雇主能看出你的简历是用 ChatGPT 写的吗？
作者 Aaron Cao · 更新于
不能。没有可靠的办法证明一份简历出自 ChatGPT。AI 文本检测器输出的是概率而不是证据，而简历之所以会触发它们，正是因为这种格式本身就高度程式化。雇主真正能核查的，是你的说法在对话中站不站得住。
AI 检测器能证明你用了 ChatGPT 吗？
你用 ChatGPT 重写了简历要点，把文件发了出去，现在开始担心对面是不是把它标记了。这一节讲的是：当一份简历送进 AI 文本检测器，它到底产出什么。简短的答案是：一个概率分数，而不是证据。
检测器的工作方式是统计式的。它衡量用词有多可预测、句子节奏的起伏有多大，然后把这些换算成「由模型写成」的可能性。输出是对文字的一种猜测，而不是对「谁敲下这些字」的记录。文件本身不携带任何生成痕迹，所以哪怕招聘团队想查，也没有可查的东西。
而简历几乎是这种方法最糟糕的输入。它篇幅短、以要点罗列为主、关键词密集，并且遵循一套比 ChatGPT 早几十年的模板。排比结构、有力的动作动词、紧凑的量化表述，这些是简历写作建议多年来一直推荐的写法，也恰恰是语言模型会产出的东西。检测器标记人写的简历，和标记生成简历，出于同一个原因。OpenAI 在 2023 年因实际准确率过低而下线了自家的 AI 文本分类器，这件事很能说明任何单一分数值得给多少分量。
关于检测类说法整体上站不站得住，更宽的讨论收在 /answers/topic/detectability。
雇主实际会核查什么？
简历经过的流程，前半段是机器的，后半段是人的。解析器抽取文本，排序环节把它与职位描述做匹配，招聘人员再读下来还留在桌面上的那些。这些环节没有一个在问「是谁敲的字」。它们问的是内容与岗位是否匹配、细节是否前后一致。
设想一位后端工程师应聘一家支付公司的高级岗位。她的简历写着自己把结算服务的 p99 延迟砍掉了三分之一。没人会把这一行送进检测器。招聘人员会在电话初筛里追问，而她的回答要么讲得出形状，瓶颈在哪、改了什么、怎么测的，要么讲不出。这场对话才是整个流程里唯一可靠的检测器。
所以「谁写的」这个问题主要是求职者的焦虑，「前后一致吗」才是实务上的问题。对不上的日期、在两次投递之间悄悄变大的头衔、谁也复原不出来的指标：这些是人会注意到的，也是真正让你丢掉面试机会的失误。简历相关的其余材料收在 /answers/topic/resume。
用 AI 写的简历真正会出问题的地方在哪？
用模型起草确实会带来损害，但落点不在检测上。三种失败模式占了其中大部分。
- 表述千篇一律。模型是朝着它见过的一切的平均值去写的，于是你的要点读起来和其他每个申请人的要点一样。这是排序问题，不是检测问题，而且它是最常见的一个。
- 你辩护不了的说法。如果模型夸大了你的职责范围，或者为了凑一行编了个数字，而你把它留下了，电话初筛就会把它揭出来。风险从来不在简历，而在追问。
- 和职位描述脱节。没读过职位描述的模型，写的是这个岗位的通用版本，而排序环节是拿一个具体版本在跟你比对。
这三者的解法是同一个。凡是你日后要开口讨论的内容，数字用你自己的，职责范围用你自己的，措辞也用你自己的。
怎样用 AI 写简历，同时仍然是你自己的东西
用模型起草没问题。把它的输出看都不看就发出去才有问题。一遍简短的核验就够了：
- 逐个核对每一个数字，确保你能指出它的出处。凡是找不到出处的，换成对那项工作的平实描述。
- 把简历念出声。任何一句你没法用自己的语气说出来的话，就用自己的语气重写。
- 重写那些换谁都能用的要点。具体的系统、约束和结果，才是把你和训练数据的平均值区分开的东西。
- 在改过排版之后确认文件仍能被干净地解析，因为破坏文本抽取的往往是版式改动，而不是措辞改动。
SubcueAI 创始人 Aaron Cao 正是围绕这样的分工来设计简历工具的。免费生成器导出带文本层的 PDF，好让解析器读得懂；实时助手会读取你上传的简历，以便在面试中引用你真实的背景。这两步都不试图掩饰文档是怎么起草的，因为那并不是值得花力气去防的风险。生成器在 /resume-builder。