AI 能让选岗变简单吗——我用AI智能体做了个小工具

引子：那一万两千个岗位，像一座山

拿到船票那天晚上，我失眠了。不是兴奋，是焦虑。

军转安置，每个转友都躲不过这一关。接到通知，翻开历史积累的岗位信息表——好家伙，一万两千多条岗位密密麻麻地铺在眼前。每一条都有单位、部门、岗位名称，后面跟着一串条件描述：“中共党员，具有三年以上机关工作经历，有较强的文字综合能力，熟悉科研项目管理全流程，有军级以上机关工作经历者优先……”

我根据自己的情况做了初步筛选，然后开始一条一条地看。看了五十条，眼睛开始发花；看了两百条，已经分不清哪条更适合我了。那一刻我意识到：靠人力硬扛，不是办法。可我偏偏不是什么技术大牛——管过信息系统论证项目，写过技术方案，但要说写代码，距离上次编程还是十八年前刚工作的那两年，而现在从头开始学编程，明显来不及也不现实。

我就这么卡住了。一边是历史积累的一万两千个岗位，一边是有限的精力和技术能力。那种感觉怎么形容呢——就像站在一个巨大的迷宫入口，你知道出口的大致方向，但手里的地图却是细密繁复，各类信息交织混杂，找不到头绪。

直到我遇见了AI智能体。

就在我准备认命、打算靠Excel加肉眼继续死磕的时候，我刷到了一个关于AI Agent（AI智能体）的介绍视频。视频里演示了一件事，彻底改变了我的思路：AI现在已经能听懂人话了。你不需要会写代码，只需要用自然语言告诉它你想干什么。你说“帮我分析这个Excel表格”，它能理解；你说“这条判断逻辑不对，帮我查一下”，它能在几百行代码里找到问题；你说“记住这个规则，以后别再犯”，它真的能记住。

看到这里，我心里动了一下：军转选岗这件事，也许AI真的能帮上忙。

但我没有选择豆包——三个绕不过去的坎

说实话，我最朴素的想法就是打开豆包，把简历和岗位表一股脑丢进去，让它帮着匹配。我试了。很快放弃了。不是豆包不好用，而是选岗这件事，有三个问题豆包解决不了：

第一，数据安全这根弦不能松。

军转人的简历里写满了单位信息、职务经历、项目成果、工作成绩。这些内容一旦上传到公网平台，安全就不再受控。服务商承诺再多，也无从验证数据的安全性。信息安全是底线，没得商量。

第二，岗位推荐的随机性。

豆包的推荐结果是个黑盒——你不知道它是怎么得出结论的。可能被某个关键词误导了，可能忽略了你明确标注的排除领域。等到临近提交报名的时候才发现完全不匹配，那之前的时间和精力就全白费了。选岗容错率太低，我不敢赌。

第三，它记不住你的规则。

这是最让我难受的一点。当我发现某条岗位匹配结果不对，想让豆包“记住这个规则，下次别再犯”——做不到。每次对话都是从零开始，完全积累不了任何经验。但选岗不是一次性选择题，它是一个需要反复打磨判断标准的过程。你今天觉得某个条件重要，明天看了更多岗位后又想调整权重，这种迭代式的思考过程，豆包的交互方式天然不支持。

说白了，豆包这类工具和AI智能体之间有一个本质区别：前者是一次性聊天机器人，每次问完就忘；后者是一个能持久记忆、持续迭代的数字工作伙伴。选岗需要的恰恰是后者。

于是我自己搭了一个工具

既然现成的工具满足不了需求，那就自己动手。我的思路其实很简单，分两步走：

第一步：把简历变成机器能读懂的样子。

先把个人简历中涉及敏感信息的内容做脱敏处理，然后提取出一份“个人画像”——我有什么能力？科研管理、后勤保障、新闻宣传、人事工作……把这些能力标签按核心程度排个序，只保留那些有据可查的真实能力，不吹不黑。

第二步：让工具逐条理解岗位要求。

从岗位信息表中，将每一岗位的条件描述中提取关键词——科研、后勤、财务、审计、宣传……然后把它们和用户的个人画像放在一起比对。

但这里有个关键点：光靠数关键词是不够的。比如岗位要求“具有科研项目管理经验”，而你简历写的是“十年装备科研管理经历”——字面上不完全一样，但意思高度相关。这种“意思对不对”的判断，必须依靠AI的语言理解能力，而不是简单的文字匹配。这就是为什么我最终选择了大模型来做这件事。

打分也不是笼统给一个总分。工具会从多个维度分别评测：条件匹配度怎么样？领域适不适合？综合推荐值多少？评完之后还有一套“安检门”——学历够不够？英语等级达标吗？有职业资格证要求吗？专业对口吗？这些硬性条件逐一核验，一条都不能漏。

