ChatGPT 简历定制提示词：只改写，不编造

你已经在用 ChatGPT 或 Claude 做代码审查、写提交信息，所以把职位描述和简历粘进同一个聊天窗口，看起来是顺理成章的下一步。输出读起来不错。问题藏在细节里：某条要点多了一个你从没测过的百分比，职位头衔被抬高了一级，还冒出一个你从没用过的工具。下面这些 ChatGPT 简历定制提示词就是为了堵住这些漏洞。每一条只给模型一项窄任务，禁止添加新事实，产出的内容你可以逐行核对。它们在 Claude、Gemini 或其他任何能力足够的模型里用法相同。

这篇文章讲提示词和护栏。方法本身，也就是怎么读职位描述、怎么把经历映射上去、怎么保证结果诚实，请读如何根据职位描述定制简历。这里的提示词默认你已经有一份主简历（CV），也就是收录了每段经历和每个项目的完整版本，因为模型只能从你给它的内容里挑选。

为什么 ChatGPT 简历定制提示词需要护栏

语言模型做的事是补全文本。你让它「针对这个职位改进我的简历」，它就会按训练数据里「定制过的简历」的样子来生成：自信的动词、整齐的数字、一张照着职位描述抄的技能列表。它没法知道其中哪些细节对你来说是真的，也不会停下来问你。

三个设计决定能解决大部分问题。

一条提示词只做一件事。 提取、映射、改写和检查是四项独立的工作。一条「全包」的提示词会让模型趁你忙着看关键词列表时，把一个编造的指标混进改写里。

原文进，原文出。 每条改写提示词都要求把原要点和新版本并列返回。你几秒钟就能比对这一对。只返回新版本的提示词把改动藏了起来。

明确禁止新事实，并附上清单。 「别编」对模型来说太模糊。「不要添加主简历里没有的数字、工具、雇主、职位、日期、学位或证书」是它能遵守的规则，也是你能检查的规则。

按顺序运行下面四条提示词。在 [粘贴主简历] 处粘贴你的主简历，在 [粘贴职位描述] 处粘贴职位描述。

提示词 1：把职位要求提取成表格

上面链接的定制指南把职位描述拆成四类。这条提示词让模型来做拆分，并补上聊天模型常常跳过的两点：逐字引用和重复次数。

你正在从一份职位描述中提取要求。不要推断、概括或添加原文里
没有的要求。

返回一张 Markdown 表格，包含以下列：
1. 要求，从职位描述中逐字引用
2. 类型：必备、加分、职责，或领域术语
3. 在职位描述中出现的次数
4. 它所在的句子，逐字引用

规则：
- 照搬职位描述的拼写和大小写（例如写「PostgreSQL」，
  不写「Postgres」）。
- 如果职位描述没有说清某项是必备还是加分，标为「不明确」。
  不要猜。
- 不要评论我是否匹配。我还没有给你看我的简历。

职位描述：
[粘贴职位描述]

最后一条规则很重要。如果简历已经在同一个对话里，模型会在你开口之前就开始匹配，表格会向你恰好满足的那些要求偏移。

提示词 2：把你的经历映射到每条要求

现在模型第一次看到主简历。它的任务是找证据，外加一条硬规则：缺口就是缺口。

下面是一张要求表和我的主简历。请为每条要求在简历中找出
最有力的证据。

返回一张表格，包含：
1. 要求（来自要求表）
2. 证据：我简历中的那条要点或那一行，逐字引用
3. 匹配类型：直接（点名了同一个工具或技能）、相邻（同一
   技能，不同工具；两个都写出来），或缺口（简历里没有）
4. 在定制版里应放的位置：个人简介、某段经历的要点、
   技能列表，或省略

规则：
- 「缺口」是合法答案。不要通过拉伸某条要点，或建议我补上
  没列出的经历来填补缺口。
- 现在还不要改写任何内容。
- 如果一条要点支持两条要求，就列两次。

要求表：
[粘贴提示词 1 的表格]

主简历：
[粘贴主简历]

