昨天 Day 26，我們沒有急著選出「命中注定的工作」，而是先用 AI 打開地圖，理解不同職業的日常，再留下兩三個值得繼續驗證的方向。
走到這裡，好像終於可以貼上舊履歷，對 AI 說：「幫我優化一下。」
三十秒後，「協助專題進行」可能又變成：
Successfully collaborated on cross-functional strategic initiatives.
中文大概是：「成功參與跨部門策略合作。」看起來像是公司沒有你就會停止自轉，問題是，別人依然不知道你到底做了什麼。
這是剛畢業或工作經驗不多的人很容易遇到的問題。不是不會寫，而是可以拿來寫的材料還沒有被找出來。
所以 Day 27 不會搜尋大量職缺，也不會產生準備投遞的履歷。今天只完成一件事：把散落在記憶與文件裡的經歷，整理成一座可以反覆使用的「證據庫」。明天 Day 28，才會讓 career-ops 等工具根據真實職缺，從裡面挑選適合的材料。
第一次找工作時，看見別人的履歷寫著五年經驗、帶領十二人團隊、營收成長 35%，再回頭看看自己：
我去年有修機器學習。
整個氛圍突然變得非常安靜。
但 junior 沒有全職經驗，不等於沒有經歷。課程專題、論文、實驗室、實習、社團、志工、助教、營隊、比賽、打工和自己做的小作品，都可能留下材料。
問題是，我們習慣把這些事情統稱為「以前做過」，很少繼續問：當時想解決什麼問題？我負責哪一部分？遇到什麼困難？做過哪些決定？最後留下什麼結果？
因此今天先不要問：「這件事夠不夠厲害？」先問：「這件事實際發生了什麼？」
人不一定記得兩年前的專題細節，但電腦可能還留著一些線索：課程報告、簡報、GitHub 紀錄、雲端文件、行事曆、Email，或以前和 AI 討論時留下的對話。
看到一筆「修正時間對齊錯誤」的程式紀錄，可能才想起當時有三種感測器使用不同取樣頻率；翻到期末展示的行事曆，才發現自己不只整理資料，還負責最後的展示。
這些紀錄不會自動變成履歷，卻能幫助我們重建事情經過。履歷準備的第一步，有時候不像寫作，比較像數位考古。
不過，數位考古不是把信箱、實驗室硬碟和所有聊天紀錄整包丟給 AI。文件、研究資料與他人對話可能涉及個資、保密義務和智慧財產。只能使用自己有權處理的內容，必要時先移除姓名、公司資料與敏感數字；不確定能不能使用，就先不要上傳。如果電腦平常有拿來打電動的話，就可以考慮用地端模型來做這件事。
AI 可以幫忙找回記憶，不值得為了一行履歷，順便完成一次資料外洩演練。
找到舊專題後，不要立刻要求 AI 寫履歷。可以先請它根據現有文件，整理專題目標、團隊分工、時間順序、自己的責任、遇到的問題與最後產出。沒有證據的地方標成「不知道」，不要自行補完。
文件可以告訴我們改過哪段程式、交過哪份報告，卻不一定知道為什麼那樣做。是誰先發現問題？試過哪些方法？為什麼放棄其中一個？最後的決定是自己提出，還是老師指定？
這些部分需要透過對話慢慢挖出來：
文件負責找回線索，對話負責把線索問清楚。
這時 AI 最有價值的角色不是寫手，而是訪談者。文字對話可以，語音也可以；關鍵是先讓它問，不要急著讓它產出漂亮句子。
grill-me 改成求職版本Day 21 介紹過 Matt Pocock 的 grill-me Skill。目前它是一個很薄的入口，會呼叫底層的 grilling 方法，持續追問一項計畫、決策或想法，直到雙方不再把重要空白留給猜測。
原本的方法會沿著問題樹，在同一輪詢問目前可以處理的一組問題。今天我們不直接照搬，而是借用 Day 23 的做法，把別人的好方法魔改成適合自己的版本。
求職回憶比較像面談。一次出現二十五題，很容易變成人生申請表，填到第七題就想關掉。所以我會把它改成一次只問一題：使用者回答後，AI 才根據新的資訊決定下一題。
可以打開Codex/Claude Code的app，然後把grill-me的網址貼上去。
再近一步輸入：
我想整理一段可以用在求職中的經歷。請先不要寫履歷，也不要美化內容。一次只問我一個問題，從事情的背景開始，逐步追問我的責任、決定、行動、結果和證據。資訊不足時請繼續問；真的想不起來就標記不知道，不要替我補答案。請你把grill-me修改到具有上述的功能。
這不是原版 grill-me 的正式求職功能，而是依照今天用途改造的版本，可以理解成「求職追問」。也不是一次就可以長成你心中所想的樣態，遇到你覺得有摩擦的地方，就叫agent去修改，迭代到後面就會長成你期待的樣貌。
假設一位學生說：
我做過一個淹水預測的課程專題。
AI 如果立刻把它寫成「開發淹水預測系統」，材料仍然很空。比較有用的下一題是：「這個專題想解決什麼問題？」
