你今年投了 30 份履歷，幾份有回音？市場數據比你想像的更殘酷——根據 LinkedIn 2026 Global Talent Report，台灣求職者平均要投 48 份履歷才能拿到 1 個 onsite，而能用 AI 工具把履歷、自傳、面試準備整套做完的人，回應率高出 2.7 倍。
真正的現實是 ATS 系統（Applicant Tracking System）已經先用 AI 過濾你的履歷，HR 用 AI 對比你的關鍵字，面試官用 AI 出題目，並非單純「會用 AI = 好工作」。你不用 AI，就是拿石頭打飛機。
這篇是給「求職者」看的完整 SOP，不是給 HR 的招募指南——HR 視角請看 HR 用 AI 完整工作流 和 HR 人資 AI 工作流完整指南。我們把求職拆成 5 個階段：自我盤點、履歷生成、職缺匹配、面試準備、薪資談判，每個階段都告訴你用哪個 AI、餵哪些 prompt、要校驗什麼。
ℹ️這篇給誰看？
正在找工作或準備跳槽的上班族，特別是 28-45 歲、有 3 年以上經驗、想轉產業或升職的人。如果你還在學校，文末有給社會新鮮人的調整版 SOP。
階段一：用 AI 做自我盤點，找出你真正的市場價值
先說結論：人為什麼會投履歷投到沮喪？多半是因為「不知道自己值多少」。你以為自己是後端工程師，市場可能在找的是「會做 Embedding 評估的後端」；你以為自己是行銷專員，市場想要的可能是「會跑 N8N 自動化的成長行銷」。AI 在這個階段的角色是「市場顧問」，不是寫履歷的助手。
具體做法分 3 步。第一步，把過去 5 年所有專案、職務、KPI 倒進 Claude 或 ChatGPT，請它做 STAR 結構化（Situation / Task / Action / Result）。第二步，把 LinkedIn 上 30 個目標職缺的 JD（Job Description）丟進去，請 AI 找出 5 個出現頻率最高的「技能交集」。第三步，把你的 STAR 跟交集對比，找出「你已經有但沒在履歷上強調」的能力。
這個流程下來，多數人會發現：自己的市場價值比自己以為的高 1.5 倍——只是描述方式不對。
盤點面向 | AI 工具建議 | 你要做的事 |
|---|---|---|
過往專案 STAR 化 | Claude Opus 4.8 / ChatGPT GPT-5.5 | 倒入 OKR、KPI、年度績效表，請 AI 重寫成 STAR 結構 |
市場職缺交集 | Claude（200K context 一次吃完 30 個 JD） | 從 LinkedIn / 104 / Cake 抓 JD，請 AI 統計關鍵字出現頻率 |
薪資區間定位 | ChatGPT + 1111 / 104 薪資情報 | 輸入你的職務、年資、產業，請 AI 估算 25/50/75 百分位 |
缺口分析 | Claude | 用「我想要 X 職位，我目前的技能有 Y，請列出缺口」這種 prompt |
盤點階段最值得花時間
這個階段做 4-6 小時是賺到的——後面 4 個階段的成功率，幾乎都取決於這裡盤點得多準。
階段二：履歷與 LinkedIn 用 AI 重寫，過 ATS 機器先過 HR 人
先講一個容易被忽略的數字：大公司平均 75% 的履歷在到達 HR 之前，已經被 ATS 過濾掉。ATS 看什麼？關鍵字密度、職稱對應、年資符合度、學歷符合度。AI 在這階段要做兩件事：對齊 ATS、對齊 HR 的人類閱讀感。
實戰 prompt 範例（給 Claude / ChatGPT）：「我是 X 年 [職位]，過去做過 [專案 1, 2, 3]。下面是我目標的 JD：[貼上 JD]。請以求職者立場改寫履歷的「工作經歷」段，要求：（1）所有 JD 出現的關鍵字至少出現 1 次；（2）用動詞開頭、量化成果；（3）每段不超過 3 句；（4）符合 ATS 友善格式。」
