不知道你有没有这种体验：打开招聘 App，翻两页就开始审美疲劳——岗位标题像复制粘贴，来回就那几家公司；你明明想“换个方向看看”，结果越刷越像在原地转圈。

一个我自己曾经的例子：想转 AI 产品，结果只被推大厂、还不在我城市

比如我自己的情况（或者说，身边很多互联网从业者都踩过这个坑）：

• 我过去是互联网公司从业背景，现在想转 AI 产品经理。

• 我希望看的其实是：我所在城市（或周边）本地公司的 AI 产品岗，哪怕公司没那么大，但机会更真实、路径更可走。

• 结果推荐流给我的是什么？几乎清一色：不在我城市的大厂产品经理，标题还特别相似：增长产品、平台产品、商业化产品……至于本地公司那些“AI 产品经理 / AI 应用产品 / 大模型产品”岗位，反而像是不存在一样，基本不出现。

直到有一天我没用手机，在电脑上打开某招聘软件，搜索AI产品经理，竟然发现了之前没有看到过的，身边两个区县的有关岗位。

如果不是主动搜索，可能有时候会产生一种错觉：“是不是本地根本没有岗位？”但一旦用搜索或者换个渠道一查，岗位明明在，只是推荐流没给我看见。

后来我回想过去做过的推荐算法的有关工作，结合做大数据和业务增长的经验，我推测，岗位推荐系统在做一件它最擅长的事：把你迅速收敛到“最可能点、最可能投、最可能成交”的那条路上。

这篇文章，我们详细聊聊，在找工作的时候，我们是怎么被算法锁住，以及，我们应该如何破圈。

推荐系统到底在干嘛：它不在乎我想要什么，它在乎我会点什么

招聘 App 的推荐逻辑，很多时候不是“帮我找工作”，而是“帮平台做转化”。毕竟，都是大平台，都要赚钱，都要财报好看。

平台想要的闭环很朴素：

• 我点开（点击）

• 我停留（阅读）

• 我收藏/投递（强信号）

• HR 回复（成交链路）

于是它会抓住我一切行为，把我刻成一张“可转化画像”。

问题也在这里：我以为我在“看看市场行情怎么样”，它以为我在“确认偏好”，以为我在对某些公司感兴趣。

我点开过几次“大厂AI产品产品经理” JD，停留时间长一点，哪怕只是一边看着，一边跟朋友围观吐槽这个岗位招聘要求之傻逼——系统都会认真地点点头：懂了，你就爱这个。

更要命的是：系统偏爱“更容易成交”的供给，于是我总看见那几家

为什么总是那几家公司？因为它们在系统眼里“更稳”。

• 岗位发得多，更新快：天然占版面

• HR 回得快，数据好看：更像“能成交”

• 还有一部分是付费曝光：看起来像推荐，其实夹着广告逻辑

推荐系统最擅长做的事，是把不确定性踢出去。本地中小公司的 AI 产品岗位，数据可能少、反馈可能慢、路径可能不那么顺滑——它就不太愿意把宝押在这种“不够确定”的东西上。比如，推荐小公司的岗位，第一可能用户应聘体验不好容易流失，第二这些小公司的岗位可以多让销售打打电话推推会员，或许可以先获得更多的会员费，然后再推。

结果就是：我想看“本地 AI 产品岗位”，它给我推“异地大厂产品”；我刷得越久，它越坚定；我深夜越刷越烦，它越认真推荐：它觉得一个大厂背景的用户现在深夜一定是需要这些外地AI大厂的岗位

于是我进了一个典型的“收敛闭环”：越刷越窄，越窄越刷

把过程写成一句话就很直观：

我点开 A 类岗位 → 系统认定我喜欢 A → 给我更多 A → 我能看到的更少 → 我只能继续点 A → 推荐越来越窄

这就是信息茧房，只不过换了个马甲：从短视频的“同温层”，变成招聘的“同岗位”。更诡异的是，某些平台还会要求用户使用的时候必须先选择一个目标投递岗位，然后才能看到 它给你推荐的 其他岗位。

而且招聘更狠：短视频顶多浪费时间；招聘会浪费选择、浪费信心。

破圈不是深夜问候推荐算法，而是换一种方式“喂数据”

