに絞り、変更前と変更後のペアを求め、何が新しい事実にあたるかを明記します。

以下の箇条書きを、私の経験が裏付ける範囲で、求人の言葉を使うように
書き直してください。各箇条書きは元の内容に忠実に保ってください。

各箇条書きについて、次を返してください。
- 元の文：私が書いたとおりの箇条書き（変更なし）
- 書き直し：新しい版
- 変更点：何をなぜ変えたかを 1 行で（言い回し、順番、強調）

ルール：
1. 数値、日付、ツール名、勤務先、役職、学位はすべて書かれたとおりに
   残してください。元の文に数値がなければ、書き直しにも数値は入れない
   でください。
2. ツールの表記を求人に合わせるのは、元の文が同じツールを挙げている
   場合だけです。"Postgres" は "PostgreSQL" にしてよいですが、
   "MySQL" はいけません。
3. 隣接する一致では、私のツールを残してカテゴリーを借りてください。
   「RabbitMQ でイベントパイプラインを構築」は「イベントストリーミングの
   パイプラインを構築（RabbitMQ）」にできますが、Kafka に触れては
   いけません。
4. 役割の大きさを表す言葉を変えないでください。「貢献した」は
   「貢献した」のままで、「主導した」にはなりません。
5. 箇条書きを統合したり、追加したりしないでください。
6. 平易な動詞を使ってください。「先導した」「活用した」「シナジー」の
   ような言葉や、英語なら "spearheaded" や "leveraged" は使わないで
   ください。

求人の要件：[プロンプト 2 の一致した行を貼り付け]

書き直す箇条書き：
[箇条書きを貼り付け]

ルール 6 は人間の読み手のためです。連続する箇条書きに「先導した」や「活用した」が並んでいると、採用担当者は履歴書を機械の出力として読み、キーワードで得られるものではその損失を埋められません。

プロンプト 4：作り出された主張を見つける自己チェック

これは新しいチャットで実行してください。同じ会話の中で自分の編集を採点させると、モデルはそれを擁護しがちです。新しいセッションには 2 つの文書しか見えません。

あなたは、カスタマイズした履歴書を、その元になったマスター履歴書と
照らし合わせて監査します。カスタマイズ版の中で、マスターが裏付けて
いない主張をすべて見つけてください。

次の列を持つ表を返してください。
1. カスタマイズ版の文（引用）
2. 最も近いマスターの文（引用）、または「なし」
3. 問題：新しい数値、変わった数値、新しいツール、変わったツール、
   変わった役職、変わった日付、変わった学位、引き上げられた役割、
   または裏付けのない主張
4. 重大度：高（照会で反証されうる事実）または低（言い回し）

特に次を確認してください。
- カスタマイズ版のすべての数値、パーセンテージ、金額、期間が、
  マスターに出てくること。
- すべてのツール、言語、プラットフォームの名前が、マスターに
  出てくること。
- すべての勤務先、役職、期間、学位が、マスターと一字一句一致すること。
- 元の文より意味が広がっている文には印を付けること。

何も見つからなかった場合は「裏付けのない主張は見つかりませんでした」と
書き、最も念入りに確認した 5 つの変更を挙げてください。

マスター履歴書：
[マスター履歴書を貼り付け]

カスタマイズした履歴書：
[カスタマイズした履歴書を貼り付け]

最後の指示は、あなたを喜ばせるために空の表を返すことを防ぎます。作業の過程を示さなければならないと、モデルはより注意深く読みます。

よくある失敗と、それぞれの見つけ方

上のプロンプトを使っても、次のような失敗は起こります。どれも 1 分以内で済む機械的なチェックがあります。

作り出された数値。 「レイテンシーを短縮」だった箇条書きに、モデルが「レイテンシーを 40% 短縮」と加える。見つけ方：カスタマイズ版のすべての数値を書き出し、それぞれをマスターで検索します。テキストエディターで数字の正規表現（\d）を使えばすべて見つかります。一致しない数値は、元の言い回しに戻します。

変わった日付や役職。 書き直しで「2022 年 3 月」から月が落ちたり、「Software Engineer II」が「Senior Software Engineer」になったりする。見つけ方：両方の履歴書の見出しの行（役職、勤務先、日付）を 2 列に貼り付けて比べます。日付と役職は一字一句同じでなければなりません。

入れ替わったツール。 あなたは MySQL と書き、求人は PostgreSQL と言い、書き直しは PostgreSQL と言っている。見つけ方：カスタマイズ版から技術用語をすべて抜き出し、それぞれをマスターと照合します。プロンプト 4 がこれを行いますし、スキルのセクションをざっと読むだけでも見つかります。

キーワードの詰め込み。 スキルの一覧が 12 項目から 30 項目に増え、どれも求人から取られていて、半分には裏付けの箇条書きがない。採用担当者は一目で気づきます。見つけ方：一覧のすべてのスキルが、少なくとも 1 つの箇条書きに出てくることを条件にします。キーワードをどこに置くべきか、いくつだと多すぎるかは 履歴書のキーワードガイド で説明しています。

引き上げられた役割。 「設計を手伝った」が「アーキテクチャを設計した」になる。見つけ方：カスタマイズ版で「主導」「担当」「設計」「推進」などを検索し、マスターでもそれぞれの言葉を使っていたか確認します。

広げられた範囲。 「決済サービスを保守した」が「決済プラットフォームに責任を持った」になる。どの単語も嘘ではないのに、文としては嘘です。プロンプト 4 の「元の文より意味が広がっている」というルールは、これのためにあります。正規表現ではいちばん見つけにくいので、書き直した箇条書きはそれぞれ一度、元の文を横に置いて読んでください。