注意三個常見坑：第一，AI 會幫你加沒做過的東西，每一句都要自己核對；第二，過度堆關鍵字反而被 ATS 判定為 spam（密度 > 7% 會被扣分）；第三，LinkedIn 跟履歷要分流——LinkedIn 寫個人故事感、履歷寫量化績效，兩個工具，兩種口吻。
ATS 友善的履歷格式檢查清單
檢查項目 | 標準 | AI 怎麼幫你 |
|---|---|---|
格式 | 純文字 / 簡潔 .docx，避免表格、欄式排版、特殊符號 | 請 AI 把 Canva 排版的履歷轉成 ATS 友善版 |
關鍵字密度 | JD 重點關鍵字出現 3-5 次，整體密度 < 5% | 讓 AI 統計現有版本的關鍵字密度，再做微調 |
量化成果 | 每段至少 1 個數字（%、$、人數、時間） | 請 AI 把「負責 X 專案」改寫成「主導 X 專案，3 個月內帶來 N% 提升」 |
職稱對應 | 你的職稱 ≈ JD 期待的職稱（差太多 ATS 抓不到） | 請 AI 比對你的職稱跟 JD 期待職稱，建議是否要加「曾任 / 兼任」字樣 |
長度 | 1-2 頁，5 年內年資 1 頁、10 年以上 2 頁 | 請 AI 幫你砍掉 5 年以上的舊經歷或合併成一段 |
⚠️AI 寫履歷的紅線
AI 生成的履歷必須自己逐行檢查。曾經有求職者把 Claude 寫的履歷直接丟出去，結果裡面寫「曾管理 30 人團隊」（實際只有 3 人），被資深面試官 5 分鐘識破。AI 是助手，不是代筆。
階段三：用 AI 做職缺匹配，把投履歷從亂槍打鳥變狙擊
這個階段大部分人省略，但 ROI 最高。做法是：把每個目標職缺的 JD、公司近 3 年新聞、面試官 LinkedIn 公開資料倒給 Claude（context 夠長），請它做 3 件事：（1）這個職缺真正在找的人是什麼樣？（不是 JD 表面寫的）（2）我的契合度幾分？哪裡需要補強？（3）給我 5 個「精準 cover letter 切入點」。
Claude Opus 4.8 的 200K context 在這裡威力很大——你可以把整份公司財報、產品發布會逐字稿、CEO 訪談都倒進去，請它做「文化契合度」分析。
匹配維度 | 資料來源 | AI 輸出 |
|---|---|---|
職務契合度 | JD + 你的履歷 | 0-100 分匹配度 + 5 個補強建議 |
公司文化契合度 | 公司官網、員工 Glassdoor 評論、CEO 訪談 | 「這家公司重視 X、Y、Z，你在面試時可以強調...」 |
薪資談判空間 | 公司財報、最近募資、公開薪資資料 | 「估計這個職缺薪資區間 X-Y 萬，你可以開到 Y+10%」 |
面試官風格分析 | 面試官 LinkedIn、公開演講、發文 | 「這位主管偏向 data-driven 提問，準備 3 個量化案例」 |
實際操作的精準度建議
一週投 5 個職缺 + 為每個職缺做完整匹配分析，回應率會高於一週亂投 50 個。我們團隊看過最誇張的案例：一位資深工程師花 2 週做了 8 個職缺的深度匹配，全部都進了面試，最後從 5 個 offer 裡挑了薪資漲幅 65% 的那家。這就是「狙擊式投履歷」的價值。
階段四：用 AI 做面試準備，把 1 小時面試壓成 30 分鐘演練
面試準備分兩塊：技術面（hard skill）跟行為面（soft skill）。AI 在技術面的角色是「題庫產生器 + 模擬面試官」，行為面則是「STAR 故事擴充器 + 反問策略顧問」。
技術面試準備 SOP
