1. 想清楚“找工作助手”到底帮谁解决什么问题我最早冒出“用 ToClaw 做一个找工作助手”这个想法其实是一时被逼急了。当时手头堆了二十几个岗位信息每个岗位的 JD 少说一千字有的甚至写了三千字废话招聘要求里还动不动就“加分项”“优先考虑”“具备良好的沟通能力”这种模棱两可的说法。我一边看一边骂看完一遍脑子全是糊的根本分不清哪个岗位值得投、哪个岗位是陪跑凑数的。后来我把这些岗位信息分批喂给 ToClaw让它按我预先定好的标准做筛选和打分十分钟后拿到一张表格岗位名称、匹配点、风险点、建议投递优先级。那一刻我意识到这个思路完全可以做成一套“找工作助手”流程而且不用写复杂代码核心就是靠 Prompt 设计和工作流拆分。这个助手解决的其实是求职过程中三个最烦人的阶段选岗位、收集面试题、备考。不要小看这三个阶段它们各自都非常耗时而且恰恰是 AI 最适合干的活。选岗位本质是文本比对和信息筛选面试题收集本质是信息的清洗、归类、去重备考本质是模拟问答和反馈迭代。三者都属于“高重复但低创造性”的工作恰好是 AI 相对擅长的场景。这篇文章适合谁看如果你正在求职每天要在招聘平台、公司官网、内推消息里反复横跳又或者你准备面试但不知道怎么系统刷题再或者你只是对“用 AI 自动化处理一堆杂事”有兴趣那这篇文章应该能给你一些可以直接抄走的思路。2. 整体设计一个“选岗—收题—备考”三段式工作流2.1 三个模块怎么分工我没有做那种“一个对话窗口全包全揽”的超级机器人而是把整个找工作过程拆成了三个阶段每个阶段用 ToClaw 跑一套独立的流程。为什么这么拆因为我试过让 AI 在一个会话里同时处理“帮我筛岗位整理面试题给我出备考计划”结果很混乱上下文太长导致它顾此失彼输出格式也不统一岗位筛选和面试题整理混在一起最后我反而要花更多时间去纠正它。拆开之后结构就清晰多了选岗模块输入是岗位 JD 合集输出是一张打分排序表附带每一条评分理由。收题模块输入是零散的面经记录、论坛帖子、过往真题输出是结构化题库按知识点和难度打标。备考模块输入是题库和我的简历/项目经历输出是模拟面试对话、追问、批改和薄弱点分析。这三个模块可以各自为战也可以串联起来。选岗模块筛出来的目标岗位会反哺到收题模块因为岗位方向定了需要收集的面试题方向也就定了。比如我最终锁定的是某个后端方向的岗位那题库重心就应该放在系统设计、并发、数据库索引这些点上而不是花时间去刷大量前端题。2.2 为什么不做“全自动”这个我必须说句实话我见过一些人做自动化求职工具恨不得一键全自动投简历、自动面试、自动接 Offer。想法很美好但实际风险很大而且效果未必好。自动投简历尤其容易翻车不同岗位对简历格式、作品集链接、自我介绍的要求差异很大一个模板打天下基本等于海投垃圾邮件。所以我这里说的“找工作助手”定位是强辅助、弱决策。AI 负责把脏活累活干完筛选、整理、打分、出题、批改。但真正点“投递”这个按钮的人永远是你自己。求职这件事最终拍板的人和承担责任的人都是你AI 只是一个效率放大器。2.3 素材准备清单在开始之前先花半小时把以下素材准备好后边会省非常多事目标岗位的 JD 合集可以从招聘平台导出浏览记录、收藏夹也可以手动复制粘贴到文本文件里每个岗位做成一条记录。自己的简历最好转成纯文本格式避免 PDF 里的格式干扰 AI 解析。一段“自我背景描述”重点写清楚工作年限、核心技能、做过什么项目、能接受的条件城市、薪资范围、行业偏好。面试题来源过往面试的记录、收藏的面经链接、别人分享的真题截图截图需要先转成文字全部丢进一个文件夹。准备完这些素材整个流程就可以跑起来了。3. 岗位筛选模块从一大堆 JD 里捞出“靠谱岗位”3.1 先把“垃圾岗位”过滤掉岗位筛选的第一步不是打分而是过滤。很多人一上来就让 AI 按匹配度打分这是不对的思路。因为大量岗位根本达不到“值得打分”的底线你让 AI 给一堆垃圾岗位打分等于浪费算力还会污染判断。我常用的过滤规则有这么几条薪资范围明显低于目标底线直接过滤。