履歴書のカスタマイズにはどの AI がいいか

履歴書のカスタマイズに使う AI を選ぶなら、主要なプロバイダーの現行モデルはどれもこれらのプロンプトをこなせます。カスタマイズの作業は選択と言い回しであり、良い結果と悪い結果の差は、プロンプトの構造とあなたの確認から生まれます。モデルのランキングの順位はそのどちらよりも影響が小さいのです。私はこの作業でモデルを比較するベンチマークを実施しておらず、信頼できる公開のベンチマークも見たことがないので、順位は付けません。

本当に重要なことが 2 つあります。

構造化された出力。 上のプロンプトは表やラベル付きのペアを求めます。大きなホスティング型のモデルは求められたとおりに返します。小さなモデル、つまり Ollama でノートパソコン上で動かせるようなモデルは、こうした構造化された出力を苦手とします。Resume Matcher の設計メモにも、独自の編集形式について同じことが記録されています。小さなモデルは有効な構造化された編集を作るのに苦労し、その結果、変更が却下されます。ローカルモデルを使いたいなら、中くらいの大きさのものから始め、やり直しになることを見込んでください。

1 回あたりの費用。 4 つのプロンプトはどれも履歴書全体を送ります。一般向けのチャットのサブスクリプションなら、その費用は定額です。API で使う場合、大きなモデルは、小さなモデルでもできる作業に対して 1 回あたりの費用が高くなります。参考までに、Resume Matcher の設定画面が提案するデフォルトは、OpenAI では GPT-5 Nano、Anthropic では Claude Haiku 4.5、Google では Gemini 3 Flash、Ollama では Gemma 3 4B です。プロバイダーが提供している任意のモデル名を入力できます。どのデフォルトも小さなモデルで、文章の美しさよりルールに従うことが求められる作業に合っています。

履歴書のカスタマイズにはどの Claude のモデルがいいか

答えは同じです。Claude Haiku 4.5 は、Resume Matcher の設定画面が Anthropic に提案するデフォルトです。作業は厳しいルールの中での構造化された編集であり、そのためなら小さなモデルのほうが 1 回あたりの費用は安く済みます。すでに大きな Claude のモデルにお金を払っていて、その文章が好みなら使ってください。プロンプトもチェックも同じです。

コピー＆ペーストのプロンプトでは追いつかなくなったら

4 つのプロンプトは、1 件の応募ならうまくいきます。5 件目には手間が見えてきます。同じマスター履歴書を 4 つのプロンプトに貼り付け、出力を文書に貼り付け、監査を実行し、作り出された 2 つの数値を直し、前回手作業で書式を整えた PDF を書き出す。応募ごとに 20 分のコピー作業がかかり、マスター履歴書は先月の版が見つからないチャット履歴の中にあります。

ハーネス（ツール）を使えばコピー作業がなくなり、プロンプトのルールがコードになります。Resume Matcher は私が開発しているもので、無料、Apache 2.0 のオープンソースで、20 万人以上の求職者が使っています。すでに持っているモデルで、自分のマシン上で動きます。この記事に関係する部分は次のとおりです。

• モデルが編集を提案し、コードがチェックする。 モデルは、それぞれ元の文を引用した的を絞った変更を返し、コードは適用する前に、引用が履歴書と一致するかを確認します。プロンプト 3 の変更前・変更後のルールが強制されるわけです。
• 固定された項目。 名前、連絡先、勤務先、役職、日付、学校、学位はモデルには変えられません。それらを狙った編集は却下されます。
• 新しい数値は元に戻される。 最後の処理で、書き直した行のすべての数値を元の文と比べます。以前になかった数値があれば、その行は元に戻ります。プロンプト 4 の数値チェックが自動化されたものです。
• 変更前と変更後の確認。 すべての変更の差分と高リスクの変更の数を見てから、プレビュー全体について「確認して保存」か「拒否して再生成」を選びます。変更ごとに承認する仕組みはないので、1 つでも編集がおかしければ再生成します。
• 1 つの意図的な例外。 求人が必須または歓迎としてそのまま名前を挙げているスキルは、モデルがスキル一覧に追加することがあります。そうした追加はプレビューで高リスクとして表示されるので、却下できます。これはツールがあなたの書いていない内容を加える唯一の場所で、名前の挙がったスキルに合わせることがカスタマイズの目的だから存在します。箇条書きで裏付けられない追加は削除してください。
• 平易な動詞を、コードで。 カスタマイズのあと、ローカルの処理が、“spearheaded” や “leveraged” を含む使い古された 59 の表現を、求人自体が使っていない限り取り除きます。このリストは英語の表現なので、日本語の文章の決まり文句を削るのはあなたの仕事です。
• マスター履歴書とテンプレート。 キャリアの方向ごとに最大 5 件のマスター履歴書を持て、カスタマイズで上書きされることはありません。7 つのテンプレートが、ヘッドレスブラウザで本物の HTML から印刷したテキストベースの PDF を書き出すので、パーサーはすべての単語を読めます。

すでに使っているモデルを接続するには 自分の AI キーを使う を参照してください。Anthropic、OpenAI、Gemini、DeepSeek、OpenRouter、Groq、Azure AI Foundry、Ollama のすべてが使え、OpenAI 互換のローカルサーバーも使えます。

プロンプトを使うにせよハーネスを使うにせよ、ルールは同じです。モデルが書き直し、あなたがマスターと照らし合わせて確かめる。あなたが何をしてきたかを、モデルは知りえません。知っているのはあなたです。

役に立ったら

これらのプロンプトでまずい箇条書きを 1 つか 2 つ防げたなら、GitHub の Resume Matcher にスターを付けていただけると、ほかの求職者が見つけやすくなります。私、Saurabh Rai は GitHub、X、LinkedIn でフォローできます。