资料核验日期：2026 年 8 月 11 日。本文涉及 Google DeepMind 招聘流程的内容，来自 Bloomberg 报道及 The Star、Yahoo Finance 的全文转载。报道提到的文件并未由 Google 公开；Google 发言人也否认公司系统会错误过滤候选人。下文会明确区分媒体报道、公司回应和我们的分析。
这类新闻通常一天之内就会被压缩成一句标题，而那句标题通常是错的。真实发生的事情要具体得多，也存在争议得多，对求职者的用处反而更大。
Google DeepMind 内部一个团队请候选人多填一份表格。Google 不认同外界对这件事的描述。而报道里真正值得你注意的，是夹在中间的另一句话——它说的是真人已经看腻了什么样的回答，这跟前面两件事都没关系，却跟你下一份申请关系极大。
Bloomberg 报道了什么，Google 又否认了什么
Bloomberg 经 The Star 转载的报道称，Google DeepMind 的 AGI Safety and Alignment Team 鼓励部分开放岗位的候选人，在公司常规申请之外再提交一份特殊表格。Bloomberg 看到的文件称，常规申请系统存在不小的风险，可能把简历误筛掉，也可能让它太晚才到达用人团队手中。
公司的回应同样重要。Google DeepMind 发言人否认公司系统会错误过滤申请者，并表示这份表格只是让简历跳过招聘人员的初步审阅、直接交到团队成员手里，同时强调它不会让候选人少走任何录用流程。Yahoo Finance 转载的 Bloomberg 报道也完整保留了这段回应。
所以这件事既不能写成「Google 正式承认自家招聘 AI 失灵」，也不能反过来说「DeepMind 已经不用自动化系统了」。真正的情况是三件事同时成立：Bloomberg 看到的一份团队材料对常规流程表达了担忧，一个团队为此另设了直达真人的路径，而公司公开否认了这个前提。把这三件事同时握住，才是这条新闻值得读的地方。
比人工通道更重要的，是招聘者已经看腻了
很容易把这件事读成那句老掉牙的建议：内推比海投管用。这个读法漏掉了更尖锐的那一点，而且会让你学到完全错误的教训。
先说清一个区分，因为它决定了这条新闻能证明什么、不能证明什么。表格里那句抱怨针对的是候选人通过这份表格提交的文字回答，不是简历；简历出现在另一句话里，说的是可能被误筛。把这个教训推广到申请材料里其他所有文字，是我们的编辑判断，不是那份文件说过的话。
在这个前提下再看：报道里那些真人并不是因为语法差才受不了 AI 文案。他们受不了的是所有答案都在收敛。那些文字大概率语法正确、结构完整、和岗位高度相关，同时几乎不携带任何信息。
当每个申请者都能产出一份贴合职位描述的漂亮回答，审阅者依然回答不了他最在意的那几个问题：
- 这个判断到底是谁做的？
- 过程中出了什么岔子，你当时做了什么？
- 你理解自己提交的代码、分析或产品吗？
- 如果约束条件变了，你还能不能重新做出选择？
这正是所有 AI 求职工具的悖论所在，包括我们自己的产品。一个工具越擅长把每个人都包装成合格候选人，就越高效地抹掉了这个人区别于他人的那部分。文案的精致度现在是免费的，而最大的错误，就是继续把一个免费的东西当成还能证明些什么。
招聘系统为什么越来越想要真实性信号
DeepMind 这件事，发生在一个本来就被投递量压垮的市场里。Greenhouse 的《2026 招聘基准》分析了 2022 至 2025 年间 6,000 多家公司、超过 6.4 亿份申请，发现每名招聘人员一年要处理的申请量增加了 412%，而招聘团队的人数反而在缩减。
Greenhouse 的《2026 AI 招聘报告》把这个结果概括为一场信任危机：候选人用 AI 加快投递，招聘团队用自动化扛住洪峰，用人经理则越来越难分辨，哪些内容来自真实经历，哪些只是 AI 润色，哪些已经夸大。
这些数据不能证明每家公司都在用同一套算法，更不能证明某一封拒信一定是自动系统造成的。它们说明的是一个自我强化的循环：
