这个系列，记录我用 AI 系统化求职的全过程。写它有两个目的：一是给同样在找工作的人一点真实的参考和帮助——网上讲求职的很多，但把每一次投递都记下来、把原理都想透的很少；二是给自己留一份记录。这段路走得歪歪扭扭，不记下来，以后连坑长什么样都想不起来。

涉及隐私的部分（行业、公司、城市）都做了脱敏处理，数据都是真的。

一、我印象里的找工作，和现实里的找工作

先说我对找工作最初的理解。

在我印象里，找工作大概是这样的：参加招聘会，或者老师推荐一个机会，然后我认真投递一份简历。基本就没问题了。一份不行，投两份。最多十份，肯定成一个。

这是流传了好几年的“标准剧本”，我周围的长辈和同学也都是这么教的：投得少没关系，要投得精、投得准。

后来知道，这个剧本已经失效了。而且失效得毫不留情。

我身边的例子可以列三个，全是真人真事：

案例 A：我的一个同学，研究生学历，读研之前就有工作经验，做产品方向，在某大城市。实习的时候在行业头部大厂做了一年多。结果呢？一个机会都没抓住。

案例 B：又一个同学，也是研究生，收入一点不低——之前在上海一家互联网公司做软件开发。现在从原公司出来，计算机这个行业，根本找不到工作。

案例 C：还有一个同学，美国排名前十的大学计算机系，研究生，线上线下面试参加了几十场，其中不乏只是普通规模的公司的岗位。毕业季求职，几乎零回复。最后他等了一年多才找到工作，工作是不错——但那是别人主动联系的他，不是他投出来的。

三个人，学历没有一个差的，能力也都在线。这不是个例，这是一面镜子。

二、热脸贴冷屁股：认真投，也没用

一开始，我也相信“不要海投”。网上到处都在说：海投命中率低、浪费时间、不如精准投递。我也是这么做的——兴致冲冲，写简历，写自我介绍，精心填网申，有时候还线下见面，跟业务负责人聊上半天，聊得宾主尽欢。

然后呢？一点消息都没有。

我主动去问，得到的都是客气的推辞：“还在走流程”“名额还没批下来”“我们再看看”。

一次两次我还能理解，十次二十次我开始怀疑。等我自己也这么跑了一圈，我终于想明白了一个道理：

大家都这样了，我们为什么还要热脸去贴冷屁股？

不是说不要认真。恰恰相反——认真没有用，才说明问题根本不在“认真”这一层。而科技能改变很多东西，我想，它也应该能改变找工作这件事。

很多人爱说“学历通胀”。但我觉得，现在更准确的词是“学历滞胀”（stagflation）——学位的供给在膨胀，但经济并没有同步增长。通胀而经济不增长，是最麻烦的组合。学历的红利不是变薄了，是基本不存在了。我们没能享受到学历红利，反而挤进了一场极其激烈的存量博弈。

现在的情况大致是这样子的，一个非常普通的岗位或者是国企，都有数不清的海内外顶级名校的毕业生，而且这些都是真实的，不是过去有一些通过花钱或者是找关系的包装学历。这不是偶然现象。

网络上有一个不完全的统计，今年校招简历初步筛选的过程中，985毕业的通过率只有60%，211毕业的只有30%。连这个都不是，平均通过率可能就10%左右。

三、让AI来：从一开始的想法，到真的干起来

所以我把目光转向了 AI。

最初的设想很朴素：让 AI 帮我找岗位、做匹配。但试下来发现一个问题——AI 只负责“想”，不负责“干”。它能把岗位分析得头头是道，但投递动作还是要我一个个点，依然慢。

于是下一步，我让 AI 直接在云手机上操作真实的招聘平台（BOSS直聘、前程无忧这类）。云手机里装着真实的 APP，AI 像真人一样操作它：截屏，用大模型“看”屏幕，判断这个岗位符不符合我写的规则，点「立即沟通」，点完返回列表，继续下一个。

