關(guān)于寫簡(jiǎn)歷這事兒:純模型對(duì)話、單agent模式、(manus)三元協(xié)同agent模式有什么不同
最近看到很多找工作的伙伴在用AI寫簡(jiǎn)歷 injob Ai,突然期望能不能做一個(gè)AI來幫助用戶自動(dòng)寫簡(jiǎn)歷的東西。為此觀察了大家使用Ai的習(xí)慣,逐步探索出一條適合的多Agent協(xié)同的寫簡(jiǎn)歷的方案邏輯,簡(jiǎn)單說下三者有什么不同。
想必很多人第一次用 AI 寫簡(jiǎn)歷,都是打開一個(gè)對(duì)話框,輸入一句話:“幫我寫份××崗位的簡(jiǎn)歷 + 一對(duì)內(nèi)容”
- 結(jié)果呢?模型生成一堆看起來“得漂亮”,但往往內(nèi)容不夠?qū)I(yè)、不夠穩(wěn)定,內(nèi)容能用又不能用的尷尬情況。
- 為什么昵?這是因?yàn)樗€只是一個(gè)“更會(huì)說話的模型”,而不是一套有組織、有流程的簡(jiǎn)歷生產(chǎn)體系。
為此我們做的嘗試,是把寫簡(jiǎn)歷這件事,從“對(duì)話”提升到“工作化的流程上”。為此參考 Manus 的三元 Agent 架構(gòu)(規(guī)劃 → 執(zhí)行 → 驗(yàn)證),我們?cè)O(shè)計(jì)了三元協(xié)同寫簡(jiǎn)歷模式(對(duì)話 → 計(jì)劃 → 執(zhí)行)。
它不只是會(huì)寫,而是像一條專業(yè)的“簡(jiǎn)歷流水線”,讓結(jié)果更可控、更穩(wěn)定、更貼合崗位。
純模型對(duì)話和單Agent寫簡(jiǎn)歷有什么問題,三元結(jié)構(gòu)的多Agent有什么優(yōu)勢(shì)?
階段1:純模型對(duì)話(Pure LLM Chat)
就像和一個(gè)充滿智慧的人閑聊,但問題也最多:
- 穩(wěn)定性差:一次說得準(zhǔn),下次就跑偏,上下文一長(zhǎng),約束就被遺忘。被打岔,可用性低
- 易幻覺:無中生有,自行大面積擴(kuò)散,說的都對(duì),但是可用又不可用。
- 結(jié)構(gòu)不可控:自由發(fā)散,可能記憶混亂、要點(diǎn)缺失、不停的補(bǔ)充、上下內(nèi)容不一致、已丟失。
- 對(duì)用戶要求高:需要用戶自己懂崗位、懂關(guān)鍵詞、懂怎么喂提示詞。
結(jié)果:適合給你提供靈感草稿,不適合直接做事情,思考依賴人。效果如圖
階段2:?jiǎn)蜛gent(Single Agent Pipeline)
有了流程意識(shí),但還是“一人身兼數(shù)職”,agent匹配不堪:
有了改進(jìn):會(huì)按模板生成、會(huì)參考JD、會(huì)抽取關(guān)鍵詞、能做有限校對(duì)。
局限性也很明顯:
- 角色混淆:同一個(gè)Agent既采集需求又寫作又校驗(yàn),容易自我干擾、自相矛盾。
- 長(zhǎng)上下文漂移:流程越長(zhǎng)越容易忘前面定下的規(guī)則。
- 糾錯(cuò)成本高:一處錯(cuò)誤常導(dǎo)致“整份重來”,上下文太多混亂,不可局部重試。
- 可觀測(cè)性弱:哪一步出了問題不易定位,難以持續(xù)優(yōu)化。
結(jié)果:能產(chǎn)出“像模板”的簡(jiǎn)歷,但在復(fù)雜崗位/多段經(jīng)歷時(shí),質(zhì)量與穩(wěn)定性仍不夠。修改成本高
階段3:三元協(xié)同多Agent(Dialogue → Plan → Execute )