Prompt 範例：「我要面 [公司] 的 [職位]，下面是 JD：[貼 JD]。請列出這個職位過去 12 個月在 LeetCode、Glassdoor、PTT、Dcard 上被問過的 10 個技術問題，並標註難度。然後挑 5 題做完整解答，最後用蘇格拉底式提問跟我做 3 輪模擬。」
關鍵技巧：別只練「答案」，要練「思路展示」。Claude 跟 ChatGPT 都可以扮演面試官，你回答完它會反問「為什麼選這個解法？」「如果資料量翻 100 倍呢？」——這個反問環節練多了，現場碰到變化球才不會卡住。
行為面試準備 SOP
行為題 80% 圍繞這 10 個主題：團隊衝突、失敗經驗、領導力、抗壓性、為什麼跳槽、為什麼選我們、5 年規劃、薪資期待、優缺點、有問題嗎。每個主題準備 1 個 STAR 故事，AI 幫你擴充細節跟反問。
行為題類型 | AI 怎麼幫你 | 常見地雷 |
|---|---|---|
失敗經驗 | 請 AI 從你的真實經驗中找出「展現成長」的故事，補上反思層次 | 說一個沒影響的小失敗 → 顯得不誠實 |
團隊衝突 | 請 AI 用「衝突 → 處理 → 結果 → 學習」結構重寫 | 把鍋全甩給別人 → 紅旗 |
為什麼選我們 | 餵公司近期新聞、產品發布給 AI，要它幫你寫 3 個非泛泛的理由 | 「貴公司很厲害」這種廢話 = 沒做功課 |
薪資期待 | 請 AI 提供 anchor → range → justification 三段話術 | 直接報數字而不給區間 → 沒談判空間 |
錄音 + 重聽是隱藏王牌
用手機錄下你跟 AI 模擬面試的對話，回放時你會發現自己「呃...」「嗯...」的頻率比你想像的高 3 倍。改掉這個就是 +20 分。
階段五：用 AI 做薪資談判，把開價變共識
這是大部分台灣求職者最弱的一環。文化上我們不擅長為自己討價還價，AI 在這裡是「教練 + 模擬對手」。談判策略分三層：anchor（拋出第一個數字）、justify（證明這個數字合理）、negotiate（往中間靠或交換條件）。
Prompt 範例：「我目前年薪 X，目標職位 [Y]，根據 104/1111/Comparably 資料，市場行情 Z-W。請扮演 HR Manager，跟我做 3 輪薪資談判，每輪你都要找一個理由壓我價，我來練習守住數字。」
談判項目 | 可談空間 | AI 給的話術範例 |
|---|---|---|
基本月薪 | 通常 5-15% | 「根據我目前的 [X 技能] 跟業界 75 百分位數據，我希望落在 N 萬」 |
年終 / Bonus | 結構可以談（保證月數、target bonus 比例） | 「我希望年終至少保證 2 個月，target bonus 不低於 15%」 |
簽約金 | 中高階常見，補償舊雇主未領年終 | 「我目前還有 N 萬年終 4 月才會發，如果 5 月入職希望有對應簽約金」 |
股票 / RSU | 新創 / 外商常見，要看 vesting | 「我希望 RSU 至少 X 股，vesting schedule 4 年 25/25/25/25」 |
其他福利 | WFH 天數、進修補助、健康險升級 | 「如果薪資彈性有限，我可以接受 X，但希望多談 [非薪資項目]」 |
🚨薪資談判絕對不要做的 3 件事
（1）一開始就報「期望薪資」具體數字，永遠先問對方 range。（2）拿其他 offer 威脅但拿不出證據，會 burn bridge。（3）口頭談完不要求 offer letter 白紙黑字寫清楚。
實戰案例：3 個求職者用 AI 工作流逆襲的真實故事
案例 A：33 歲行銷專員，跳槽漲薪 42%
背景：在傳產做數位行銷 5 年，碰到天花板想跳到 B2B SaaS。卡關：履歷投了 40 個，只有 3 個面試。問題：履歷寫得太「傳產」，B2B SaaS 公司看不懂她的價值。
