75%简历被AI秒拒：3年经验产品经理写了个免费工具反杀

你花了三小时改简历，逐句对齐招聘要求，点击提交时甚至有点仪式感。两周后收到系统自动回复："您的申请已进入人才库。"然后就没有然后了。

这不是你运气差。75%的简历在被人看到之前，就已经被ATS（申请追踪系统，一种自动筛选简历的软件）扔进了垃圾桶。不是HR冷酷，是机器先动的手。更糟的是——你永远不会知道死因：格式不对？关键词缺失？还是某段话触发了隐藏规则？

一位做了三年SaaS产品的开发者受够了这套黑箱。他做了个免费工具，让求职者第一次看清自己是怎么"死"的。

ATS不是敌人，但它是盲人摸象的裁判

这套系统的逻辑其实粗暴：把职位描述拆成关键词，扫描简历里出现了多少次。匹配度高，进下一轮；匹配度低，直接归档。问题是，同一家公司的不同HR可能用不同关键词描述同一岗位，而求职者只能靠猜。

Smart Resume的解法是把裁判规则摊开来。上传简历和职位描述，30秒内拿到诊断报告：缺了哪些关键词、哪些词出现次数不对、被动语态在哪里拖后腿、有没有漏掉可量化的成绩。每一项都标了优先级——高影响的问题先改，低影响的以后再说。

工具还内置9个经过ATS兼容性测试的模板。不是"好看"的模板，是"能过机筛"的模板。这个区别，投过100份简历的人都懂。

技术选型：为什么选Cloudflare Workers

作者在技术博客里的解释很产品经理思维："我不想维护服务器，也不想付数据库费用。"

整套架构跑在Cloudflare Workers（边缘计算服务，代码运行在离用户最近的服务器节点）上，前端用Vue 3。没有数据库，所有处理实时完成——简历解析、关键词提取、匹配度计算，全部在边缘节点跑完，数据不落地。

关键词提取的核心逻辑并不复杂：过滤停用词、统计词频、取前30个高频词。但魔鬼在细节。比如"匹配分数"的计算，不是简单看关键词有没有出现，而是看出现次数是否达到职位描述里的预期频率。出现太少，扣分；出现太多，可能触发"关键词堆砌"的反向惩罚。

代码片段里有个细节：用正则表达式全局匹配时，作者特意把职位描述和简历都转成小写。这个case-insensitive的处理，能避免"Python"和"python"被当成两个词。小写转换是免费的，但漏掉这一步，匹配率可能直接崩掉几个百分点。

免费工具的商业模式悖论

Smart Resume目前是纯免费。作者的说法是"先解决自己的问题，顺便帮别人"。但熟悉SaaS的人都知道，纯免费工具要么死，要么转型。

可能的变现路径很清晰：高级功能订阅（比如批量分析、历史对比）、企业端卖ATS优化服务、或者把数据脱敏后做成行业洞察报告。但作者似乎还没想那么远——技术博客里连Google Analytics都没装，"因为懒得写隐私政策"。

这种"先做出来再说"的风格，很符合个人开发者的典型路径。但求职者可能希望它能活得久一点。毕竟，市面上类似的工具要么收费（Resume Worded月费49美元），要么功能残缺（只能检查格式，看不懂职位描述）。

一个被忽略的产品细节

Smart Resume的"量化成就检查"功能，会扫描简历里的数字。但作者加了个有趣的规则：不是有数字就行，而是看数字前面有没有动词。

"销售额增长20%"是弱表述。"推动销售额增长20%"才是HR想看的。这个区分很细，但投过腾讯、字节简历的人都知道——大厂JD里"推动""主导""搭建"这些词的出现频率，和过筛率高度相关。

工具目前只支持英文简历。作者在技术博客评论区回复过中文支持的疑问："分词比空格分词复杂十倍，等我有空。"这条回复发布于三个月前，至今没有更新。

如果你现在去试，会发现上传界面有个不起眼的提示："建议职位描述超过150词，分析更准确。"这个阈值从哪来的？作者没解释。但测试过几份JD后发现，太短的职业描述确实会让关键词提取变得随机——系统会抓出一些通用词（"团队""沟通"），而漏掉真正的硬技能要求。

你会为了过机筛，把简历改成机器喜欢的样子吗？还是说，这种对抗本身就已经扭曲了求职这件事？