理解机制之后，我发现这事反而变得很工程化：它靠行为学习，那就用行为重新训练它。

5）第一步：少刷推荐流，多用搜索进入（搜索是我说话，信息流是它猜）

推荐流是它猜你会点什么；搜索是我告诉它我在找什么。所以如果目标是“本地 AI 产品”，我会让系统连续几次看到我在搜：

• AI 产品经理

• 大模型产品

• AI 应用产品

• 智能体 / Agent 产品

• RAG 产品 / 评测 / 数据闭环（看具体方向）

然后做一件关键的小动作：点开 + 收藏 + 少量投递。

因为收藏/投递对系统来说是强信号，能更快改变推荐分布。只点开不收藏，像只说“我想要”，不付订金；系统不太信。

6）第二步：对重复推的公司给“强负反馈”，别围观

最容易踩的坑是：反复点开自己讨厌的岗位去确认它有多离谱。

系统会把这种行为当成兴趣，继续推。所以我更倾向于直接：

• 不感兴趣

• 屏蔽公司

• 减少此类推荐

这一步很像把噪音源关掉。关掉之后，世界立刻清净一半。

7）第三步：先放宽非核心筛选条件，让“可见集合”变大

当我把薪资、公司规模、融资阶段、行业、远程、福利全都卡死时，供给会瞬间变少。供给少了，推荐就只能重复。

所以更稳的做法是：只留 1–2 个核心约束（比如职能 + 城市），其他先放开，用脑子筛。这一招或许会让你有新的发现。就比如你从大城市大厂来到一个小城市，你希望能高于或持平原来的薪资，但是看了一圈发现某些岗位最高薪资 也比不上你大厂应届入职时候的薪资——有些城市有的科技公司创始人也就一个月领2w块钱，月薪15k就是这个城市的高薪岗位了

所以，先让“我看得到”的池子变大，再谈精选，再选高薪

8）第四步：无痕模式对刷一次，确认是不是画像锁死

无痕刷 10 分钟，就能看到“市场真实供给的大概样子”。如果无痕里丰富、登录后很窄，那基本可以确认：不是市场小，是我的画像被锁死了。

锁死就得重训。重训就回到前面：搜索 + 强信号。

真正的根因：转行最难不是能力，是系统“看不懂我”

说回“互联网转 AI 产品”这个例子。

推荐系统和 ATS 检索，核心靠什么？靠协同过滤，更靠关键词召回。

如果简历里写的是：

• 需求分析、版本迭代、增长、平台

而 JD 在找的是：

• Prompt、Agent、RAG、评测、数据闭环、模型能力边界、落地场景

那系统会干两件事：

1）推荐端：继续把我归到“传统产品池子”，给我推大厂 PM2）招聘端：我投 AI 产品岗，也更容易被关键词筛掉（过筛不稳）

这时候最真实的问题不是“我不行”，而是“系统看不懂我行”。

9）所以我更愿意把“对齐”做成流程，而不是每次靠手改，比如你可以试试：AI 简历姬

如果处在“转行/换赛道”的阶段，简历最重要的不是写得华丽，而是：

• 关键词对齐：JD 里要什么，我的经历里能对应什么

• ATS 友好：机器能不能读懂、能不能召回

• 面试可承接：简历写的东西，面试能不能讲清

AI 简历姬就是按这个思路做的：以 JD 为中心，把求职变成闭环工程。

• 导入旧简历，结构化解析并修复关键信息

• 粘贴 JD 后，关键词逐条对齐到经历里，给匹配度评分、覆盖率与缺口清单

• 按成果导向用 STAR 改写，3 分钟生成可投递版本（PDF/Word 也能解析）

• ATS/HR 机器筛选友好校验，降低“过筛秒挂”

• 面试模块基于“简历 + 目标岗位”生成定制追问、参考回答与反馈建议

• 一岗一版多版本管理，配合投递看板追踪“投递—面试—复盘”

更像是把求职从“凭感觉猛冲”，变成“像做项目一样迭代”。

10）所以：要把求职这事看成“信息流经济”，它有规律有模型，但切忌自我否定

当推荐反复推同一类岗位，很容易把人逼进一个误区：“是不是我就只能做这些？”

但拆开机制之后，我更愿意这么理解：

• 我不是没选择

• 我只是被系统安排进了局部最优

• 破局靠的不是更用力地刷，而是换一种方式让系统学习

说到底，破圈只做两件事就够：

第一，让系统看到我在找“本地 AI 产品”并相信这是真的（搜索 + 强信号）。第二，让系统看懂我确实能做这个（关键词对齐 + 可解释的经历）。

剩下的，就是时间问题。

但这次，时间不是用来刷的，是用来迭代，和成长的。

最后

第一，从刷推荐岗位信息流，转成刷搜索：输入岗位，切换城市，切换区域，搜索

第二，用好大模型，比如豆包，比如AI简历姬，多问问还可以投什么岗位：不要局限于过去做过什么，要看看可以结合AI接下来可以做什么，找到新目标，然后再组织新简历

第三，不要局限于单个招聘平台，每个平台都试试，每家公司的招聘官网也都试试

第四，自媒体平台，去联络经常露脸的目标公司主管们，也是一个不错的思路，很多人成功过