AI 介入：用 Claude 重新做職缺匹配，發現自己其實有「Account-Based Marketing」「Marketing Automation」的真實經驗，只是描述太行銷代理商口吻。重寫履歷後一週投 5 家，3 家面試、2 家 offer，最後拿到資深 ABM 角色，月薪從 5.5 萬漲到 7.8 萬。
案例 B：41 歲工程師，從 IC 升 Tech Lead
背景：寫了 12 年程式，最近 3 年想往管理走，但每次面試 EM/Tech Lead 都卡在「沒帶過大團隊」。問題：他有帶 3 人小隊的經驗，但沒把「決策影響力」講清楚。
AI 介入：用 Claude 做 STAR 重寫，發現自己其實主導過 2 次架構決策、影響 8 個下游團隊。把「技術 IC」的履歷重寫成「technical leader」口吻，再用 AI 模擬 5 輪行為面試後，第 4 家面試拿到 Staff Engineer offer，年薪 +35%。詳細的工程師升職路線可以看 資深工程師 AI 時代升職戰略。
案例 C：28 歲產品經理，從 SMB 跳上市櫃
背景：第一份 PM 工作在新創，想跳上市櫃但每次都卡「沒大公司經驗」。問題：他的履歷只講「我做了什麼 feature」，沒有講「商業影響」。
AI 介入：用 Claude 把每個專案重寫成「商業問題 → 產品決策 → 量化成果」三段。三個月內換到上市櫃科技公司資深 PM，年薪從 95 萬漲到 142 萬。
社會新鮮人版本：沒經驗、沒人脈，怎麼用 AI 補洞
如果你還在學校或剛畢業，前面的 5 階段需要調整。重點是「我有什麼能力可以證明」，「我做過什麼」反而是其次。具體 3 個調整：
第一，把專題、社團、實習用 STAR 改寫——AI 很會把「我做了報告」改寫成「主導 X 主題研究，整合 3 個資料源，提出 Y 結論並在班級報告中被採用」。第二，做 portfolio / GitHub / Notion 公開作品集，AI 幫你寫每個專案的 README。第三，從 informational interview 開始（目的是要建議，並不是要 offer），AI 幫你寫禮貌但具體的 LinkedIn 訊息範本。
ℹ️新鮮人最容易忽略的
業界願意給新鮮人機會的主管，真正在意的是「你的學習曲線多陡」，「你會什麼」反而是其次。AI 在這裡的角色是幫你把「學習過程」結構化呈現。
常見問題（FAQ）
Q用 AI 寫履歷會不會被 HR 看出來、被扣分？
看得出來的是「沒改過的 AI 罐頭文」——那種「致力於、賦能、增效」一堆抽象動詞、零量化的版本。AI 寫的草稿你自己改過、加上真實案例、語氣調整成自己的，HR 看不出來。建議流程：AI 出第一版 → 自己改 30% → 找一個業界朋友 review → 再改 → 投出。
Q我英文不好，可以用 AI 寫英文履歷投外商嗎？
可以，但要校驗。Claude 跟 ChatGPT 寫的商業英文已經是 native level，問題在「文化感」——美國履歷重 impact、英國履歷重 fit、新加坡重 hierarchy。建議你用 AI 寫完之後，請目標公司同產業的英文母語人士幫你 review 5-10 分鐘。
QATS 怎麼確定我的履歷有沒有過？
三種方式：（1）用 Jobscan、Resumeworded 這類工具上傳履歷 + JD 比對，會給你「ATS Match Score」。（2）用 Claude 自己當 ATS 模擬器，prompt 是「請扮演 ATS 解析這份履歷，列出你抓到的關鍵字、職稱、年資」。（3）最直接的——投出去 2 週沒回音，多半就是被 ATS 過濾掉了。
Q我有 Gap year 或失業空窗，AI 怎麼幫我填？