你可以把它想象成两条线在配合工作：AI负责“理解”——读懂每条岗位到底在要什么；规则系统负责“把关”——硬性条件一条条过。两条线互相制衡，谁也替不了谁。

所有岗位评分完成后，工具会把它们分成三类：核心岗（最匹配的主赛道选择）、偏核心岗（次优备选）、通用岗（你有资格报但不是首选）。每个岗位归到哪一类、为什么，全部可以追溯——不是我拍脑袋决定的，是每一步都有依据。

语义理解的准确度直接决定了整个工具的靠谱程度。这方面我实测了几种方案：目前DeepSeek的效果最好，是我正在使用的核心引擎；本地部署的开源模型在复杂条件的理解上明显差一截，而且非常依赖电脑配置；智谱GLM比本地模型强不少，但跟DeepSeek比还有差距。所以我特意把“评分引擎”和“底层模型”设计成解耦的——现在用DeepSeek保质量，等将来本地模型能力追上来了，直接替换就行，不需要改动任何一条匹配规则。另外，你的个人画像始终在本地处理，只有岗位条件描述会调用云端API做分析和比对——在隐私保护和效果之间，找一个能接受的平衡点。

从选岗到全流程

真正让我兴奋的，不只是匹配本身，而是这套思路可以延伸到更远的地方。选岗之后是什么？面试准备——这家单位主要做什么？面试可能会问什么？怎么回答更有针对性？通勤评估——家到单位多远？开车、公交、骑车各要多久？待遇比较——不同单位的收入水平大概什么量级？这些问题，每一个都需要大量信息搜集和分析。而AI恰好擅长这些。

所以我把整个平台设计成了四个环节：

第一个环节就是前面说的岗位匹配——核心引擎，解析岗位表、拆解条件、完成评分排序。

匹配出重点岗位之后，同时启动三条并行分析线：

1.面试分析：结合单位公开信息和《梦回谈面试》，生成针对性的面试准备指南：这家单位最近在推什么重点工作？领导在会上强调了什么？面试官可能关心什么？

2.通勤分析：调用地图数据，帮你算清楚三种通勤方式的距离和时间。

3.待遇分析：基于互联网公开数据，对岗位的经济待遇做一个初步评估。

最后，所有分析汇总成一份完整的决策报告——从匹配排名到面试建议，从通勤方案到待遇对比，一目了然。

坦诚地讲，目前除了岗位匹配引擎相对成熟之外，其他几个环节还在完善中。但框架已经搭好了，就像盖房子，地基和结构有了，后续就是一间一间地装修。

工具帮忙，但不替你拍板

用了这段时间，有一个感受越来越强烈：

AI确实能把效率提上去。以前花几个小时翻岗位表、做Excel比对、纠结哪个该报哪个不该报——现在跑一遍评分，三层分类清清楚楚，省下来的时间和精力可以真正用在刀刃上，比如准备面试。

但是，“尽信老转不如无老转，尽信工具也不如不信工具。”语义匹配的边界在哪里？排除条件的颗粒度设多大？规则门控的阈值定多高？样本少的时候不容易暴露问题，一旦更多转友使用、更多样的情况涌进来，一定会出现新的状况。工具需要大量的真实反馈和持续迭代，才能真正变得可靠。

说到底，这个工具本质上是一个“翻译器”。

一头帮转友把多年的军旅经历，“翻译”成地方用人单位能看懂的能力语言；另一头把晦涩的岗位条件，“翻译”成你能理解的匹配分析。但翻译得准不准，最终还得人来判断。

在整个过程中，最有价值的不是写了多少行代码，而是三件事：知道自己要什么、知道哪里不对、知道怎么一步步逼近正确答案。AI把技术的门槛降到了接近零，但“说清楚自己要什么”这件事——它替不了人类。

最后想说的话

做了这段时间的探索，最大的感触其实是这句话——军转安置这条路，信息不对称、时间紧、决策压力巨大，这三座大山压在每个转友身上。AI不能替你做决定，但它可以把一万两千条筛到几十条，帮你看清每条岗位匹配在哪、红线在哪。AI智能体不是魔法棒，但它确实能让复杂的事情变简单一点，哪怕只是一点点。

回到最开始的问题：我的核心竞争力从来不是编程，而是清楚地知道自己想要什么、敏锐地察觉哪里有问题、耐心地把需求一步步转化为可执行的方案。AI把技术门槛降低了，但“知道自己要什么”这件事，每个转友都需要在转途中不断梳理和自我认知，确定“个人画像”具体长什么样子。多年的军旅生涯，判断力、直觉、认知，这些才是真正不可替代的东西。

我现在仍在备考阶段，时间有限，但这个工具会一直沿着“人人为我，我为人人”精神往前走：不求一步到位，只求每一步都比上一步更靠谱。

分享出来，是想告诉每一位转友：如果你也在为选岗发愁，不妨试试用AI智能体帮自己一把。不需要懂技术，不需要会编程，你需要做的只有一件事——想清楚自己要什么。

特别感谢两位摆渡人在技术思路上的无私帮助和建议。这种帮助与扶持，大概是这条路上最暖心的东西了。

欢迎留言交流。让AI多干点活，让每一位转友的军转路，走得比昨天更清楚一点点。