继续之前先读缺口那几行。如果职位列了十项必备技能，表格里有六个缺口，正确的做法是换一个职位，没有哪条提示词能补上这个。

提示词 3：用职位描述的措辞改写要点，不加新事实

模型就是在这一步编造的。下面这条提示词把任务收窄到选定的要点，要求返回改写前后的配对，并说清楚什么算新事实。

请改写下面的要点，在我的经历支持的地方采用职位描述的措辞。
每条要点都要忠于原文。

每条要点返回：
- 原文：我写的要点，原样不动
- 改写：新版本
- 改动：一行说明你改了什么、为什么（措辞、顺序、侧重）

规则：
1. 每个数字、日期、工具名、雇主、职位和学位都按原样保留。
   原文没有数字，改写也不能有数字。
2. 只有在原文点名了同一个工具时，才照职位描述的拼写来写。
   「Postgres」可以改成「PostgreSQL」。「MySQL」不行。
3. 相邻匹配的情况，保留我的工具，借用类别。「基于 RabbitMQ
   搭建事件管道」可以改成「搭建事件流管道（RabbitMQ）」。
   不能提到 Kafka。
4. 不要改动表示资历的词。「参与」就是「参与」，不能变成
   「主导」。
5. 不要合并要点，也不要新增要点。
6. 用平实的动词。不要「spearheaded」、「leveraged」或
   「synergy」这类词。

职位要求：[粘贴提示词 2 中匹配上的行]

要改写的要点：
[粘贴要点]

第 6 条规则是为人类读者定的。招聘专员在连续两条要点里看到「spearheaded」和「leveraged」，就会把这份简历当成机器产出，关键词上那点收益抵不过这个代价。

提示词 4：标出编造内容的自查

这一条请新开一个对话。让模型在同一个对话里给自己的修改打分，它往往会为自己辩护。新会话里它只看到两份文档，别的什么都没有。

你正在对照一份主简历，审核由它生成的定制简历。找出定制版中
所有主简历不支持的表述。

返回一张表格，包含：
1. 定制版文本（引用）
2. 主简历中最接近的文本（引用），或「无」
3. 问题：新增数字、数字改动、新增工具、工具改动、职位改动、
   日期改动、学位改动、资历拔高，或无依据的表述
4. 严重程度：高（背景调查可能推翻的事实）或低（措辞）

重点检查：
- 定制版中的每个数字、百分比、金额和时长都必须出现在
  主简历里。
- 每个工具、语言和平台名称都必须出现在主简历里。
- 每个雇主、职位、日期范围和学位都必须与主简历逐字一致。
- 标出任何含义比其来源更宽泛的句子。

如果什么都没发现，就回答「未发现无依据的表述」，并列出你
检查得最仔细的五处改动。

主简历：
[粘贴主简历]

定制简历：
[粘贴定制简历]

最后一条指令防止模型为了讨好你而返回一张空表。它必须展示自己的工作，读起来就会更仔细。

失败模式，以及各自的检查方法

即便用了上面的提示词，你还是会碰到这些情况。每一种都有一个不到一分钟的机械检查。

编造指标。 模型把「降低了延迟」改成「延迟降低 40%」。检查方法：把定制版里的每个数字列出来，逐个在主简历里搜索。在文本编辑器里用匹配数字的正则（\d）就能把它们全找出来；找不到对应的数字，就把那一行改回原来的措辞。

改动日期或职位。 改写把「Mar 2022」里的月份丢了，或者把「Software Engineer II」变成了「Senior Software Engineer」。检查方法：把两份简历的头部信息（职位、雇主、日期）贴成两列对比。日期和职位必须逐字一致。

换掉工具。 你写的是 MySQL，职位描述说 PostgreSQL，改写就成了 PostgreSQL。检查方法：把定制版里每个首字母大写的技术名词提取出来，逐个对照主简历。提示词 4 会做这件事，快速扫一遍技能栏也能发现。

堆砌关键词。 技能列表从十二项膨胀到三十项，每一项都从职位描述里抄来，一半背后没有任何要点支撑。招聘专员一眼就能看出来。检查方法：要求列表里每项技能都至少在一条要点里出现过。简历关键词指南讲了关键词该放在哪、多少算过头。

拔高资历。 「协助设计」变成了「主导架构」。检查方法：在定制版里搜索 lead、led、owned、architected 和 drove 这类词，再看主简历是否用过每一个。

扩大范围。 「维护支付服务」变成了「负责支付平台」。没有哪个词是假的，整句话却是假的。提示词 4 里「比来源更宽泛」那条规则就是为它设的。它最难用正则抓到，所以把每条改写后的要点和原文并排读一遍。

哪个 AI 最适合定制简历？

如果你在挑简历定制用的 AI，主流厂商的任何一个当前模型都能跑这些提示词。定制的工作在于挑选和措辞，结果好坏取决于提示词的结构和你的审核。模型在排行榜上的位置没有这两者重要。我没有针对这项任务跨模型做过基准测试，也没见过可信的公开测试，所以不给排名。

