投出去69份申请，拿到20场首轮面试。这个转化率放在当下的求职市场里，足够让大多数人停下来多看两眼。作者三个三把这套结果归功于一个自己搭的AI求职系统，底层用的是way Code，从岗位匹配、简历定制到模拟面试，整条链路都交给了Agent去跑。

这套系统最核心的设计，是Drafter加Reviewer的双Agent机制。作者在分享里说得很直白：一个负责写，另一个重新开上下文挑毛病。比起让ChatGPT一次性生成完，这种分工明显更靠谱——写的人只管产出，挑错的人不带前面的上下文包袱，反而更容易发现问题。

为什么单次生成不够用

求职材料的定制化程度，直接决定了它能不能过第一道筛。单次提示词生成的内容，往往在措辞和匹配度上留下痕迹，而双Agent的流程相当于给每份材料加了一道内部审核。Drafter负责把岗位要求和自身经历对齐，Reviewer则从另一个上下文出发，检查ATS兼容性、措辞漏洞和整体质量。

这套机制覆盖的不只是简历。按照作者的描述，系统把整个求职漏斗都串了起来：

  • 岗位发现与匹配
  • 简历针对性定制
  • ATS兼容性检查
  • 模拟面试准备

从最初的岗位发现，到最后的面试准备，工具覆盖了完整流程。作者强调，高转化率的来源正是这种自动化定制——每一份申请都不是通用模板的复制，而是针对具体岗位重新生成的结果。

多Agent架构的实际价值

把求职拆成多个Agent协作的任务，好处在于每个环节都能独立优化。Drafter和Reviewer的分工，本质上是用两个不同的上下文窗口互相制衡，避免单一提示词模式下常见的自我确认偏差。作者的原话是，这比让ChatGPT一次生成完靠谱多了。

69份申请对应20场首轮面试，这个数字本身说明了一件事：在求职这种高压场景里，AI Agent的价值不在于替代人做决定，而在于把重复性的定制工作自动化，让人能把精力留给真正需要判断的环节。模拟面试和ATS追踪被纳入同一套系统，也意味着求职者不用在多个工具之间来回切换。

这套系统的搭建思路，对其他需要批量产出定制化内容的场景同样有参考意义——双Agent的写与审分离，可能是比堆提示词更值得复用的模式。