在這個大AI時代下，你是不是也常常直接打了一段 prompt，然後再將履歷上傳給 AI，
過了幾秒後，拿到了兩三點建議，像是以下

• 把成果量化、指標化
• 精簡冗言
• 將缺點變成優點等等

每一點聽起來都好像沒錯，似乎AI也幫我們改的沒甚麼問題
但是當你盯著螢幕看，卻發現這些建議跟修改似乎與自己格格不入

舉例來說，我履歷上的寫的是曾經在印度從 0 到 1 完成團隊與平台建立，但 AI 卻幻想成我是高階主管，主導公司專案與營運方向，給著許多建立 KPI、OKR 的建議與修改，但我實際只是一個技術組長

建議聽起來有道理，和建議真的有用，是兩件事

問題不在模型不夠強

變更模型也許不會真的解決這件事，因為缺的不完全是模型能力。 還有將修改依據加入

• AI 說你缺乏專案管理經驗，是根據履歷哪一段呢？
• AI 幫你改寫，該怎麼確定它沒有補上你八桿子打不著的事呢？
• 即使調了 prompt，結果是變好還變壞，要如何驗證呢？

舉出的這三個問題都有同一個特徵：光看輸出回答不了
我們得要求它把來源指出來，要求改寫可以逐條對回原文，要求手上有一批固定的測試案例能夠前後比較
讓履歷修改工程化 !

那如何工程化，就由接下來三十天透過六個章節的實作與驗證和嘗試 !

這三十天在做什麼、不做什麼

先說這個系列不是「如何用 Gemini 做一個履歷工具」!

我希望這系列能完成以下四件事:

1. AI 可追溯 — 每條結論都指得回履歷原文
2. AI 不捏造 — 寧願說找不到，也不補上根本沒做過的事
3. AI 不靜默失敗 — 出錯就明講，不幻想一個看起來正常的答案
4. AI 成本與延遲是量過的數字，不是「應該還好」

也先說不會做什麼:

1. 不做面試練習
2. 不做語音
3. 不做多使用者系統。帳號、權限、角色是另外三十天的事
4. 不串金流
5. 不做模型微調，手上沒有真實標註資料，而且這個系列用的履歷全部是虛構的

六章長什麼樣

第一章 - 從想法到第一個可操作版本：環境、第一次呼叫、看得見的介面

第二章 - 讓履歷分析有依據：測試資料、結構化輸出、證據對照、不捏造的改寫

第三章 - 從分析結果走向學習行動：澄清問題、學習計畫、程式驗證

第四章 - 讓 Agent 有狀態，也有界線：ADK、工具、Sessions、隔離與注入測試

第五章 - 部署到平台，觀察真實行為：部署路徑、追蹤、日誌、失敗處理

第六章 - 用實驗證明作品的價值：評估規準、版本比較、偏誤實驗、成本與延遲

明天

先搞清楚工具組：Gemini Enterprise Agent Platform 底下的模型、SDK、ADK 和 Runtime 到底各做什麼，順便解釋為什麼你搜到的資料有一半還在用舊名字。