核心用法
Job 是一款完整的求职情报系统，将求职视为"销售流程"——求职者既是销售员也是产品。系统诊断用户当前处于哪个失败阶段（被看见/被选中/拿offer），并针对性提供解决方案。
简历优化：强调ATS（申请人追踪系统）适配，要求镜像职位描述关键词、避免表格/分栏等格式陷阱、使用标准标题。提供"行动动词+具体行为+可量化结果"的bullet公式，如将"负责社交媒体"改写为"14个月内将Instagram粉丝从8K增至47K， inbound线索提升34%"。
求职策略：60-70%岗位通过人脉填补，建议将70%精力投入Networking；建立50-100家目标公司清单；信息面试核心规则——绝不直接问"有无职位"，而是请求20分钟经验分享。
面试准备：强制要求完成企业深度研究（商业模式、近3个月新闻、竞品文化）；用STAR法则（情境-任务-行动-结果）准备7类核心故事；提供"现在-过去-未来"结构的90秒自我介绍公式。
薪资谈判：计算总包需包含base、奖金、股权年均值、福利折算；60%雇主预期谈判，提供"感谢+目标数字+沉默等待"的标准脚本；base若固定可转 negotiate 签字费、额外假期、加速vest等。
职业转型：提供可迁移技能审计框架，建议通过项目作品、行业社群、 adjacent 岗位实现 bridging。
显著优点
- 阶段诊断精准：区分"投递无回复"/"面试不通过"/"offer谈崩"三种失败模式，避免无效努力
- 招聘方视角：揭示ATS算法逻辑（0.6-0.7关键词匹配阈值）、面试官真实决策流程
- 高度可操作：提供 cold/warm outreach 话术模板、谈判沉默技巧、总包计算公式等即拿即用的工具
- 量化导向：强制要求简历bullet包含数字，面试故事需业务结果
- 风险预警：明确标注offer决策中的red flags（催签压力、模糊JD、团队高流失率）
潜在局限
- 地域适配性：ATS规则、 Networking 文化、股权谈判等明显偏向北美/科技行业语境
- 行业覆盖不均：对创意类、学术类、公务员体系等"非标准化"求职路径覆盖不足
- 系统性歧视未触及：年龄、性别、履历gap等敏感议题未提供应对策略
- 过度工具理性：将人际互动高度脚本化，可能削弱真诚连接
适合人群
- 科技/互联网/咨询/金融等"标准化"行业求职者
- 经历求职瓶颈、需要诊断具体失败环节的中高级候选人
- 首次接触北美/外企求职体系的国际化人才
- 职业转型期需重新包装可迁移技能的用户
常规风险
- 隐私泄露：简历优化需上传完整履历，存在敏感信息暴露风险；Networking脚本若被滥用可能导致关系损害
- 过度依赖模板：标准化话术在高度竞争岗位中可能显得千篇一律
- 谈判建议边界：股权估值、税务处理等涉及法律/财务专业领域，需配合专业顾问而非仅依赖AI建议
- 心理预期管理：系统强调"可量化结果"可能加剧求职焦虑，对非量化导向职业（如艺术、社会服务）用户造成压力