不知道你有没有这种体验打开招聘 App翻两页就开始审美疲劳——岗位标题像复制粘贴来回就那几家公司你明明想“换个方向看看”结果越刷越像在原地转圈。一个我自己曾经的例子想转 AI 产品结果只被推大厂、还不在我城市比如我自己的情况或者说身边很多互联网从业者都踩过这个坑我过去是互联网公司从业背景现在想转AI 产品经理。我希望看的其实是我所在城市或周边本地公司的 AI 产品岗哪怕公司没那么大但机会更真实、路径更可走。结果推荐流给我的是什么几乎清一色不在我城市的大厂产品经理标题还特别相似增长产品、平台产品、商业化产品……至于本地公司那些“AI 产品经理 / AI 应用产品 / 大模型产品”岗位反而像是不存在一样基本不出现。直到有一天我没用手机在电脑上打开某招聘软件搜索AI产品经理竟然发现了之前没有看到过的身边两个区县的有关岗位。如果不是主动搜索可能有时候会产生一种错觉“是不是本地根本没有岗位”但一旦用搜索或者换个渠道一查岗位明明在只是推荐流没给我看见。后来我回想过去做过的推荐算法的有关工作结合做大数据和业务增长的经验我推测岗位推荐系统在做一件它最擅长的事把你迅速收敛到“最可能点、最可能投、最可能成交”的那条路上。这篇文章我们详细聊聊在找工作的时候我们是怎么被算法锁住以及我们应该如何破圈。推荐系统到底在干嘛它不在乎我想要什么它在乎我会点什么招聘 App 的推荐逻辑很多时候不是“帮我找工作”而是“帮平台做转化”。毕竟都是大平台都要赚钱都要财报好看。平台想要的闭环很朴素我点开点击我停留阅读我收藏/投递强信号HR 回复成交链路于是它会抓住我一切行为把我刻成一张“可转化画像”。问题也在这里我以为我在“看看市场行情怎么样”它以为我在“确认偏好”以为我在对某些公司感兴趣。我点开过几次“大厂AI产品产品经理” JD停留时间长一点哪怕只是一边看着一边跟朋友围观吐槽这个岗位招聘要求之傻逼——系统都会认真地点点头懂了你就爱这个。更要命的是系统偏爱“更容易成交”的供给于是我总看见那几家为什么总是那几家公司因为它们在系统眼里“更稳”。岗位发得多更新快天然占版面HR 回得快数据好看更像“能成交”还有一部分是付费曝光看起来像推荐其实夹着广告逻辑推荐系统最擅长做的事是把不确定性踢出去。本地中小公司的 AI 产品岗位数据可能少、反馈可能慢、路径可能不那么顺滑——它就不太愿意把宝押在这种“不够确定”的东西上。比如推荐小公司的岗位第一可能用户应聘体验不好容易流失第二这些小公司的岗位可以多让销售打打电话推推会员或许可以先获得更多的会员费然后再推。结果就是我想看“本地 AI 产品岗位”它给我推“异地大厂产品”我刷得越久它越坚定我深夜越刷越烦它越认真推荐它觉得一个大厂背景的用户现在深夜一定是需要这些外地AI大厂的岗位于是我进了一个典型的“收敛闭环”越刷越窄越窄越刷把过程写成一句话就很直观我点开 A 类岗位 → 系统认定我喜欢 A → 给我更多 A → 我能看到的更少 → 我只能继续点 A → 推荐越来越窄这就是信息茧房只不过换了个马甲从短视频的“同温层”变成招聘的“同岗位”。更诡异的是某些平台还会要求用户使用的时候必须先选择一个目标投递岗位然后才能看到 它给你推荐的 其他岗位。而且招聘更狠短视频顶多浪费时间招聘会浪费选择、浪费信心。破圈不是深夜问候推荐算法而是换一种方式“喂数据”理解机制之后我发现这事反而变得很工程化它靠行为学习那就用行为重新训练它。5第一步少刷推荐流多用搜索进入搜索是我说话信息流是它猜推荐流是它猜你会点什么搜索是我告诉它我在找什么。所以如果目标是“本地 AI 产品”我会让系统连续几次看到我在搜AI 产品经理大模型产品AI 应用产品智能体 / Agent 产品RAG 产品 / 评测 / 数据闭环看具体方向然后做一件关键的小动作点开 收藏 少量投递。