云手机投递，本质上是让 AI 替我干了所有机械动作。

我写了一套规则文件，把“投什么、跳过什么、什么情况停”全部结构化——一开始是提示词，后来迭代成了 YAML 规则文件，用写程序的方式写求职规则。后来又迭代了十几个版本：修逻辑冲突、补异常处理、砍多余步骤、按求职方向拆成不同账号版本。

从此，每天 150 个投递上限，系统自己打满。遇到弹窗自己关，卡顿了自己重启，被限流了等半小时继续。那段时间，我几乎不用打开求职软件，投递数字自己往上走。

你可能会问：自己投不也一样吗？为什么机械的活要交给 AI？

原因很简单：人的精力是有限且递减的。理论上，一天投 150 个并不复杂。但实际上，这 150 个会消耗你巨量的精力——你很可能投完 150 个，当天什么别的事都不想做、也不想干了。

它没有给你任何正反馈，却持续消耗你的精力。表面看，它只是占用了大量的重复时间；实际上，它吃掉的是你的思考。投完 150 个，你根本没有时间去做复盘、做数据分析、改简历。

更要命的是，这中间藏着一种假象：人很容易觉得“我做了很多”就是“我很努力了”，于是陷入自我感动，不再去想“我的方法到底对不对”。可做的事太多、没时间思考，一旦方向错了，就是在用错误的方法勤奋——努力不但没有放大价值，反而稀释了价值。最危险的不是偷懒，是忙到懒得思考。

所以我才把投递这个纯机械的活外包出去——省下来的不是时间，是思考能力。

四、5000份之后，我看清了市场的真相

我把其中一个方向（就叫 C 方向吧）前前后后投了大约5000 份。

结果是这样的：偶尔有电话打来，语气很热情——“看了您的简历，非常匹配！我推给业务部门看一下哈。”然后，就再也没有然后了。

极少数走到面试的，有一次印象极深：前两轮都过了，结果入职前发现岗位描述和实际工作完全是两码事——说好的正经岗位，进去是干销售。我拒绝了。

粗略算下来：5000 份投递，双向互动约 10 次，有效面试 1 次，Offer 0 个。

一开始我以为是简历的问题。但复盘下来，我意识到问题更底层。我去翻数据、问做 HR 的朋友，再对照自己的经历，慢慢拼出了这个市场的真实样貌：

第一，投的人，多到离谱。某央企子公司，招两三千人，收到的简历是六七十万份——三百比一。一家只有几间办公室的小公司，HR 亲口说：投递的人多到看不过来。

第二，HR 根本不读简历，他们只是“处理”简历。我有个证据：我精心打磨过一款作品，亮点不少，结果后台浏览量小得可怜，大部分还是朋友点的。如果 HR 认真读简历，不该是这个数字。

第三，很多时候不是能力问题。真正拿到机会的人，很多早就在那家公司实习过，比你早半年入场。你在秋招里拼尽全力，其实是在陪跑。我周围这样的同学，不是一个两个。

第四，很多公司的 HR，根本不是专业 HR。我陆续问过一些做 HR 的朋友，对照自己的经历，发现筛简历这件事，很多公司根本不是专业 HR 在做——大公司、央企，很多是把简历筛选外包给实习生。很多时候凭心情。就算通过了初筛，到业务部门这一步也未必有戏。

我有朋友在互联网大厂业务线，他说得很直接。在他那儿，人人都有内推，内推的人多到离谱，早就被稀释了。

那一刻我终于明白：不是在淘汰你，是这个环节已经没法“筛选”了。不是不够认真——是认真的阈值，早就被海量投递抬高到没人够得着的地方。

五、转机：换了个方向，世界突然不一样了

C 方向投到绝望的时候，我做了一个决定：换方向。

我把同一套规则体系复制到另外两个方向（A 方向和 B 方向），账号分开、规则微调。然后，奇妙的事情发生了：

同样的投递强度，回复率从 0.1% 跳到了 4%-5%。每天打开消息列表都是新对话：有 HR 认真问情况的，有直接要简历的，有约面试的。不到一个星期，A 方向拿到的面试邀约，超过了 C 方向 5000 份简历的总和。