回答後再往下問：團隊有幾個人？你負責哪一部分？為什麼由你負責？遇到最麻煩的問題是什麼？試過哪些方法？哪個決定是你做的？最後怎麼知道結果可以使用？有沒有報告、程式或展示可以核對？
下一題由上一個回答決定，才不會把 AI 預先想好的履歷故事硬套到使用者身上。
對 junior 而言，值得留下的不一定是巨大成果，也可能是一個小而真實的決定。Hiring manager 未必期待剛畢業的人替公司多賺五千萬，但會想知道：遇到問題時怎麼想、能不能把事情做完、是否真的碰過困難，還是只跟著教學一步一步照做。
但求職真的是個巨大的混沌現場，有聽過求職者在履歷上寫「半年減肥20公斤」，剛好遇到注重身材管理的用人主管，太想知道減肥的方法，就把人招來面試，就後聊的可喜可賀。這是一個極端的例子，沒有要鼓勵大家都寫上奇特的經驗，然後拼個人品爆發。
履歷教學常說要量化成果，學生很容易開始擔心：「我的課程專題要去哪裡生出營收？」
不用。證據不只一種。
如果有直接結果，可以保留模型準確率、處理時間或活動人數。如果沒有改善百分比，也可以說明規模，例如整理五千筆資料、三人合作八週。沒有漂亮數字，仍可留下程式庫、報告、展示、原型或操作流程等可核對產出。
再不然，至少說清楚具體責任：設計了什麼、建立了什麼、分析了什麼、解決了什麼，以及和誰合作。這些通常比「主動積極、認真負責、熱愛學習」更有區辨力。
沒有數字，就增加細節；沒有證據，就不要增加形容詞。
原文只有「提升資料整理效率」，如果請 AI 寫得更有影響力，它可能熱心地改成「效率提升 40%」。
看起來很棒，但 40% 如果來自 AI 的熱心，就不能放進履歷。
這時應該追問：原本大約花多久？後來花多久？一週執行幾次？有沒有紀錄可以核對？如果真的不知道，就保留不知道。
與其虛構「效率提升 70%」，不如誠實地寫：「建立自動化資料處理流程，取代原本需要人工逐筆整理的步驟。」沒有百分比，但別人知道你做了什麼，而且這件事是真的。
一段經歷問完後，先不要急著壓成一行履歷。今天要建立的是 evidence-bank.md，也就是求職證據庫。
每段經歷可以先留下幾個欄位：事情的背景、自己負責的部分、遇到的問題、做過的決定與行動、結果，以及目前能核對的證據。想不起來或無法確認的內容，也誠實標記出來。
例如：
## 經歷：淹水預測課程專題
### 背景
四人團隊使用歷史降雨資料，嘗試預測淹水風險。
### 我的責任
整理資料、統一時間尺度，並協助模型評估。
### 遇到的問題與決定
不同資料來源的時間解析度不一致。比較處理方式後，決定先統一時間尺度，再處理缺值。
### 結果
完成可重複執行的資料整理流程與期末展示。
### 證據
課程報告、GitHub 紀錄、期末簡報。
### 尚未確認
模型改善幅度，需要回頭查報告。
這份檔案不是正式履歷，也不需要限制在一頁。它比較像所有求職材料共用的原始資料庫。以後想起新細節就補進來，發現原本記錯也可以修正。
如果還記得 Day 7，就會知道格式的選擇取決於下一位接手者是誰。證據庫使用 Markdown，不是為了看起來比較像工程文件，而是因為它還會持續由人修改，下一個出口也仍然是 AI。清楚的標題與固定欄位，能讓人快速找到內容，也讓 AI 比較容易分辨每段經歷的背景、責任、結果、證據與尚未確認之處。
所以，求職版 grill-me 不是只問完一段經歷就結束，也不是準備在一個晚上把整個人生審問完。比較實際的做法，是一次挑一段課程、專題、研究、實習或打工經驗，進行一次數位考古，再把問出的內容整理成 evidence-bank.md 裡的一個經歷模組。
第一段整理完，再處理下一段。隨著不同經歷逐漸加入，這座證據庫才會慢慢長出自己的樣子。
這個過程可能持續好幾天，甚至數十天。因為有些文件需要重新翻找，有些細節需要慢慢回想，也有些成果必須回到原始紀錄才能確認。稍微耐得住性子，一次挖清楚一小段，就已經是在前進。
也不用等到整座證據庫全部完工，才能開始下一步。先完成一兩段最完整、最接近目前方向的經歷，就可以交給明天的 career-ops 試著使用；其他材料之後再繼續補上。
證據庫不是一次寫完的作業，而是一份會跟著經驗持續更新的求職資產。
明天 Day 28，career-ops 才會開始搜尋職缺，讀取不同公司的要求，再讓AI從證據庫挑出相關經歷，製作對應的履歷。今天若急著配對職缺或生成很多版本，等於證據還沒整理好，就先開了一間履歷影印店。
Day 27 的界線很簡單：
今天建立可信的材料；明天才決定這些材料要給誰看。
挑一段課程、專題、實習或打工經驗。先不要想它夠不夠厲害，只問自己：這件事情裡，我實際做了什麼？有哪些文件可以幫我想起來？哪些內容仍然不能確認？
今天想留下的一句話是：
履歷不是從空白文件寫出來的，而是從自己的經歷裡問出來的。
iThome鐵人賽
看影片追技術