- 候选人可以用更低的成本投更多岗位；
- 招聘人员面对的筛选压力越来越大；
- 企业不得不增加自动筛选、身份验证和人工复核；
- 候选人为了通过筛选，又加入更多关键词和 AI 定制；
- 申请材料进一步趋同，信任继续下降。
想从这个循环里出来，靠的不是把生成速度再翻一倍。真正起作用的是证据密度，也就是每一句话里到底装了多少可被核实的信息。
从拼文案转向拼证据
要匹配岗位，但不要照抄职位描述
简历当然需要雇主熟悉的词汇，关键技能、方法和职责都应该准确写出来，在能如实描述你工作的地方使用对方的术语，是正当做法而不是钻空子。
但匹配不等于句子层面的模仿。如果 JD 写着 build scalable data pipelines，而你每一段经历突然都变成「搭建了可扩展的数据管道」，审阅者依然不知道数据量有多大、瓶颈在哪、哪一步是你做的、你怎么确认它真的有效。
对比一下泛泛的主张和带证据的写法：
以下仅为结构示例，请把每一个细节换成你自己经历里的真实内容：发现重复事件导致每周激活率被高估 8.4%，定位到重试逻辑后重写去重规则，并补上 dbt 测试，最终把修正后的指标接入产品周报。
文笔本身不是有价值的那一部分，因为 AI 几秒钟就能给你。真正重要的是「发现问题、定位原因、做出决定、验证结果」这条顺序，而这条顺序只能来自你自己。
每一句重要主张，底下都要有一条证据链
简历上的一句话，至少应该能往下展开成四层：
这些材料不需要随申请一起交出去，但别人问起时你得讲得出来。如果项目涉及公司机密，可以隐去公司、客户和具体数据，只谈方法、限制和个人贡献，因为证明自己的能力从来不需要泄露雇主的信息。
少写「我参与了」，多写「我在哪一步做了决定」
AI 几乎会默认把一个混乱的团队项目写成流畅的协作故事：参与讨论、协调各方、推动落地。读起来很完整，却完全看不出你个人做了什么。
有区分度的材料，几乎总是出现在需要作出判断的那一刻：
- 你什么时候发现原方案走不通？
- 你提出了什么替代方案？
- 是什么分歧或限制条件决定了最终选择？
- 这个决定是怎么被验证的？
- 如果重来一次，你会改掉什么？
这些问题没有一套可以套用的标准答案，而这恰恰是它们管用的原因。一个没有模板答案的问题，是证明这段经历真的属于你的最快方式。
准备好能当场被打开的作品
作品集、代码仓库或演示视频只是入口，不是证明。它展示的是一个做完的成品，几乎没说明你是否理解它是怎么被做出来的。
到了面试，你还应该能当场讲清架构是怎么搭的、说出一个失败的版本以及它为什么失败、在被追加新限制时调整原方案，并且坦率说明哪些部分是 AI 生成的、哪些部分由你亲自检查、测试和修改。
用 AI 本身不是可信度问题。讲不清、改不动、也无法为结果负责，才是问题的全部。
让 AI 做证据编辑，而不是代笔
值得做的转变，是从让 AI 写出答案，变成让 AI 拷问答案。
可以让它做的：
- 找出 JD 里哪些要求你的简历还没有证明；
- 对每一条要点追问「怎么做的」「为什么这样做」「你怎么知道有效」；
- 标出没有任何记录支撑的数字和形容词；
- 扮演面试官，追问你的取舍和失败版本；
- 删掉模板化开场、空泛的热情和重复的关键词。
不要让它做的：
- 编造项目规模、指标或技术细节；
- 把你的表达统一改成没有个人特点的职业套话；
- 为了贴合 JD，偷偷改变你真实做过的工作；
- 替你判断工作授权，或雇主会不会提供 sponsorship；
- 批量投递你根本没认真读过的岗位。
对国际学生来说，一致性本身就是证据
一名国际学生的经历，通常会同时出现在简历、申请表、LinkedIn、作品集和与招聘人员的沟通里。分别用 AI 改写这些材料，很容易在不知不觉中留下冲突：职位名称变了、日期对不上、技术栈每改一次就长大一点，或者前后两次对工作授权的回答不一致。