几万条投递记录摊开对比，我得出这篇故事里第一个硬结论：

方向之间的回复率差距，可以到 50 倍。

同样投 150 份，选对方向和选错方向，是“每周都有新机会”和“石沉大海”的区别。投递量之上，方向选择才是真正的杠杆。

顺带还有几个很反直觉的发现：

六、云手机的裂缝：效率是它的本事，账本不是

转机归转机，回到技术侧。云手机这么跑了几千个岗位，裂缝也一点点露出来了。

第一，慢，而且贵。150 个要跑两三个小时。原理决定了它快不起来：每一屏都要截图发给大模型“看”，每一次判断都是一次模型调用。可它实际干的是滑屏、找按钮、点返回、翻页——这些动作根本不需要智能，却在每一秒烧钱。我为“让 AI 用眼睛数砖头”，付了巨额溢价。算过一笔账：一个账号、一天投满 150 个，API 加整个链路的打包花费，大约10 块钱。

第二，它会走神，越跑越走神，而且这税你躲不掉。刚启动时它非常守规矩，每个岗位都严格过筛选。跑到第几百个，开始漏投该投的、错投该跳的——管理岗黑名单里明明写着“负责人不投”，它投了。我把规则写到“像代码一样死”，有效率到顶也就70%-80%——剩下那两成，是再好的大模型也消灭不掉的幻觉。

原因是结构性的：大模型每做一次判断，都要把之前的全部历史重新读一遍。任务越长，历史越臃肿，最早写死的规则被“稀释”得越厉害——老师要求 600 字作文，学生前 200 字工工整整，后面开始鬼画符，不是态度问题，是注意力真不够了。让大模型长时间执行机械流程，从设计上就是错的。不是提示词写得不好，是这条路走到头了。

第三，它没有账本。投了多少、哪个方向回得多、哪个时段投效率高、哪版简历效果好——云手机都答不上来。所有复盘只能靠人工翻聊天记录，凭感觉。而“凭感觉”，恰恰是我在 5000 份投递里才学会要戒掉的东西。

第四，我以为我在找岗位，其实我在算法的池子里捞鱼。招聘软件的推荐流是个黑盒：它决定我能看到什么。同一天上午下午刷出来的都不一样，会重复推荐，会夹带八竿子打不着的岗位。我的 150 个名额，实际是在“算法愿意给我看的池子”里打转。筛选器做得再精，池子是别人给的，就永远触不到池子外面的机会。

我还试过另一条路，算是“外置”的变体：另一个电脑操控型 AI，我用的是codex，然后连我的手机或云手机，靠截屏点击来投。结果更糟——

它每次都先截屏、再调一次模型、再操作，慢到没法用；

这种助手不支持长任务：让它整理文件、做一件事，它能干；但让它连着几小时不停投递，它干不了——做完一步就默认“完事了”，跟传统对话式 AI 一样，问一句答一句，没法在后台连续干几个小时；每操作几步上下文就要压缩，很快记不住前面的规则，幻觉被放大。我用的是顶级模型，照样大量幻觉、照样偷懒：让它筛某个方向，它翻几个岗位就“得出结论”退场了，明显不符合要求。

codex手机控制

结论很直接：外置这条路，无论云手机还是电脑操控 Agent，核心毛病都一样——把“眼睛”和“手脚”都交给大模型，注定慢、贵、走神。

七、原理层：为什么唯一的路是“穷举”

故事到这儿，几个方向、上万条数据摆在一起，我想说清楚背后那层东西。这是整个系列最想讲的。

原理一：我们处在一个经济下行的存量博弈期，“看运气式”的找工作已经失效。

什么叫“看运气式”？就是看到机会投一份、等运气。它背后其实有个隐含假设：我个人的样本量是够的。过去岗位多、竞争少，投几份总能中一次，运气值钱。现在呢？三百比一、两千比一，个人的“几份”“几十份”根本不构成统计意义。在个人样本量极其有限的今天，传统方式已经不叫选择，叫碰运气。

