履歷優化 - Kerwin AI Information

📌 本文重點

用開源 ATS 在本機跑出「機器 HR」打分

依關鍵字與技能結構優化履歷匹配度

求職者與小團隊都能部署透明可調的初篩系統

先用機器視角迭代履歷再正式投遞

只要幾行指令，就能在自己電腦跑一套「機器 HR」，用 HackerRank 開源 ATS 先幫你打分履歷，再送出求職申請。

HackerRank 把自家 ATS 開源的故事原文在這裡，我們直接站在求職者和小團隊 HR 的角度，拆解它怎麼打分，和怎麼自己動手部署。

核心功能：機器 HR 怎麼看你的履歷

先弄清楚這套 ATS 的「腦袋」在想什麼，才知道怎麼改履歷讓分數往上。

1. 關鍵字與職缺匹配

它會做的事：
– 把履歷和職缺描述切成一堆 token（關鍵字、詞組）
– 比較兩邊出現的技能、職稱、技術名詞的重疊程度
– 依照權重算出一個匹配分數（例如：核心技能比軟性能力更重）

💡 關鍵： ATS 核心是「關鍵字重疊＋權重」，沒有寫出來的技能就等於不存在。

你可以馬上做的事：
– 打開你常投的職缺 JD，列出 10–20 個明顯關鍵字（如 React、Kubernetes、CFA）
– 確認這些詞真的出現在履歷裡，而且出現在工作經驗或技能欄位，不是藏在自我介紹
– 同一樣技能最好在不同段落被提到 2 次以上（職稱＋專案細節），讓匹配度更高

2. 技能欄位結構化

它會做的事：
– 嘗試從履歷中識別「專業技能」「工具」「程式語言」等區塊
– 把識別出的技能映射到內建或自訂的技能字典
– 根據技能的完整度和與職缺關聯度加分

你可以馬上做的事：
– 把零散的技能文字改成明確的「Skills」區塊，用條列式呈現：
– Programming: Python, Go, TypeScript
– Data: SQL, Pandas, Airflow
– DevOps: Docker, Kubernetes, GitHub Actions
– 避免寫成長句：「熟悉各種前端技術如 React、Vue 等」改成獨立列出每一項

3. 格式與可解析度

它會做的事：
– 先把 PDF 或 DOCX 轉成純文字
– 檢查是否有標題層級（Education、Experience、Skills 等）
– 看日期、公司名稱、職稱是否容易被解析出來

你可以馬上做的事：
– 優先使用 簡單排版的 PDF（少用圖表和多欄版面）
– 每段工作經驗保持統一格式，例如：
– 公司名稱 | 職稱 | 2020-01 – 2023-06
– 標題請明寫 Work Experience、Education、Projects，不要用太創意的命名

適合誰用：兩個典型場景

場景 1：求職者自己跑 ATS，迭代履歷

適合你如果：
– 正在密集投履歷，但不知道為何常被系統一輪刷掉
– 想在投出去前，先用「機器 HR」視角檢查履歷

具體可以這樣用：
1. 在本機或雲端部署 HackerRank 開源 ATS
2. 匯入你目前版本的履歷 + 目標職缺描述
3. 看系統產出的匹配分數與分析報告（常見會有：技能命中率、關鍵字缺漏、段落可讀性）
4. 依照缺漏項目，調整履歷內容：補技能、重寫專案描述
5. 重跑一次，看分數是否明顯提升

這種「跑分 → 改履歷 → 再跑分」的迭代，能讓你迅速找出哪些描述是 ATS 看不懂的，避免被系統誤殺。

💡 關鍵： 把 ATS 當「迭代工具」而不是一次性評分，才能持續拉高履歷表現。

場景 2：小團隊 / 初創接到自家招聘網站

適合你如果：
– 公司還沒預算買商用 ATS，但已經有基本招聘網站或表單
– 想要自動化「履歷初篩」，又希望演算法透明可調整

具體可以這樣用：
1. 把開源 ATS 部署在公司雲端（例如一個獨立的 VM 或 Kubernetes namespace）
2. 在招募網站的投遞表單，增加一個後端步驟：
– 收到履歷檔案 -> 呼叫 ATS API -> 存分數與解析結果到資料庫
3. 對 HR 顯示：
– 依分數排序的候選人列表
– 每人的技能命中明細（例如：符合 8/10 必備技能）
4. HR 可以手動調整各職缺的權重設定，例如：某職缺重視 Python 多於 Java，再重跑分數