岗位职责和我的技能方向完全无关直接过滤。任职要求超过自身能力上限太多比如要求十年经验而我只是刚入门直接过滤。JD 里有明显的“急招”“大量招聘”“无经验亦可”等信号结合公司情况判断是否为低质量岗位。我通常把这些过滤规则写进 Prompt 的开头让 AI 严格执行。注意如果是付费接口要注意收集的岗位信息数量较大建议分批处理避免单次输入过长。ToClaw 的上下文窗口虽然不小但在处理大量长文本时并不能保证精度分批过滤后合并结果准确性更高。3.2 打分维度怎么设过滤完之后剩下的岗位才进入打分环节。我试过直接用“匹配度”一个分数打天下效果很差因为“匹配度”太笼统AI 没有足够的维度来支撑判断。我把评分拆成四个维度每个维度 1 到 5 分维度判断标准权重硬技能匹配JD 要求的技能栈与我的掌握程度重合度40%行业方向匹配是否属于我希望深耕的行业赛道20%职级与薪资匹配岗位级别、薪资范围是否符合预期25%成长空间业务复杂度、团队规模、技术栈是否利于后续发展15%最终得分的计算方式我直接让 AI 按权重加权计算并且要求它输出一条不超过三行的评分理由。这个“评分理由”非常重要它能防止 AI 乱打分也算是一种可解释性约束。如果一条岗位得了 4 分但理由里说不出任何具体的匹配点那基本可以断定它名不副实。3.3 岗位筛选的 Prompt 模板这是我实际在用的简化版模板你可以直接复制改改你是一名资深招聘顾问。我现在要筛选一批目标岗位请严格按照以下步骤执行。 【我的背景】 [粘贴自己的背景描述] 【筛选规则】 1. 先执行硬性过滤薪资低于XX、与技能方向无关、明显超出经验要求的岗位直接标为“过滤”。 2. 通过过滤的岗位按以下维度打分1-5分硬技能匹配、行业方向匹配、职级与薪资匹配、成长空间。 3. 最终得分硬技能匹配*0.4行业方向匹配*0.2职级与薪资匹配*0.25成长空间*0.15。 4. 每条输出格式为岗位名称最终得分各维度得分评分理由不超过三行。 【岗位JD列表】 [粘贴岗位JD]这里有个细节要提醒给 AI 的“背景描述”要写具体不要只写“我是后端开发”而应该写“我有两年 Java 后端经验熟悉 Spring Boot、MySQL、Redis做过电商类项目希望找中大型公司、薪资范围 20K 以上”。背景越具体过滤和打分的准确度越高。4. 面试题收集模块把“面经”变成结构化题库4.1 为什么面经必须结构化很多人刷面试题是按“篇”刷的今天看一篇面经明天看另一篇脑子里塞了一堆散装知识点。这样效率非常低因为你没有建立题与题之间的联系也很难看出哪些考点出现频率最高。我当时收集了一百多道零散面试题来源包括聊天记录、备忘录、网页收藏夹乱成一团。后来全部喂给 ToClaw让它按统一格式输出成一个题库。我用的输出结构是 JSON{ id: 1, topic: redis 持久化, question: Redis 的 RDB 和 AOF 有什么区别分别适用于什么场景, difficulty: medium, source: 某公司后端一面, tags: [redis, 存储, 高可用], answer_keywords: [RDB快照, AOF日志, 数据安全, 性能开销], followups: [ AOF 重写机制是什么, RDB 持久化过程中如果发生写操作怎么办 ] }为什么要用 JSON因为 JSON 有明确的字段结构AI 更容易稳定地输出类似格式而且日后如果我想写脚本统计高频考点JSON 可以直接被程序读取。你不一定非要用 JSON用“题目/答案要点/考点标签/关联追问”这样的固定段落也可以但格式一定要统一。4.2 标签体系决定你复习的上限标签体系是整个题库最核心的部分但大部分人在这一步容易偷懒。我建议标签分成三个维度技术领域比如 Redis、MySQL、操作系统、网络、算法、系统设计。题型类型概念题、场景题、方案设计题、coding 题、项目深挖题。难度等级easy / medium / hard。