原理二：但理论上，永远存在一个属于你的“蓝海”岗位。

哪怕市场再冷，一定存在这样一份工作：它的人才要求，和你的经历严丝合缝——人家恰好就缺一个你这样的人。它不一定热门，甚至不一定在推荐流里，但它存在。问题只剩一个：怎么让它出现在你面前。

传统方式靠运气碰。而我们能做的，是把数量提上去——样本量足够大，那个严丝合缝的岗位就一定会被扫到、被投到。“找到合适的”，就从偶然事件，变成了高概率甚至必然的事件。我们要做的，就是把偶然变成必然。

原理三：“不合适”常常只是理由，匹配本身就是个随机项。

我们总以为“匹配”是一个客观判断：学历对口、经历对口就合适，不对口就不合适。这其实是幸存者偏差。

说句不好听的，世界是个草台班子。很多职位上坐着的人，其实没那么“匹配”——公司里大概率有比你更不匹配的人，人家照样坐上去，甚至坐到领导。而反过来，你遇到的“不合适”，很多也是随口一说。

我亲身经历过两个极端：一家大型公司的数据分析岗，HR 主动找上我，说我很合适，可我其实连 Excel 都不太会用。而另一些岗位，我每条硬条件都满足，HR 一句“不合适”就把我打发了。同一个“我”，在不同 HR 眼里，可以既不合适、又非常合适。所以“匹配”不是一个精确判断，它本来就带着很强的随机性。别被一句“不合适”劝退，也别被一句“很合适”冲昏头——匹配是概率，不是判决。

原理四：我们正处在“算法流”驱动的信息环境里——大部分人说的，都不构成统计样本。

现在找工作这件事，很多时候根本不是“你去找”，而是算法在推荐。我们对行业好坏的判断，也已经不是亲身经历——很多人就是刷小红书、抖音上的一两条帖子，或者听某个同学说了一嘴，就断定某类岗位好不好。

如果那些帖子是亲身经历的人写的，还有参考价值。但问题在于：小红书、抖音上很多讲岗位的人，本身就是营销号，甚至是人力资源公司——他们说的话，主观意愿先不聊，从统计意义上就不具代表性。你处在一个算法流驱动的信息场里，你接到的信息本身就带着强烈的随机性和偏差。

在过去、机会多、工作好找的时候，这点偏差无所谓；但现在机会稀少，偏差会造成灾难性的误判：你以为很卷的岗位，其实没那么卷；你以为竞争不激烈的岗位，其实卷到飞起。绝大部分人说的其实都是错的——不是他们故意说错，而是他们本身就构不成有代表性的样本。行情好坏，只能拿自己的投递数据说话，不能拿别人的嘴巴说话。

所以，原理层收拢成一句话：

现在经济下行、就业难、HR 不看简历——靠学历和传统简历去碾压别人已经不现实，靠“看啥投啥”的运气更是死路。但“完美匹配的岗位”永远存在。对我们个人来说，唯一可行且最优的做法，就是通过分析与行动，找到那个被低估的、避开那个被高估的——用工具做全面、穷举式的扫描，把每一个岗位都摆到自己面前，用数量把偶然压成必然。

