简历优化新思路：Prompt Engineering 与 RAG 技术深度对比

在求职过程中，许多求职者发现，尽管自身具备丰富的资历与成就，但从投递简历到获得面试邀请的转化率却在下降，尤其是在过去一年左右的时间里。与许多人一样，借助大型语言模型（LLMs）来辅助简历的创建与修改，已成为一种值得探索的方案。理想情况下，为每一份申请职位量身定制一份简历，根据具体的职位描述和公司特点来调整工作经验的表述方式，是提升成功率的关键。对于职业生涯中期的求职者而言，其工作经验往往远超一页简历所能容纳的范围，因此需要筛选出最相关的内容。LLMs 能够帮助总结、改写并筛选最相关的工作经验，从而为特定职位定制简历。

本文将探讨如何在 Azure 平台上，运用提示词工程（Prompt Engineering）与检索增强生成（RAG）技术来增强 LLMs 撰写简历的能力。虽然 LLMs 无需 RAG 也能协助撰写简历，但引入 RAG 可以对比实验效果，判断其是否能生成更优质的简历。同时，实验还将对比完整版 LLM 与小型语言模型的表现。为了评估不同方案的效果，采用了以下指标（参考微软文档）：

事实准确性：该指标评估模型的回答与输入源信息的吻合程度。LLMs 的回应应基于提供的数据。在撰写简历的场景下，任何超出所提供背景信息的回应都是不可取的，我们不希望 LLM 凭空捏造工作成就。

内容相关性：该指标衡量模型回答与给定问题的关联性。在本案例中，LLM 应提供与给定职位描述高度相关的简历内容。

逻辑连贯性：该指标评估生成的语言是否清晰、简洁且得体。这对于强调简洁明了的简历而言尤为重要。

语言流畅度：该指标衡量 LLM 对英语语法规则的遵守程度。简历内容应具备正确的语法和拼写。

实验将评估三种情况下的简历生成质量：1）仅使用提示词工程；2）结合 RAG 技术；3）在另一基础模型上结合 RAG 技术。评估将依据上述指标进行定性分析，每项指标从低到高分为不满意、边缘、满意三个等级。

要让 LLM 撰写简历，必须向其提供个人经验。最直接的方法是使用提示词工程。提示词工程是一种引导 LLMs 提供更有用答案的技术。LLMs 在非常广泛的数据集（如互联网）上进行训练，以获得对人类语言和模式的深刻理解。然而，这也意味着它们需要具体的上下文才能给出有针对性的回应。提示词工程技术正是通过与 LLMs 交互来提升其回答质量的方法。

利用提示词工程辅助撰写简历时，首先需要提供上下文（即告知 LLM 将协助撰写简历），并输入工作经历作为数据基础。接着，提供职位描述，并引导其完成简历撰写。然而，如果工作经历较长，可能会遇到令牌（Token）数量限制的问题，这就需要要么精简经验描述，要么提高 LLM 及其接口的令牌上限（从而增加成本）。

实验将在 Azure 平台上以无代码方式进行。首先使用 chat-gpt-4o 基础模型进行提示词工程实验。实验将遵循 Azure 关于创建 RAG 应用的教程。开始时，请完成教程中“创建 Foundry hub”和“部署模型”部分的所有步骤。如果仅使用提示词工程，请跳过后续几个部分，直接进入“在 Playground 中测试索引”并完成前两步，以部署 chat-gpt-4o 基础模型。

出于隐私和专业性考虑，以下实验方法描述将尽可能详细，但不会提供具体的个人简历、工作经历或所使用的职位描述。

每种实验方案将主要使用相同的提示词。在仅使用提示词工程的方案中，会额外增加一个步骤，即向 LLM 提供一份“主简历”作为参考材料。这些提示词改编自一篇关于使用 LLMs 撰写简历的 LinkedIn 文章。首先，在 Azure Playground 的“给予模型指令和上下文”框中输入系统消息。系统消息如下：