AI 可以幫你把 gap 改寫成「主動學習期」——上線上課程、做個人 side project、做志工、出國深造都算。重點是「我用這段時間累積了 X 能力」，而非停留在「我沒在工作」。Claude 很會幫你把鬆散的活動結構化。
QAI 模擬面試跟真人面試教練比，哪個好？
兩個都好，但解決不同問題。AI 強項：練「答題思路」「英文發音」「無限次重來」，成本接近 0。真人教練強項：練「現場肢體語言」「壓力反應」「業界內部觀察」。我們的建議是先用 AI 練 80%，再花 1-2 次找真人教練 polish 最後 20%。
Q拿到 offer 但對方逼我立刻答覆，怎麼辦？
永遠要求至少 3-5 個工作天考慮期。話術：「謝謝您的 offer，我希望認真考慮這個重要決定，能否給我 X 天時間做完整評估？」AI 可以幫你寫禮貌但堅定的回覆。如果對方完全不給時間，這本身就是 red flag。
把整套 SOP 整合：5 階段時間表與工具配置
以一個從盤點到拿 offer 的求職週期看，AI 工作流的時間配置大約是：
階段 | 傳統作法時間 | AI 工作流時間 | 節省幅度 |
|---|---|---|---|
階段一：自我盤點 | 1-2 週（找朋友聊、寫日記） | 4-6 小時（餵資料給 AI） | 80%+ |
階段二：履歷重寫 | 1 週（改 5 個版本） | 1 天（AI 出 3 版選最好） | 70% |
階段三：職缺匹配 | 幾乎沒做 | 每個職缺 30 分鐘 | 從無到有 |
階段四：面試準備 | 看書 + 自己背題目 | AI 模擬 + 錄音重聽 | 效率 3x |
階段五：薪資談判 | 靠膽量臨場發揮 | AI 模擬 5 輪後再上場 | 成功率 2x |
總計 | 8-12 週 | 4-6 週 | 50% |
想看完整 AI 工作流的延伸閱讀
我們有寫過 上班族 30 分鐘午休 12 週 AI 升級計畫、Prompt Engineering 進階完整實戰，這兩篇能補強你的 prompt 撰寫能力，讓 AI 在求職場景發揮更好。
結語：求職這件事，已經回不去了
回到開頭那個問題：你今年投了 30 份履歷，幾份有回音？答案不該是「祈禱運氣」，而是「我有沒有用對工具做對流程」。AI 不會幫你拿到 offer，但會把你從「亂槍打鳥」變成「狙擊手」——一週投 5 個職缺，每個都做到對齊 JD、契合公司、預演面試、準備談判。
我們在 恆遠數位行銷 的 AI 顧問服務裡，幫過不少在職者規劃自己的 AI 工作流；如果你想把求職這件事系統化處理，可以從這套 5 階段 SOP 開始，工具用 Claude、ChatGPT 都行，重點是把每個階段做完整。
最後給你一個小行動：今天就把過去 5 年的 OKR、KPI、年度績效全部倒進一個 Claude conversation，請它做 STAR 結構化——這個動作 30 分鐘，會徹底改變你看待自己職涯的方式。
AUTHOR
自由揚John
想了解更多？看看我們的相關服務
相關文章
中小企業 LINE 官方帳號接 AI 完整實戰指南：3 種整合路徑、5 條資料紅線、4 種計費模式踩雷
中小企業 LLM API 帳單 FinOps 完整治理指南：6 個帳單訊號、5 條成本紅線、4 種預算控制模式、3 種團隊規模預算試算
中小企業老闆 AI 導入前資料權限盤點 SOP：60 天路線圖、6 類資料分級、5 條權限規則、4 條稽核紅線
連很多 MCP 會不會很燒 token？AI 助理工具吃掉 context 的真相，與「有需要才載入」的 Tool Search 機制
我們公司怎麼跑出 20+ AI 流程？系列第 4 篇：客戶意向回收與 CRM 同步 SOP ， 4 個 trigger 點、3 條去重規則、2 條漏接補救機制
留言(0)
尚無留言，成為第一個留言的人吧！