分工明確,流水線產(chǎn)出、結(jié)構(gòu)穩(wěn)定:
- 對(duì)話Agent(收集需求):像產(chǎn)品經(jīng)理,問清崗位、經(jīng)歷、成果、量化指標(biāo),補(bǔ)齊變量。
- 計(jì)劃Agent(制定藍(lán)圖):像項(xiàng)目經(jīng)理,拆解結(jié)構(gòu)、選擇模板、明確每段經(jīng)歷的“能力錨點(diǎn)”與關(guān)鍵詞。
- 執(zhí)行Agents(模塊寫作):像執(zhí)行團(tuán)隊(duì)、開發(fā)測(cè)試。執(zhí)行對(duì)應(yīng)的內(nèi)容,不用共享記憶,相互獨(dú)立,互不干擾,可分別重試。
結(jié)果:穩(wěn)定、可控、可追蹤、分模塊接受信息,避免自我干擾。操作簡(jiǎn)單,你只需提問題,即可執(zhí)行任務(wù)。
演化路徑與能力對(duì)比如下
可以看到,越往后越穩(wěn)定,對(duì)使用者的要求越低,效果越好。
injob AI:三元骨架:對(duì)話 → 計(jì)劃 → 執(zhí)行流程梳理
對(duì)話 Agent:把“經(jīng)歷”采成“變量”
像產(chǎn)品經(jīng)理采需求,圍繞 JD 維度提問,抽取并標(biāo)準(zhǔn)化:
- 崗位/行業(yè)/級(jí)別、必備能力關(guān)鍵詞
- 關(guān)鍵經(jīng)歷(職責(zé)、動(dòng)作、方法、結(jié)果、影響)
- 可量化指標(biāo)(增?%、節(jié)省成本、效率倍數(shù)、覆蓋人群)
計(jì)劃 Agent:把“變量”排成“藍(lán)圖”:
像項(xiàng)目經(jīng)理制定方案:
- 選擇合適的簡(jiǎn)歷結(jié)構(gòu)與模板(應(yīng)屆/社招/技術(shù)/產(chǎn)品/運(yùn)營(yíng)等)
- 提取崗位關(guān)鍵詞并分配到對(duì)應(yīng)模塊
- 生成主要簡(jiǎn)歷
執(zhí)行 Agents:把“藍(lán)圖”寫成“成品”
- 多路并行:教育/經(jīng)歷/項(xiàng)目/技能/補(bǔ)充模塊獨(dú)立生成
- 抗干擾:各模塊上下文隔離,不會(huì)互相“帶跑偏”
效果
更穩(wěn)定、也更“省心”,使用成本更低
- 分層解耦:對(duì)話只采集、計(jì)劃只規(guī)劃、執(zhí)行只寫作,職責(zé)清晰,減少“自我干擾”。
- 對(duì)使用者更友好:你只要說人話(目標(biāo)與經(jīng)歷),其余交給系統(tǒng)問、系統(tǒng)定、系統(tǒng)寫。
實(shí)際體驗(yàn)上的差異
- 純對(duì)話:你得懂怎么跟模型說話,結(jié)果看緣分。
- 單Agent:像填表,但遇到復(fù)雜經(jīng)歷容易“失真”。
- 三元協(xié)同:像被專業(yè)顧問帶著走——問到位、寫到點(diǎn)、改到好。
本文由 @易俊源 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可,禁止轉(zhuǎn)載
題圖來自 Unsplash,基于 CC0 協(xié)議
該文觀點(diǎn)僅代表作者本人,人人都是產(chǎn)品經(jīng)理平臺(tái)僅提供信息存儲(chǔ)空間服務(wù)。
行)。
它不只是會(huì)寫,而是像一條專業(yè)的“簡(jiǎn)歷流水線”,讓結(jié)果更可控、更穩(wěn)定、更貼合崗位。
有興趣的伙伴可以體驗(yàn)下:https://injob.scenifyai.com/