---
title: "你的履歷可能沒被人讀過：ATS 篩選原則，與一個開源的履歷 skill"
description: "多數履歷不是輸在能力，是輸在機器解析不出來、關鍵字對不上。這篇拆解 ATS 的三個動作與兩層失分點，附上量化改寫公式，並開源一個 skill：先做健檢，再產出 104／Cake／LinkedIn 三種可編輯的 Word 履歷。"
author: "莊哲昀（AJ）"
tag: "AI Agent 與自動化"
date: 2026-09-05
canonical: https://www.ahadigit.work/blog/resume-ats-skill
source: "blocks"
---

# 你的履歷可能沒被人讀過：ATS 篩選原則，與一個開源的履歷 skill

投了三十份履歷、沒有半通電話，最容易得出的結論是「我不夠好」。但在很多情況下，真正的答案更難堪也更好解決：**那份履歷根本沒有被人類讀過**。它在第一道自動篩選就掉了，而掉的原因往往跟你的能力無關。

## ATS 到底對你的履歷做了什麼

ATS（Applicant Tracking System，求職者追蹤系統）是企業用來接收與管理履歷的軟體。它對每一份收到的檔案做三件事：

1. **解析**：把你的檔案拆成結構化欄位：姓名、聯絡方式、每段經歷的公司與職稱與起訖、學歷、技能。
2. **比對**：拿職缺說明（JD）的關鍵字，去比對解析出來的結果。
3. **排序**：依相關度排序，人資通常只往下看前面一段。

多數人以為問題出在第二步——關鍵字不夠漂亮。但實務上，失分最慘重的是第一步。一份雙欄排版、用表格排工作經歷、把電話和 Email 放在頁首的履歷，在解析階段就會被拆得七零八落。你寫得再好，系統看到的可能只是一堆順序錯亂的殘句。

> 解析不出來的內容，等於不存在。

## 第一層失分：格式讓機器讀不到

這一層最容易修，而且修完不會有任何副作用——**為 ATS 優化的履歷，對人類讀者一樣好讀**，這裡沒有取捨問題。常見的地雷有這幾個：

- **多欄排版（雙欄、側邊欄）**：文字讀取順序被打亂，經歷和日期對不起來。
- **用表格承載經歷內容**：儲存格被拆散，或整段消失。
- **文字方塊、SmartArt、圖形**：多數解析器直接略過。
- **聯絡資訊放頁首或頁尾**：頁首頁尾常被跳過，人資連怎麼聯絡你都不知道。
- **用圖片呈現技能（星等、進度條）**：圖片裡的字無法解析，等於白做。
- **自創職稱**：「成長駭客小隊長」比對不到任何關鍵字。寫業界通用職稱，自創的稱呼放括號補充。
- **日期格式不一致**：年資會被算錯。全篇統一成同一種寫法。

> **那我精心設計的視覺履歷怎麼辦**
>
> 做兩份。視覺版放在你的個人網站或作品集裡，面試時當作談資；投遞時交那份樸素、單欄、機器讀得懂的版本。這不是把履歷做醜，是分清楚兩份文件各自要說服誰。

## 第二層失分：關鍵字對不上

把完整 JD 攤開，把裡面的技能拆成兩類：Hard Skill（工具、技術、證照、方法論、產業術語）與 Soft Skill（跨部門協作、簡報表達、專案管理、帶人）。很多人只顧著補 Hard Skill，但 Soft Skill 同樣是系統抓取的項目。

接著逐個關鍵字比對，只有三種狀態：

- **已命中**：這個詞出現在履歷裡，而且長在具體事蹟中。
- **表達不清**：你做過，但用了別的說法。JD 寫「行銷自動化」，你寫「發電子報」——同一件事，系統比對不到。這一類是投報率最高的修正標的。
- **完全缺**：真的沒做過。這時候不要編，改看有沒有可遷移的相近經驗，或者誠實留缺。

補關鍵字的方式也有講究。關鍵字要**長在句子裡**，不是堆在技能列。寫「熟悉 Python、SQL、Excel、Tableau、Power BI」，機器過了，人看到會直接跳過；改成「以 Python 自動化每日報表並串接 Tableau 建置 BI 儀表板，每月節省約 20 小時人工處理」，兩邊都過。

## 量化：一句話的公式

履歷寫作最常被引用的框架是 STAR，也就是情境（Situation）、任務（Task）、行動（Action）、結果（Result）。但履歷不是面試，四段不必各佔一句。實際落到一條敘述上，比較好用的是這個壓縮版：

> 透過［方法］，以［指標］衡量，達成［結果］。

三個元素缺一就會鬆掉：只有方法是流水帳；只有結果看不出是不是你做的；缺了指標則無法驗證。可用的指標大致五類：**人數**（帶領團隊、服務客戶、活動到場）、**金額**（營收貢獻、成本節省、管理預算）、**百分比**（成長率、轉換率、錯誤率下降）、**時間**（處理時間縮短、每週節省工時）、**排名或規模**。一條敘述挑一到兩個最強的就好，堆五個數字反而稀釋重點。