这些出入往往不是故意的，代价却一样要付。切忌把每个平台分开单独改写，因为同一份工作的两个不同版本，正是这样出现在同一个招聘人员面前的。投递之前至少交叉检查一遍：时间线、职位名称和项目角色是否各处一致；每项技能背后是否都有真实工作支撑；工作授权的回答是否准确且前后一致；你能否说清 AI 帮了什么、你又如何验证了最终内容；以及最可能被追问的那几条主张，是否还找得到原始记录。
没有任何技巧能保证简历一定被真人看到。就像 Google 发言人说的，即使简历直接到了团队手里，也不等于少走任何录用流程。你真正能控制的，是当一个人终于打开这份材料时，里面的内容是否足够具体、连贯，并且经得起核对。
常见问题
以后是不是不要再用 AI 写简历了？
不是，这条新闻也支持不了这个结论。AI 很适合整理结构、压缩语言、提取岗位要求和检查证据缺口。风险在于提交你无法证实的经历，或者让所有回答塌缩成同一个模板。
简历不是越贴近 JD 越好吗？
应该贴近岗位真正相关的技能和职责，但不需要复制句子。准确的术语，加上真实的规模、限制、判断和结果，比单纯堆砌岗位词汇携带的信息多得多。
没有正式工作经验，哪来的过程证据？
课程项目、研究、学生组织、开源贡献和个人产品都算，前提是你能讲清问题是怎么定义的、哪一部分是你负责的、方案中途怎么调整，以及最后如何验证结果。
项目涉及公司机密，该怎么证明？
不要公开受保护的代码、数据或客户信息。可以隐去具体背景，着重说明方法、限制、个人判断和不涉密的结果。拿不准时，应遵守原雇主政策并向相关负责人确认。
直接联系团队成员，能绕过正常招聘流程吗？
可以补充背景，也可能让团队更早注意到你的申请，但它替代不了正式申请、岗位资格和面试评估。不要索取所谓的内部表格，也不要宣称自己拥有特殊通道。
别的公司也是这样招聘的吗？
没有依据这样推断。报道描述的是一家公司里一个团队的做法，而且 Google 对其中一部分描述并不认同。把它当成「审阅者已经看腻了什么」的信号，而不是任何雇主招聘流程的写照。
把它用起来
从简历里挑出最重要的三条经历，分别写下三件事：原始记录在哪里、你当时作出了什么关键判断、结果是怎么被验证的。只要其中一项答不上来，就先去补证据，不要急着再润色句子——一句写得更好的、无法验证的主张，仍然是无法验证的主张。
EdAIX 的 Job Agent 做的是这件事里「核对」的那一半，不是「写作」那一半。它的浏览器插件会把你正在浏览的 LinkedIn、Indeed 或 Built In 职位和你的简历做比对，返回 0 到 100 的匹配分数、Strong 或 Good 或 Weak Match 的判定、你最强的几项匹配、你的缺口、缺少的关键词、投递前最值得做的一个动作，以及这份职位描述有没有提到 sponsorship，结果是 Yes、No 或 Not mentioned。在网页端把 JD 和简历一起放进去，会得到 ATS 匹配分数和岗位要求的拆解，涵盖职责、硬技能、软技能、经验和教育，并标出哪些在你简历里已经有证据。
有两个边界要说清楚，这也符合一篇讲可验证性的文章该有的样子。本文里「直接申请、优化后申请、暂时跳过」那套分档是编辑方法，不是产品的输出：工具给你的是分数、判定和缺口清单，判断权仍然在你手上。另外，sponsorship 那一项读的是雇主在职位描述里写下的字，而很多时候雇主什么都没写；它无法判断你的合法工作资格，也无法预测某家公司会不会赞助你。这些问题请向雇主、学校 DSO 或合格律师核实。
资料来源
- The Star / Bloomberg — Google's AI team tells job seekers its HR filters are unreliable
- Yahoo Finance / Bloomberg — Google's AI Team Tells Job Seekers Its HR Filters Are Unreliable
- Greenhouse — Hiring Benchmarks 2026
- Greenhouse — The 2026 AI in Hiring Report