有了这套标签你可以随时让 AI 按标签抽题“抽出 10 道 MySQL 相关的 medium 场景题生成一份模拟卷。” 如果没有标签你的题库就是一个堆满了文字的大杂烩检索和复习都无从下手。4.3 去重是个大问题从互联网收集面试题最头疼的就是重复。同一道题换个问法、换个场景AI 很容易当成不同的题。我在整埋题库时让 ToClaw 做了语义去重做法很简单请检查以下题目列表中哪些题目在语义上是重复或高度相似的只保留质量最高的那一条其余标为“重复”并说明理由。实测下来语义去重对“概念题”效果很好比如“索引为什么快”和“为什么使用 B 树做索引”这种明显同源的题AI 能稳定识别。但“场景题”的去重就难一些因为场景不同考察点可能完全不同。我的建议是概念题去重坚决做场景题只做部分合并人工确认更保险。5. 备考模块让 AI 当“模拟面试官 批改老师”5.1 第一轮从题库里抽题组卷备考模块的核心动作是模拟面试不是“背答案”。背答案对实际面试几乎没有帮助因为你不知道面试官会在哪个点突然追问。所以我让 ToClaw 充当一个会追问的面试官而不是我输入问题、它给答案的那种模式。首先从结构化题库里抽题组卷。我通常让 AI 按考点覆盖均匀的原则出题比如一份“模拟卷”包含两道基础题、一道中等难度的场景题、一道较难的设计题。重点是要把岗位方向考虑进去投的是后端就多出后端方向的题别让 AI 全出算法题。5.2 第一轮模拟面试对话实测模拟面试怎么进行我的做法是第一轮考生和面试官的角色同时由 AI 扮演。我把我的回答输入进去。AI 根据我的回答继续追问或换题。这里我给一个完整例子说明整个对话是怎么跑的。第一题ToClaw 的问题是请讲一下你在某个项目里遇到过的性能瓶颈以及你是怎么解决的。要求结合具体数据说明。我当时的回答比较含糊之前有个项目接口响应很慢后来查了发现是数据库查询太慢加了个缓存就好了。这个回答质量其实很差。ToClaw 果然立刻追问你提到接口响应慢当时的 QPS 和平均响应时间是多少加缓存之后缓存命中率大概是多少另外你说“数据库查询太慢”具体慢在哪是通过索引扫描慢还是有大量回表还是锁竞争这套追问逼得我补了第二版回答当时这个接口在高峰期 QPS 大约 120平均响应时间从 800ms 优化到了 150ms。排查的时候先看了慢查询日志发现有一个 count 查询走了全表扫描数据量大约 200 万行。后来改用覆盖索引并给热点数据加了一层 Redis 缓存缓存命中率大约在 85% 左右。说实话第一版和第二版之间的差距就是面试官眼里的“不会”和“会”的差距。追问机制的价值就在这它逼着你把记忆里那些不扎实的细节挖出来比你自己对着参考答案背诵有效得多。5.3 批改和复盘硬性缺点要指出来模拟面试做完之后我会让 AI 出评分报告包含几个固定维度回答完整性、逻辑清晰度、数据具体性、深入度。每项打分并至少指出两个具体缺点。最容易踩的坑是AI 有时候会“心软”哪怕你答得很差它也会说“整体不错需要加强某方面的细节”。这不行。所以我在 Prompt 里加了硬性约束不要给模棱两可的评价。每一条缺点必须对应我回答中的一句原话指出这句话哪里不具体、哪里逻辑断裂、哪里偏离了问题。这条约束非常管用。我把一段答得极其空泛的内容喂进去AI 直接指出“你在回答中提到‘优化了系统’但没有说明优化前发生了什么问题、优化采用了哪些具体手段、优化后衡量提升的指标是什么整句话无法验证。” 这才是真正能帮助人改进的反馈。6. 实操过程与踩坑记录这一部分我必须说说实际操作中踩过的坑有些真的很典型如果你自己去做这套东西大概率也会遇到。6.1 第一个坑一次喂太多文本上下文被撑爆我第一次跑岗位筛选的时候把所有岗位 JD 一次性粘进去大概有几万字。刚开始 AI 还能正常响应到后面它开始“丢东西”前半段岗位的评分理由变得模糊后半段又出现重复内容。后来我把输入切分为每批 10 个岗位分开处理再让 AI 合并输出问题就解决了。调动 AI 工作时普通人有很大的误区就是“一股脑全塞进去”。