雇主看得出你的履歷是用 ChatGPT 寫的嗎？
作者 Aaron Cao · 更新於
看不出來。沒有可靠的方法能證明一份履歷出自 ChatGPT。AI 文字偵測器輸出的是機率而不是證據，而履歷之所以會觸發它們，正是因為這種格式本身就高度制式。雇主真正能查核的，是你的說法在對話中站不站得住。
AI 偵測器能證明你用了 ChatGPT 嗎？
你用 ChatGPT 重寫了履歷重點，把檔案寄了出去，現在開始擔心對面是不是把它標記了。這一節談的是：當一份履歷送進 AI 文字偵測器，它究竟產出什麼。簡短的答案是：一個機率分數，而不是證據。
偵測器的運作方式是統計式的。它衡量用字有多可預測、句子節奏起伏有多大，再把這些換算成「由模型寫成」的可能性。輸出是對文字的一種猜測，而不是對「誰敲下這些字」的紀錄。檔案本身不帶任何生成痕跡，所以就算招募團隊想查，也沒有可查的東西。
而履歷幾乎是這種方法最糟的輸入。它篇幅短、以條列重點為主、關鍵字密集，並且遵循一套比 ChatGPT 早了數十年的範本。排比結構、有力的動作動詞、緊湊的量化表述，這些是履歷寫作建議多年來一直推薦的寫法，也正是語言模型會產出的東西。偵測器標記人寫的履歷，和標記生成履歷，出於同一個原因。OpenAI 在 2023 年因實際準確率過低而下架了自家的 AI 文字分類器，這件事很能說明任何單一分數值得給多少分量。
關於偵測類說法整體上站不站得住，更廣的討論收在 /answers/topic/detectability。
雇主實際上會查核什麼？
履歷走過的流程，前半段是機器的，後半段是人的。解析器抽取文字，排序環節把它與職缺描述比對，招募人員再讀還留在桌上的那些。這些環節沒有一個在問「是誰敲的字」。它們問的是內容與職位是否相符、細節是否前後一致。
設想一位後端工程師應徵一家支付公司的資深職位。她的履歷寫著自己把結算服務的 p99 延遲砍掉了三分之一。沒有人會把這一行送進偵測器。招募人員會在電話初篩追問，而她的回答要麼講得出形狀，瓶頸在哪、改了什麼、怎麼量的，要麼講不出來。那場對話才是整個流程裡唯一可靠的偵測器。
所以「誰寫的」主要是求職者的焦慮，「前後一不一致」才是實務上的問題。對不上的日期、在兩次投遞之間悄悄變大的職稱、誰也還原不出來的指標：這些是人會注意到的，也是真正讓你丟掉面試機會的失誤。履歷相關的其餘材料收在 /answers/topic/resume。
用 AI 寫的履歷真正出問題的地方在哪？
用模型起草確實會帶來損害，但落點不在偵測上。三種失敗模式占了其中大部分。
- 用語千篇一律。模型是朝著它看過的一切的平均值去寫的，於是你的重點讀起來和其他每個應徵者的重點一樣。這是排序問題，不是偵測問題，而且它是最常見的一個。
- 你辯護不了的說法。如果模型誇大了你的職責範圍，或為了湊一行編了個數字，而你把它留著，電話初篩就會把它揭出來。風險從來不在履歷，而在後續追問。
- 與職缺描述脫節。沒讀過職缺描述的模型，寫的是這個職位的通用版本，而排序環節是拿一個具體版本在跟你比對。
這三者的解法是同一個。凡是你日後要開口討論的內容，數字用你自己的，職責範圍用你自己的，措辭也用你自己的。
怎樣用 AI 寫履歷，同時仍然是你自己的東西
用模型起草沒問題。把它的輸出看都不看就寄出去才有問題。一遍簡短的查核就夠了：
- 逐一核對每個數字，確保你指得出它的出處。凡是找不到出處的，換成對那項工作的平實描述。
- 把履歷唸出聲。任何一句你沒辦法用自己的語氣說出來的話，就用自己的語氣重寫。
- 重寫那些換誰都能用的重點。具體的系統、限制與結果，才是把你和訓練資料的平均值區分開來的東西。
- 改過排版之後確認檔案仍能被乾淨地解析，因為破壞文字抽取的往往是版面改動，而不是遣詞改動。
SubcueAI 創辦人 Aaron Cao 正是圍繞這樣的分工設計履歷工具的。免費產生器匯出帶文字層的 PDF，好讓解析器讀得懂；即時助手會讀取你上傳的履歷，以便在面試中引用你真實的背景。這兩步都不試圖掩飾文件是怎麼起草的，因為那並不是值得花力氣去防的風險。產生器在 /resume-builder。