這套流程的好處是：你可以完全看到打分邏輯，調整職缺與技能字典，不會被黑盒演算法綁死。

怎麼開始：從 GitHub 到第一份跑分履歷

以下以一般開源 ATS 專案為例，示範本機快速部署與基本操作。實際路徑請以 HackerRank 公佈的 GitHub repo 為準（可以從原文 danunparsed 的文章追過去）。

步驟 1：取得程式碼（GitHub）

確認電腦已安裝：
Git
Docker 或至少 Python 3.9+
從 GitHub 取得程式碼：

bash git clone https://github.com/hackerrank/open-ats.git cd open-ats

用檔案總管打開專案，先看 README.md，通常會列出：
必備環境
快速啟動指令
API 說明

步驟 2：快速部署（本地或雲端）

選項 A：本機 Docker 一鍵跑起

如果 README 提供 Docker Compose：

docker compose up -d

然後打開瀏覽器到 http://localhost:8000（實際 port 依專案設定），通常會看到：
– 簡單的 Web 介面可以上傳履歷
– 或至少有 API 文檔（Swagger / OpenAPI）

選項 B：雲端輕量部署

如果想在雲端跑，方便給 HR 或朋友共用：

在 Render / Railway / Fly.io 之類平台建立新服務
連接你的 GitHub repo
在設定中填入：
Build command：如 docker build . 或 pip install -r requirements.txt
Start command：如 uvicorn main:app --host 0.0.0.0 --port 8000
部署完成後，平台會給你一個公共 URL，當作 ATS API 入口

💡 關鍵： 雲端部署加一個公共 URL，就能立刻變成多人共用的履歷初篩服務。

步驟 3：丟入第一份履歷測試

假設 ATS 提供一個 /score API，可以這樣測試（具體路徑依專案為準）：

curl -X POST \
  https://your-ats-url/score \
  -F "resume=@/path/to/resume.pdf" \
  -F "job_description=@/path/to/jd.txt"

你會拿到一個 JSON 回應，常見欄位可能是：

{
  "total_score": 82,
  "keyword_match": {
    "required": 10,
    "matched": 8
  },
  "skills": {
    "python": true,
    "docker": false,
    "react": true
  },
  "notes": [
    "Missing keyword: Kubernetes",
    "No explicit mention of SQL",
    "Work experience dates parsed successfully"
  ]
}

步驟 4：看懂分數，對症調整

拿到分數後，重點不是「幾分」，而是怎麼據此改履歷：

先看缺漏的技能與關鍵字
每個 false 或 missing 的技能，對照職缺 JD 是不是你真的會但沒寫
能做到的就明確寫進「Skills」或「工作成果」段落
再看解析失敗的欄位
如果 notes 提到日期無法解析，調整成標準格式
公司名、職稱盡量獨立成一行，不要混在長句
最後看總分變化
每次改完重跑，記錄分數變化和修改內容
找到「加分效率最高」的修改方式，往那個方向優化

總結：先學會用機器 HR 的語言說話

HackerRank 把自家 ATS 開源，等於把機器 HR 的打分標準攤在你面前。你可以：
– 當求職者：在本機或雲端跑一套 ATS，先自測履歷再投遞
– 當小團隊 HR：把 ATS 接到自家網站，建立透明可調整的初篩機制

真正有用的做法不是「迎合演算法」，而是讓履歷把你的能力說清楚，並且用機器看得懂的結構寫出來。先跑幾次分數，你很快就會掌握那套語言。

🚀 你現在可以做的事

打開常投職缺 JD，整理出 10–20 個關鍵字，對照並重寫自己的履歷結構

到 GitHub 搜尋 HackerRank 開源 ATS 專案，依 README.md 在本機或雲端部署測試

跑一輪「改履歷 → 用 /score API 重測 → 比較分數變化」，記錄哪類修改最有效

標籤: 履歷優化

開源 ATS 開箱：先讓機器 HR 幫你看履歷