你将扮演一位专业的简历写手，擅长简洁地呈现信息，使用领域内恰当的语言，同时避免冗余和陈词滥调。你的任务是根据我的经验，将其定位为目标职位的最佳解决方案，并特别针对该职位进行定制，以清晰展示我能够胜任该职位的主要要求。重要的是，你不能编造我未曾取得的成就。只能对现有经验进行重新措辞和组织。

这条系统消息向 LLM 阐明了基本任务（撰写简历），并提供了关于事实准确性（不编造成就）、相关性（针对目标职位进行定位）和逻辑连贯性（避免冗余和陈词滥调）的通用指导原则。

接下来，提供一份主简历。使用的提示词是：“首先，我将提供一份我的工作成就列表。请仅从我提供的信息中提取简历要点和摘要。以下是我的工作经历，供你使用。请确认你已理解。”随后附上主简历。在使用 RAG 时，将不使用此提示词。

然后，为 LLM 提供更多关于招聘公司的背景信息：“这里有一些关于招聘公司的详细信息，以便你能更有效地调整回应，以匹配公司的需求。请确认你已理解。”随后附上职位描述中关于公司的信息；通常职位描述开头会有一两段公司介绍。接着，使用以下提示词设置并提供职位描述：

接下来，我将提供职位描述。我们将使用这份职位描述，一步步地制作一份包含摘要陈述以及每个职位角色 3-5 个要点的简历。请确认你已理解职位描述，并告诉我我正在申请的职位名称。[在此处粘贴职位描述]。

为了进一步聚焦 LLM 的回应，并为简历要点提供更多背景，接着提问：“这份工作最重要的技术技能是什么？哪些技术技能能让我在这个角色中占据优势？”，然后是“[该职位] 最常见的专业领域是什么？”。这些问题的目的是提高所提供要点和摘要的相关性。

现在可以开始生成简历内容了。简历的粗略格式已事先确定：以一段摘要开头，然后为最近的两份工作提供 3-5 个要点，为其他工作提供 1-3 个要点。最后以教育背景部分和关键相关技能摘要结束。LLM 将提供除教育背景部分之外的所有内容。

首先，要求其提供摘要：

利用我的经验，撰写一个 4-6 句的摘要，展示我 10 年以上的工作经验，仅包含与该职位相关的内容。展示我的经验如何能够满足 [X 公司] 的需求。使用适合简历的被动第三人称撰写。

接着，要求其为每份工作提供要点：

从我在 X 公司的经历中，撰写 3-5 个简短的要点，以最好地展示我如何符合该职位的要求。请考虑之前讨论过的技术要求和最常见经验。每个要点以行为动词开头，后跟任务描述，并以结果结尾。在信息可用的情况下，使用数字、百分比、金额等量化每个陈述。这些要点在使用 10 磅字体、窄边距的情况下不应超过两行。

对每份工作重复此提示词，并添加“避免与之前的要点重复”的条款，并根据之前描述的情况调整所请求的要点数量。

最后，在获得每份工作经历的要点后，要求 LLM 提供相关技术技能的摘要：

提供最多 5 个简洁的要点，总结我所拥有的与该职位相关的关键认证和技术技能。仅在我拥有特定相关认证或技术技能时，才提供摘要要点。

这些问题的回答为简历提供了一个起点，通常只需进行最少的编辑——主要是调整格式、删除可能不准确的内容或确保简历控制在一页以内。至此，仅使用提示词工程的方案结束。

在提示词工程之上的下一步是引入 RAG。RAG 允许用户创建自己的文档库，作为 LLMs 提取知识的来源。在本案例中，文档库由已创建的简历组成。较早的简历提供了职业生涯早期成就的更多细节。对于较新的工作经历，在已经创建了涵盖个人工作经验范围的若干份简历后，这种方法非常有用。基于个人简历构建 RAG，有助于将 LLM 的注意力集中在个人经验库上，而无需定制训练或微调模型。虽然使用 LLM 撰写简历并非必须使用 RAG，且 RAG 会产生额外的计算成本，但与仅使用提示词工程相比，它有可能改善结果，并使得向 LLM 提供更广泛的经验参考变得更加容易。

