高效找工作不是把简历投得更多,而是把求职当成一份需要策略和节奏的全职工作:先提高匹配质量,再扩大申请范围,并把每次沉默当作反馈来调整。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
先做匹配,再谈数量
材料里的观点立正署名文章里说,传统“刷题、海投几百份、在LinkedIn上找所有岗位”的方式已经失效,因为精确度和召回率都很低;他主张回归质量,先做到在竞争者中stand out,再花时间认真申请1。同一篇里他还提到,今年市场极难,有岗位收到超过7.8万份申请1。所以“高效”的第一步不是加快投递,而是让每一份投递更可能被看见。
把求职拆成一份有优先级的全职工作
材料里的观点Jobright联创Ethan在访谈中说“找工作本身确实是一份全职工作”,需要strategy和优先级:找机会、判断机会、改简历、联系recruiter、准备面试、找内推、复盘反馈、维护LinkedIn和GitHub、build AI profile,是一个复杂问题,不是机械投递动作2。他还提醒,不回复和被拒在现在市场里非常正常,没有反馈不一定说明你不行,可能只是岗位、渠道、时间点或表达方式没有产生足够signal;应把它当成系统反馈,调整方向、简历、渠道和节奏2。这是嘉宾的判断,不是立正本人的原话。
焦虑时先把动作变小
AI推演立正在一篇讲“越急越不要许愿”的文章里说,越焦虑越容易把“我需要一个结果”翻译成“有没有一个工具直接给我这个结果”,但市场不按焦虑程度运行;越desperate,给出的信号越负面3。他建议先把自己放回市场:现在能进入哪个入口、最低可接受收入是多少、什么岗位最接近已有能力、过去做过什么可以被证明3。他还说,AI可以帮读JD、改简历、准备面试,但前提是已经有方向、有材料、有判断,否则只是把混乱执行得更快3。按这个思路,高效的第一步可以是:挑一个岗位,把JD拆开,看自己匹配哪几条、不匹配哪几条。
关于“先接受一个50分机会再往上跳”的建议来自嘉宾Devin Dong,且主要针对已有工作经验者或new grad的不同处境,本次未展开;《如何管理两百份海投? 找工作时候要注意什么心态和…》4、《如何管理两百份海投? 找工作时候要注意什么心态和…》5的发言归属多为声纹匹配或待定,未作为主要依据。
出处
- 1New grad找工作如何stand out?
立正署名文章,直接说明海投失效、应回归质量并先stand out。
- 2AI时代,找工作和创业的有效方法|Jobright联创/CTO Ethan对话
嘉宾Ethan把求职拆成有优先级的全职工作,并解释如何对待沉默反馈。
- 3越急,越不要许愿
立正谈焦虑时如何把动作变小、先回到市场信号。
- 4如何管理两百份海投? 找工作时候要注意什么心态和方法?|Data Scientist求职3/3
可回到原文核对这部分判断
- 5如何管理两百份海投? 找工作时候要注意什么心态和方法?|Data Scientist求职3/3
可回到原文核对这部分判断
追问2026年11月16日
海投和精投之间,怎么判断自己该用哪种策略?
不必二选一:先保证投递量,再用匹配度筛选提高每一次的命中率。判断偏向哪边,看你的命中率是否低到需要靠数量兜底。
把海投和精投看成同一个公式的两项
Ethan 给的框架是:结果约等于投递数量乘以单次投递效率。低概率环境里,命中率从 1% 提到 2% 或 3% 仍是低概率,所以数量不能省;但数量也不能替代策略。他直接说,无策略的海投很多时候不是在执行策略,而是在缓解焦虑1。所以真正要判断的不是“选哪种”,而是你现在缺的是量还是效率。
用命中率和岗位供给判断该往哪边调
AI推演如果你投得很少、面试寥寥,先扩大高质量的量:挑发布时间新、需求真实、与自己匹配的岗位去投。Ethan 提到 new grad 和 entry-level 可能要面对 500 到 1000 份投递的量级,问题不是要不要投这么多,而是这些投递是否尽可能新、真、匹配1。反过来,如果你已经投了几百份却几乎没有回音,继续加量只会重复同样的错误,这时该停下来检查简历与岗位的匹配,而不是再投一百份。Carina 的做法可作参照:简历版本不多,每天投十个左右,但都从匹配度高的岗位里挑1。
先了解自己,再谈策略
熊力在访谈里用德州扑克打比方:筹码深的人策略是不犯错、把别人耗死;处在中下位置的人不能耗,要找到最好的机会 double down;已经落后的人则可以选择活下去、等前面的人互相消耗。他的结论是,知道自己和对手的情况,才能找到自己的策略2。这个比方针对的是公司与市场竞争,不是直接讲求职者投递,但“先评估自身处境再定策略”这层关系可以迁移:你的经验、可投岗位的稀缺程度、手上还有多少时间,都会改变该偏量还是偏精。立正在同一段对话里把话题拉回应用层面,说现在对 senior 的要求变高了、合适的候选人变少了2。
两份材料都没有给出判断“该海投还是精投”的具体阈值,比如投多少份、命中率低于多少就该转向。上面的调整方向是 AI 根据公式和案例作的推演,不是原文给出的标准。
出处
- 1AI时代,找工作和创业的有效方法|Jobright联创/CTO Ethan对话
给出投递数量乘效率的公式、无策略海投是缓解焦虑的判断,以及 Carina 的投递案例。
- 2刷题+海投已失效,好工作需要这三件事|Databricks招聘经理访谈 - 上
熊力用德州扑克说明先了解自身处境再定策略,可作迁移参照。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 怎么找到一个好工作
好工作不是从自己出发海投出来的,而是先想清楚自己能提供什么价值、市场需要什么,再用多次小实验去验证匹配。
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。