有两件事确实要紧。

结构化输出。 上面的提示词要求返回表格和带标签的配对。大型托管模型会按要求返回。小模型，包括你能通过 Ollama 在笔记本上跑的那些，在这类结构化输出上很吃力。Resume Matcher 的设计笔记对它自己的编辑格式记录了同样的发现：较小的模型难以生成有效的结构化编辑，结果就是改动被拒绝。想用本地模型，就从中等规模的开始，并做好重试的准备。

每次调用的成本。 四条提示词每一条都会发送整份简历。用消费级聊天订阅，这个成本是固定的。用 API，大模型每次调用更贵，而这项任务小模型也能做。作为参考，Resume Matcher 的设置页面推荐这些默认值：OpenAI 用 GPT-5 Nano，Anthropic 用 Claude Haiku 4.5，Google 用 Gemini 3 Flash，Ollama 用 Gemma 3 4B。你可以填写服务商提供的任何模型名。这些默认值都是小模型，适合这种更需要遵守规则而不是写文采的任务。

哪个 Claude 模型最适合定制简历？

答案一样。Claude Haiku 4.5 是 Resume Matcher 设置页面为 Anthropic 推荐的默认模型。这项任务是在严格规则下做结构化编辑，小模型每次调用更便宜。如果你已经为更大的 Claude 模型付费，并且更喜欢它的文笔，那就用它；提示词和检查都一样。

复制粘贴式提示什么时候不够用了

这四条提示词对一次申请很好用。到第五次，摩擦就显出来了。你把同一份主简历粘进四条提示词，再把输出粘进文档，再跑审核，再修掉那两个编造的数字，再导出一份上次手动调过排版的 PDF。每次申请要花二十分钟在复制粘贴上，而主简历躺在聊天记录里，上个月的版本你已经找不到了。

一个工具框架（harness）能去掉这些复制粘贴，并把提示词里的规则变成代码。Resume Matcher 是我维护的那个：免费，Apache 2.0 开源，有超过 20 万求职者在用。它在你的电脑上运行，用你已经有的模型。和这篇文章相关的部分：

• 模型提议修改，代码检查修改。 模型返回有针对性的改动，每一处都引用原文，代码会先核实引用与简历一致再应用。这就是提示词 3 的前后配对规则，由代码强制执行。
• 锁定字段。 你的姓名、联系方式、雇主、职位、日期、院校和学位，模型不能改。指向这些字段的修改会被拒绝。
• 新数字会被撤销。 最后一道检查会把每行改写里的每个数字和原文对比。原文没有的数字会让那一行退回原样。这就是提示词 4 的数字检查，自动化了。
• 修改前后对比审核。 你会看到每处改动的差异和高风险改动的数量，然后对整个预览选择确认并保存或拒绝并重新生成。没有逐条接受，所以只要有一处改错了，就重新生成。
• 一个有意保留的例外。 如果职位描述把某项技能逐字列为必备或加分，模型可以把它加进你的技能列表。这类添加会在预览里标为高风险，方便你拒绝。这是工具唯一会添加你没写过的内容的地方，之所以保留，是因为匹配点名的技能正是定制的目的。它加的技能里，凡是你拿不出要点支撑的，都删掉。
• 平实的动词，由代码保证。 定制完成后，一道本地处理会去掉 59 个被用滥的短语，「spearheaded」和「leveraged」都在其中，除非职位描述自己用了它们。
• 主简历和模板。 你最多可以保存五份主简历，每个职业方向一份，定制永远不会覆盖它们。七个模板导出文本型 PDF，由无头浏览器从真正的 HTML 打印，解析器能读到每一个词。

要接入你已经在用的模型，参见自带 API 密钥。Anthropic、OpenAI、Gemini、DeepSeek、OpenRouter、Groq、Azure AI Foundry 和 Ollama 都支持，任何兼容 OpenAI 接口的本地服务也可以。

不管用提示词还是用工具框架，规则是一样的：模型改写，你对照主简历核实。模型不知道你做过什么。你知道。

如果这篇文章帮到了你

如果这些提示词帮你避开了一两条有问题的要点，给 GitHub 上的 Resume Matcher 点个 Star 能帮更多求职者找到它。你可以在 GitHub、X 和 LinkedIn 上关注我，Saurabh Rai。