在 RAG 方案中，将使用相同的提示词，但会移除第一个提供工作背景的提示词，因为 RAG 将提供该信息。要使用 RAG，需要返回 Azure 教程，这次完成“向项目添加数据”和“为数据创建索引”部分。但是，不使用教程中提供的数据，而是创建并上传一个包含所有希望 LLM 参考的简历的文件夹。索引完成后，按照“在 Playground 中测试索引”的第四步，将数据添加到模型的上下文中。之后，重复使用之前的提示词，但移除第一个提供工作历史的提示词。

最后，为了评估使用不同基础模型进行简历生成的效果，向项目中部署一个新模型，这次是 chat-gpt-4o-mini，以评估其在 RAG 下的性能。LLMs 拥有数万亿参数，需要企业级托管。小型（相对较小）语言模型（chat-gpt-4o-mini 约 80 亿参数，而 chat-gpt-4o 约 1.8 万亿参数）试图在更紧凑、更灵活的形式中提供 LLMs 的大部分能力，支持本地化部署，这对于数据安全和隐私尤为重要，特别是对于那些可能无法支持内部托管 LLM 的小型公司。新模型部署完成后，返回 Playground，添加上文中的系统消息和 RAG 数据，并重复相同的提示词。

下表总结了每种方案的性能表现：

方案事实准确性内容相关性逻辑连贯性语言流畅度
提示词工程 不满意 边缘 满意 满意
RAG 满意 边缘 满意 满意
RAG-mini 满意 边缘 满意 满意

各方案在不同指标下的性能总结

仅使用提示词工程生成的简历在事实准确性方面存在严重问题，以至于完全无法使用。它编造了求职者并不具备的认证，以及求职者并未实现的改进金额。两份结合 RAG 的简历表现更好，但仍存在一些问题。Chat-gpt-4o 的事实准确性略高，但仍犯了一些 mini 模型没有犯的错误。考虑到 LLM 幻觉的已知问题，应当预期需要验证所有陈述。所有三个模型在内容相关性方面都处于边缘水平；它们未能包含职位描述中的几个重要短语；它们能够生成可接受的要点，但这些要点可以通过手动编辑来改进。结合 RAG 的简历，尤其是在完整模型上，相关性略高。所有模型在逻辑连贯性方面都令人满意，尽管 RAG 生成的要点更为简洁。所有模型都提供了符合规范的英语写作。如果求职者拥有大量的简历档案，那么使用 RAG 来生成简历可能是值得的，即便只是为了减少幻觉的可能性（当然，前提是求职者希望保持诚实——LLM 为求职者编造的一些成就相当令人印象深刻！）。

关于使用 LLMs 创建简历的一些最终思考。LLMs 为简历提供了一个良好的起点，特别是当求职者难以构思新想法或措辞，或者希望为简历开启新思路时。通常，编辑一份初稿简历比从头创建一份要容易得多，因此它们可以帮助求职者构建简历。然而，这需要求职者已有现成的简历要点和工作经验供 LLM 参考。这意味着求职者需要知道如何撰写简历要点。撰写这些要点是一项会生疏的技能，因此建议不要完全依赖 LLMs 来撰写所有简历，尤其是在获得新的工作经验时。其次，需要进一步精简要点，并选择保留 LLM 提供的哪些要点；本可以通过要求 LLM 直接撰写完整的一页简历来避免这一步，但这可能会降低回答的质量（尤其是相关性）。最后，可以通过实时交互来帮助 LLM 编辑和改进其回答，从而提升效果。然而，为了尽可能控制实验条件以改善不同方案之间的可比性，本次实验未采用此方式。