大模型的上下文窗口虽然大但它注意力覆盖不全窗口越长、细节记忆越差。类似只用前几页和后几页中间内容容易跑偏这一点大家使用时要有清楚认知。6.2 第二个坑评价口径不稳定同一道题我上午让 AI 批改是打 4 分下午重新跑一遍变成 3 分而且理由的核心逻辑差不多。这不是 AI 坏了是它的生成本来就带有随机性。我解决的办法是增加评分锚点。在 Prompt 里对每个分数给出了明确的行为描述。比如“4 分能结构化说明问题包含至少一个量化指标逻辑基本完整3 分能说出关键概念但缺少细节或量化支撑”。有了这些锚点AI 的评分稳定性会大幅提升。6.3 第三个坑输出格式总是漂AI 输出不稳定是常态可能这轮是 JSON下一轮就在 JSON 前面加了一句解释再下一轮又用 Markdown 表格。我解决这个问题的办法是用固定的占位符约束输出结构。严格按以下格式输出不可额外添加任何文字 BEGIN 岗位名称得分各维度得分 END甚至可以让 AI 跳过开场白。实际使用中稳定格式比想象中更重要因为只有格式稳定了后续才能做批处理、做统计甚至写脚本把它做成自动化管线。7. 常见问题速查与注意事项7.1 疑难问题速查表问题现象可能原因解决办法岗位评分忽高忽低背景描述太模糊AI 没有足够的判断锚点把技能栈、薪资期望、年限、行业偏好写具体面试题出现大量重复没有做语义去重或者来源文本重复率高定期跑语义去重按知识点分组审阅模拟面试追问太少只让 AI 当“出题机器”没设置追问角色明确指定“请扮演严格面试官针对回答薄弱项持续追问”批改报告全是套话没有对“具体缺点”做出硬约束要求每条缺点对应回答原文禁写模糊评价题库 JSON 格式不统一Prompt 对输出格式约束不够强用 / 占位符限制输出边界大量文本丢失信息一次输入过长AI 注意力衰退拆分成小批量输入处理后再汇总7.2 使用边界哪些事不要让 AI 做最后说几个我坚持的硬边界不要用 AI 自动投递简历。不同岗位需要微调展示侧重点一条龙自动投递会把你变成一个没有灵魂的群发机。不要让 AI 帮你编造经历。面经也好、项目介绍也好AI 可以作为润色工具但不要让它替你虚构项目细节。一旦你在面试中被人追问到细节漏洞场面会非常尴尬所以请务必把真实经历写清楚后再让 AI 辅助润色。不要盲目相信 AI 出题的权威性。AI 可能把过时技术栈当热门考点也可能忽略某些新趋势。题库完成后建议去对照真实的面经帖子做抽样校验。7.3 后续可以怎么扩展整套流程稳定运行之后我后来又加了两个小迭代一个是“每周自动生成复习清单”。让 AI 根据我最近两次模拟面试的薄弱点生成一周三练的详细计划另一个是“岗位筛选结果复盘”投递后反馈回来是否约面反过来校准筛选规则。这个闭环一旦跑起来越到后面判断越准。8. 最后想说的话这套东西真正值钱的地方用了两三周做完整套“找工作助手”流程之后我最强烈的感受是它不是一个“一键生成 Offer”的黑科技而是一个把这些琐事整理清晰的工具集合。求职本来就是一场长时间、多线程的信息战你能掌握的信息越有条理心态就越稳临场发挥也就越自然。我个人在实操中体会最深的一点是让 AI 帮自己干活不要一上来就追求复杂。很多人一看 ToClaw 能干活就想做“全能找工作助手”结果被技术细节拖死。我自己刚开始也犯了这个毛病后来老老实实从一个岗位筛选模块做起跑通了再加面试题收集最后才加上模拟面试。一步一步来反而走得更快。如果你正准备搭一套自己的找工作助手我建议你先想清楚一件事你最痛的那一个环节是什么如果最痛的是岗位信息太多看不过来就先做筛选模块如果最痛的是面试时被追问到说不出细节就先做模拟面试模块。不要贪多先解决一个真实痛点跑通了再扩。这套东西还能怎么扩展我在文章里说了几个方向——生成复习计划、回流校准筛选规则。其实还有更多比如接入日历做面试提醒、把题库按最新面试趋势做自动更新甚至把多轮面试的复盘记录做成长期的个人能力成长档案。每个方向都不难关键是先把底座搭好。希望我这几个月的折腾能帮你少走一段弯路。祝你早日拿到心仪的 Offer。