八、数学层：这是一道能算的题

原理层解决“为什么”，数学层解决“值不值”和“做不做得到”。

第一部分：这是概率题。

把每次投递看成一次独立实验，成功率 p，投 n 次，至少成功一次的概率是：

P = 1 − (1−p)ⁿ

哪怕 p 只有 0.1%，投 3000 次，成功率也有 95%。量到位，结果必然发生——这是海投全部的数学底气，也解释了为什么“不要海投”的说法在今天反而害人。

但实测给了我一个修正：p 不是常数，它分层。同样一批岗位混在一起，里面既有极合适的，也有完全不符的。均匀地投，等于拿一个平庸的“平均 p”去赌。正确做法是：

先把一个方向的所有在招岗位穷举扫描下来

→ 规则引擎打分分层

极合适  ~5%   p≈5-10%   → 黄金时段优先投

合适    ~20%  p≈1-2%    → 海投主力

勉强    ~30%  p≈0.2%    → 名额有富余再说

明显不符 ~45%  p≈0       → 一个名额都不浪费

+期望值一算：只投前两层，同样的名额，期望回复能高一个数量级。穷举不是为了多投，是为了分层——为了把有限的 150 个名额，全部砸在 p 最高的地方。

第二部分：这件事，个人真的做得到。

这里有个关键前提要讲清楚：同一个时间、同一个城市，所有在招岗位构成的池子是有限的，而且这个数据量，完全在个人可处理的范围之内。它不是什么需要数据中心、需要专业数据分析团队才能碰的巨型数据——每个普通人，用最普通的工具，都能以很小的成本把它扫完。

换句话说，一个普通求职者做到位的话，可以比大多数专业猎头做得更全面——猎头服务特定客户、只盯特定池子；而你可以把一个城市某个方向的所有岗位尽收眼底。这不是“理论上遥不可及”的事，它就是一台电脑、一点代码、几天时间就能做完的事。

而穷举之所以必要，数学上是必然的：搜索结果是可以一页页翻到头的确定性列表；推荐流是黑盒——会重复、会遗漏、会夹私货。想不错过任何机会，唯一的办法就是把全量池子拉到面前，自己当自己的“算法”。

九、工具层：AI 到底该怎么用

三层原理里还差一层，叫“工具层”——AI 到底以什么姿势干活。

这几个月我摸清了：AI 操控现实世界，其实只有两种姿势。

外置视觉式——我用的云手机就是这种：截屏、识图、猜坐标、点击，像人一样“看”世界。优点是万能，什么软件都能碰；缺点是慢、贵、有幻觉、越跑越走神（前面说过了）。

内置接口式——不看屏幕，直接读软件的底层数据，用代码精确操作。快、准、免费、零幻觉。代价是需要做开发适配。

研究时我发现了一个多数人忽略的事实：对安卓应用来说，“接口”不是厂商的恩赐，是操作系统的原生能力。一个原生开发的 APP，屏幕上每个按钮、每行文字，对外部代码天然可见，厂商想挡都挡不住。所谓“平台没开放接口”，多数时候是个伪命题。

风控也顺带说清楚：很多人怕自动化被封号。但风控看的是设备环境、操作节奏、频率规律——代码发出的触摸事件和真人触摸在系统层面是同一种东西。真人一小时连投 150 个也不会被封，机器用同样节奏凭什么被针对？真正暴露你的，从来不是“你是不是机器”，而是“你的行为像不像失控的机器”。

十、下一步：让代码干活，让 AI 思考

原理想明白，数学算清楚，工具摸透了——剩下的就是执行。

所以下一步，我准备自己写程序，把投递系统从“云手机+视觉 AI”迁移到“本地程序 + 真机/模拟器”：

用代码直接读 APP 的控件数据，岗位的标题、薪资、公司规模直接拿到结构化文本——不再截屏给大模型看；

用那套迭代了十几个版本的 YAML 规则，在本地先筛掉八到九成明显不符的岗位——零成本、毫秒级；

只有规则拿不准的岗位，才把 JD 纯文本递给大模型做最终裁决——AI 从“每一步都要问”，变成“只处理疑难杂症”；

每一次投递自动记账：时间、方向、规模、结果，全部落库。复盘不再翻聊天记录，靠数据。

这套东西现在还在纸面上。下一话，就是把它跑起来的过程和第一批实测数据——新系统在真实市场里的回复率、风控的反应，以及那个最核心的问题：

在当前这个市场里，这套“代码 + AI”的求职系统，到底能榨出多少机会。

如果你也在找工作，或者也在做 AI 落地——欢迎看下一话。

我们到时候见。