2026 — Singapore
AI 求职辅助工具
AI Job Search Assistant
让每一次求职沟通， 都为岗位量身定做。
ANALYSIS ↓
针对具体岗位，强调真正相关的经历与优势。
THE TRIGGER
这个产品，来自我自己的一次求职经历
使用招聘软件寻找工作时，我发现平台可以自动生成打招呼话术，但这些内容往往非常相似。
不同公司、不同岗位需要的能力并不相同。如果面对每一个岗位发送的都是同一段话，AI 只是帮助用户更快地复制，而没有真正帮助用户沟通。
“您好，我对贵公司的岗位很感兴趣，希望有机会进一步沟通。”
THE TRIGGERFaster is not always better.
Personalization should start with understanding the job.
真正的个性化，不是把名字替换掉，而是理解这个岗位需要什么、我为什么适合。
THE PROBLEM
求职者真正重复的，不是“写一句话”，而是重新判断匹配
对于认真寻找工作的用户来说，每看到一个感兴趣的岗位，都需要重新完成一次判断。
岗位信息是新的，自己的经历是固定但复杂的。用户需要不断重新完成“候选人 × 岗位”的匹配分析。
The repetitive task is not writing.
It is matching.
PRODUCT VISION
如果重新设计一次 AI 求职体验，会是什么样？
这是完整产品构想，并非当前已经全部实现的功能。
UPLOAD YOUR RESUME
AI 理解用户的经历、技能和项目
↓DEFINE JOB PREFERENCES
设置工作制度、地点、经验要求和岗位方向等偏好
↓DISCOVER OPPORTUNITIES
未来通过合规数据来源或招聘平台能力筛选岗位
↓ANALYZE A JD
用户输入具体岗位 JD
↓PERSONALIZED SUPPORT
生成匹配分析、沟通话术、简历建议与面试方向
MVP SCOPE
完整想法很大，但第一版只验证一个核心问题
如果 AI 同时看到候选人的信息和具体岗位 JD，它能否生成比通用模板更有针对性的求职建议？
我没有试图一次完成整个求职平台。第一版只把最核心的产品逻辑做成一个可以体验、讨论和继续迭代的 MVP。
Resume + Job Discovery + Preference Filter + JD Analysis + Application Support + Interview Support
CANDIDATE INFORMATION
+JOB DESCRIPTION
TAILORED OUTPUT
I did not build everything.
I built the smallest version that could make the idea tangible.
PRODUCT LOGIC
个性化输出，来自两个上下文的交叉理解
Experience
Skills
Projects
Strengths
Responsibilities
Requirements
Keywords
Preferred Experience
Match Analysis · Tailored Introduction · Resume Suggestions
AI 不应该只“润色”一段自我介绍。
它需要先理解用户有什么、岗位需要什么、两者在哪里重合，然后再决定应该强调什么。
CORE EXPERIENCE
从一个岗位 JD，生成一次针对性的求职准备
以下界面根据当前 MVP 功能进行脱敏重绘，不包含真实简历、公司或岗位信息。
分析候选人信息与岗位要求的匹配关系
根据具体岗位生成针对性的打招呼话术
指出简历针对该岗位可以调整的方向
AI OUTPUT DESIGN
我不希望 AI 只是生成“更好听的话”
一个好的求职助手不应该只负责润色，还应该帮助用户理解匹配在哪里、哪些要求没有充分证明、联系 HR 时值得强调什么，以及下一步应该做什么。
个性化必须忠于用户真实的经历。如果岗位要求某项能力，而用户信息中没有证据，AI 应该指出缺口，而不是替用户创造经历。
JOB SIGNALS
岗位真正强调什么
↓CANDIDATE EVIDENCE
简历中有什么真实证据
↓MATCH / GAP
哪些匹配，哪些尚未证明
↓TAILORED ADVICE
应该强调什么、下一步做什么
当用户经历中没有相关证据时，AI 应指出缺口，而不是创造经历。
Personalization without truth is just fabrication.
个性化的前提，是忠于用户真实的经历。
AI-ASSISTED BUILDING
我不是工程师，但我希望想法可以被真正体验
这个项目使用 TRAE 和 AI-assisted coding 完成 MVP。重点不是证明我能够独立完成复杂工程，而是让产品想法更快地从文档和原型变成可以点击、输入和体验的产品。
AI Coding 是实现工具，产品问题、功能范围、用户流程和持续修改的判断仍然来自人。
01定义产品问题
02设计功能范围
03规划用户流程
04设计 AI 输入与输出
05与 AI Coding 工具协作实现页面
06测试并持续修改产品
WHAT I WOULD VALIDATE
一个能运行的 MVP，还不是一个被验证的产品
当前项目是个人 MVP，还没有真实规模化用户数据，因此不展示未经验证的增长、留存、匹配准确率或商业收入。
下一步更重要的是判断输出是否真的更有帮助、用户是否信任这种产品，以及最小的持续价值闭环是什么。
OUTPUT QUALITY
针对 JD 生成的内容是否比通用模板更有帮助？
TRUST
用户是否愿意让 AI 分析自己的简历和求职信息？
ACTIONABILITY
生成的建议能否被用户直接使用？
REPEAT USAGE
用户会不会针对多个岗位重复使用？
WILLINGNESS TO PAY
用户愿意为哪些持续能力付费？
WHAT I LEARNED
AI 让我更快地做出产品，但没有替我决定什么产品值得做
这个项目让我第一次从自己的真实问题出发，完成一次从发现问题到可验证 MVP 的过程。
- 01发现真实问题
- 02规划完整产品
- 03收缩 MVP 范围
- 04借助 AI Coding 实现
AI-assisted coding shortened the distance between an idea and something testable.
AI Coding 的价值，是让我更快地把产品想法变成可以被体验和验证的东西。
Three projects.
Three ways of making AI useful.
三个项目，也是三种应用 AI 的方式。