幾組改寫對照。差別只有一個：讀的人能不能判斷你的量級。

- *「負責社群行銷」* → 「主導 3 個品牌 Instagram 社群經營，單月自然觸及自 2 萬提升至 8 萬，品牌詢問轉換率提升 4 倍」
- *「負責電商客服回覆」* → 「為 B2C 電商建立客服 SOP，導入常見問答知識庫與自動分流，平均回覆時間自 8 小時降至 1.2 小時」
- *「使用 ChatGPT 處理 Excel」* → 「以生成式 AI 產出並人工驗證 VBA 巨集，自動化 3 個報表來源的資料核對，人工核對時間自 2 小時降至 15 分鐘，連續 3 個月維持零資料落差」

第三組值得多說一句。現在履歷上寫「會用 ChatGPT」已經不構成技能，因為它不區分任何人。真正有訊號的是三件事：你用 AI 改善了什麼流程（附前後對照）、你**怎麼驗證 AI 的輸出**（抓出哪類錯誤、建立什麼查核機制）、以及你能多快把新工具用到不同的場景上。中間那一項最能區隔深淺，卻最少人寫。

## 沒有數字的時候，不要編

量化的最大阻力是：大部分人根本不記得當年的數字。三個補位方法：翻舊資料（年度報告、KPI 表、結案報告、專案週報）、問前主管或同事一起回憶量級、或者用合理估算並明說是估算：「協助處理約 50 名客戶」「每週約節省 10 小時」。加一個「約」字是誠實表述，不是灌水。

三個方法都不行，就把那句話改寫成不需要數字也成立的版本，或者留白等你查到。用 AI 寫履歷最大的風險就在這裡：模型很樂意幫你補一個「看起來合理」的數字，而那個數字會在面試被追問時原地爆炸，或在背景查核時變成職涯傷害——那比落選嚴重得多。

> 誠實的量化比華麗的虛構耐查。

## 三個平台，要三份不同的履歷

同一份基底經歷，投到不同平台應該長得不一樣，因為讀的人在做的事不一樣：

- **104**：台灣本土人資的主場，多半在後台一次瀏覽大量履歷。條列要清楚、區塊界線分明、每段經歷附一行產業與團隊規模，讓人資快速判斷你的量級。
- **Cake**：容許第一人稱、有個性的自述，技能以標籤呈現，作品連結是主要加分項。但關鍵資訊仍要能被純文字讀懂，別只放在圖裡。
- **LinkedIn**：這裡不是「投履歷」，是「被找到」。Headline 決定獵頭搜尋時看到什麼，置頂的三項技能決定你出不出現在結果裡，每段經歷動詞開頭、控制在五條以內。

## 我把這套流程做成了一個 skill

上面這些原則不難懂，難的是每次求職都要重新執行一遍，而且趕著投遞的時候，最先被省略的往往就是健檢這一步。所以我把它寫成一個 agent skill 並開源出來：`resume-ats`。Claude Code 與 Codex CLI 都能安裝，它們吃同一套 SKILL.md 格式。

它的流程刻意分成三段，不讓你跳過第一段：

1. **健檢**：對照 JD 產出關鍵字比對表、格式可解析性問題、內容品質檢查、逐段改寫建議，以及一份待補資料清單。
2. **你補資料**：所有缺的數字都被標成待補，等你查證後填回來。
3. **產檔**：輸出 104／Cake／LinkedIn 三種版本的可編輯 Word 檔，單欄、無表格、無文字方塊、聯絡資訊寫在內文首段。

另外附一支不靠模型判斷的計分腳本：把 JD 關鍵字整理成清單後，它會確定性地算出三態比對與適配度百分比。同一份履歷跑兩次結果一樣，不會因為模型當下的心情而飄。

### 安裝

```bash
curl -fsSL https://raw.githubusercontent.com/AndyJuang/resume-ats-skill/main/install.sh | bash
```

會自動偵測 `~/.claude` 與 `~/.codex` 並安裝到對應目錄，偵測到舊版會先備份。若你習慣走 Claude Code 的 plugin 機制：

```text
/plugin marketplace add AndyJuang/resume-ats-skill
/plugin install resume-ats@ahadigit-skills
```

裝好之後，直接說「幫我做履歷健檢，這是我的履歷和目標職缺 JD」就會啟動。

## 它刻意不做的事

一個工具的價值有時候在於它拒絕做什麼。這個 skill 寫死了四條護欄：

- **不編造數字、職稱、公司、年份。**缺的一律標成待補，不填「看起來合理」的值。
- **不替你宣稱未經確認的經歷。**客製是換角度呈現同一組事實，不是換一組事實。
- **敏感資訊主動抽象化。**前公司客戶名、內部財務絕對值改寫成「某大型 B2B SaaS 客戶」「三位數成長率」。這同時讓履歷更通用——寫「某大型電商客戶」，讀的人會自己代入自家情境。
- **不做無人監督的大量投遞。**批次模式每批上限十家、不繞過驗證碼或登入牆、每一筆送出前都要你確認。

最後一件事，寫在工具的交付訊息裡，這裡也再說一次：**產出的 Word 檔是母版，不是成品**。交出去之前請自己再改一輪，把語氣改回你講話的樣子。AI 寫得太順，看過大量履歷的人資分辨得出來；而一份連履歷都外包給模型的人，給人的印象，未必比一份寫得樸素的履歷好。

工具能幫的，是把你已經做到的事，翻譯成對方聽得懂的話。剩下那部分——你真的做過什麼——沒有任何模型能代勞。

## 資料來源

- [resume-ats skill 原始碼與安裝說明（GitHub）](https://github.com/AndyJuang/resume-ats-skill)
- [Anthropic：Agent Skills 官方文件](https://code.claude.com/docs/en/skills)