因为收藏/投递对系统来说是强信号能更快改变推荐分布。只点开不收藏像只说“我想要”不付订金系统不太信。6第二步对重复推的公司给“强负反馈”别围观最容易踩的坑是反复点开自己讨厌的岗位去确认它有多离谱。系统会把这种行为当成兴趣继续推。所以我更倾向于直接不感兴趣屏蔽公司减少此类推荐这一步很像把噪音源关掉。关掉之后世界立刻清净一半。7第三步先放宽非核心筛选条件让“可见集合”变大当我把薪资、公司规模、融资阶段、行业、远程、福利全都卡死时供给会瞬间变少。供给少了推荐就只能重复。所以更稳的做法是只留 1–2 个核心约束比如职能 城市其他先放开用脑子筛。这一招或许会让你有新的发现。就比如你从大城市大厂来到一个小城市你希望能高于或持平原来的薪资但是看了一圈发现某些岗位最高薪资 也比不上你大厂应届入职时候的薪资——有些城市有的科技公司创始人也就一个月领2w块钱月薪15k就是这个城市的高薪岗位了所以先让“我看得到”的池子变大再谈精选再选高薪8第四步无痕模式对刷一次确认是不是画像锁死无痕刷 10 分钟就能看到“市场真实供给的大概样子”。如果无痕里丰富、登录后很窄那基本可以确认不是市场小是我的画像被锁死了。锁死就得重训。重训就回到前面搜索 强信号。真正的根因转行最难不是能力是系统“看不懂我”说回“互联网转 AI 产品”这个例子。推荐系统和 ATS 检索核心靠什么靠协同过滤更靠关键词召回。如果简历里写的是需求分析、版本迭代、增长、平台而 JD 在找的是Prompt、Agent、RAG、评测、数据闭环、模型能力边界、落地场景那系统会干两件事1推荐端继续把我归到“传统产品池子”给我推大厂 PM2招聘端我投 AI 产品岗也更容易被关键词筛掉过筛不稳这时候最真实的问题不是“我不行”而是“系统看不懂我行”。9所以我更愿意把“对齐”做成流程而不是每次靠手改比如你可以试试AI 简历姬如果处在“转行/换赛道”的阶段简历最重要的不是写得华丽而是关键词对齐JD 里要什么我的经历里能对应什么ATS 友好机器能不能读懂、能不能召回面试可承接简历写的东西面试能不能讲清AI 简历姬就是按这个思路做的以 JD 为中心把求职变成闭环工程。导入旧简历结构化解析并修复关键信息粘贴 JD 后关键词逐条对齐到经历里给匹配度评分、覆盖率与缺口清单按成果导向用 STAR 改写3 分钟生成可投递版本PDF/Word 也能解析ATS/HR 机器筛选友好校验降低“过筛秒挂”面试模块基于“简历 目标岗位”生成定制追问、参考回答与反馈建议一岗一版多版本管理配合投递看板追踪“投递—面试—复盘”更像是把求职从“凭感觉猛冲”变成“像做项目一样迭代”。10所以要把求职这事看成“信息流经济”它有规律有模型但切忌自我否定当推荐反复推同一类岗位很容易把人逼进一个误区“是不是我就只能做这些”但拆开机制之后我更愿意这么理解我不是没选择我只是被系统安排进了局部最优破局靠的不是更用力地刷而是换一种方式让系统学习说到底破圈只做两件事就够第一让系统看到我在找“本地 AI 产品”并相信这是真的搜索 强信号。第二让系统看懂我确实能做这个关键词对齐 可解释的经历。剩下的就是时间问题。但这次时间不是用来刷的是用来迭代和成长的。最后第一从刷推荐岗位信息流转成刷搜索输入岗位切换城市切换区域搜索第二用好大模型比如豆包比如AI简历姬多问问还可以投什么岗位不要局限于过去做过什么要看看可以结合AI接下来可以做什么找到新目标然后再组织新简历第三不要局限于单个招聘平台每个平台都试试每家公司的招聘官网也都试试第四自媒体平台去联络经常露脸的目标公司主管们也是一个不错的思路很多人成功过