履歷成果產生器 Prompt：把職責改寫成可驗證的量化成果
可複製的 AI prompt，把工作職責改寫成可衡量的成就 bullet——不編造指標，只提取你已有的真實證據。
一句話結論
一條好的成就 bullet 用「範圍 + 動作 + 衡量方式 + 業務結果」替代職責標籤。當你沒有硬數字時，用頻率、受眾規模、品質門檻、時效性或與基準的對比來表達。正確的 AI prompt 不會替你編指標——它會追問你經歷中已有的證據，並幫你把它框出來。寄出前務必確認每條成就 bullet 都有可驗證成果支撐。
履歷讀起來像職缺說明書的人——滿篇「負責」「參與」但沒有可衡量的影響。也適合轉職者、職場早期和那些職位成果天然不數字化的人。
想一鍵「讓履歷看起來更厲害」的人。也不適合想讓 AI 替你編數字的人——這裡的 prompt 只提取真實證據，不發明虛假指標。
搜尋者想把履歷中的職責描述變成有說服力的成就 bullet。他們知道一直寫「負責」不會被招募方多看一眼，但不知道怎麼從自己的經歷中提取範圍、頻率、受眾和業務影響。他們需要的是一個會追問證據的 prompt，而不是一個編數字的工具。
-
從職責到量化成果的轉換框架
大多數履歷寫的是職責，招募主管看的是成果。差距在於四部分結構：你負責什麼（範圍）、你具體做了什麼（動作）、你怎麼衡量它（指標）、它為什麼對業務有影響（結果）。這個框架不只幫助你改寫，更幫助你在面試追問時清楚解釋你的貢獻。
可用 Prompt： 把下面這些履歷職責改寫成量化成果 bullet，使用這個結構：[範圍：你負責什麼系統、專案或領域] + [動作：你具體做了什麼] + [指標：怎麼衡量的] + [業務結果：為什麼對公司重要]。如果我的原始文字不足以支撐這四個部分，請向我提出具體的追問，不要猜測或編造數字。表達示例： 職責：「負責管理客戶支援工單。」→ 量化成果：「每月處理 1,200+ 張支援工單覆蓋 3 個企業客戶，連續 18 個月維持 97% 客戶滿意度，透過一套被 12 人支援團隊採用的分流流程將升級工單減少 22%。」 -
沒有數字時怎麼寫量化成果
並非每個職位都產出清晰的 KPI。當缺少硬指標時，使用五個替代維度：頻率（多常做）、受眾（誰在用、多少人依賴它）、品質（錯誤率、審核通過率）、時效性（提前完成、比基準快）、對比（比以前好、比同業好、比業界標準好）。這些維度一樣能產出讓招募方看得懂的證據。
可用 Prompt： 我對這些職責沒有量化指標可提供。請幫我用替代證據寫成就 bullet：[頻率：你多常做這件事？] [受眾：多少人、哪些團隊依賴它？] [品質：達到什麼標準？] [時效性：比之前更快或更可靠嗎？] [對比：比同業、業界標準或舊系統更好嗎？]。逐個維度問我問題，能回答多少就寫多少——不要編造數據。表達示例： 職責：「負責新進人員入職。」→ 量化成果（頻率 + 受眾 + 品質）：「8 個月內入職 40+ 名新進人員覆蓋 4 個部門；建立一份 12 步入職檢查清單，將主管跟進時間縮短 60%，並被採納為全公司入職標準。」 -
為什麼不能讓 AI 替你編指標——以及怎麼讓它追問你
很多 AI 履歷工具如果你不阻止它，會自信地編造數字。解法是用 prompt 把 AI 變成一個面試官，而不是代筆人。明確指示 AI 標記證據缺口、提出追問、在它必須猜測時停下來。這樣你才能在寄出前確保每條 bullet 都是可驗證成果。
可用 Prompt： 你在幫我重新把履歷職責改寫為量化成果 bullet。這是一個事實提取任務，不是創意寫作。規則 1：只在以下情況使用數字、百分比、金額、時間範圍或人數：(a) 我提供了它們，或 (b) 我確認了你追問時提出的數字。規則 2：如果一條職責太模糊無法寫成果，問我：「要把這條改寫成量化成果，我需要知道：[具體的缺失證據]。你能提供其中任何一項嗎？」規則 3：如果兩次追問後我仍無法回答，標記該 bullet 為 [需要補充證據]，並跳到下一條。不要發明數據。表達示例： AI 追問：「要把'組織團隊會議'改成可驗證成果，我需要知道：與會人數是多少？會議頻率是什麼？每次會議通常產出什麼決策或行動？有沒有前後對比的改善？」你回答你知道的，AI 只根據已確認的事實來組織語言。 -
改寫前後對照：三個行業的職責變成可驗證成果
這個模式跨行業適用。下面是三個不同行業的職責到成果改寫對照，展示了同一結構——範圍、動作、指標、結果——如何適配每個職位自然產生的證據。招募方看履歷時就是在找這種從職責到專案成果的轉化。
可用 Prompt： 以下是我履歷中的 3-5 條 bullet point。請只使用我提供的或能確認的證據，將每條改寫為量化成果 bullet。並排展示改寫前後。每次改寫標註你使用了哪種證據維度（範圍/動作/指標/結果/頻率/受眾/品質/時效性/對比），讓我學會這個模式。表達示例： 改寫前（零售）：「負責店鋪開閉店。」→ 改寫後：「14 個月內每週 5 天執行開閉店操作；管理現金抽屜 300+ 次交接零誤差；訓練 3 名新進人員掌握開閉店流程。」改寫前（行政）：「處理辦公用品採購。」→ 改寫後：「管理 3 個辦公據點年度 1.8 萬美元辦公用品預算；重新談判供應商合約節省 23%；為 45 人團隊維持 98% 庫存可用率。」改寫前（IT）：「修理電腦問題。」→ 改寫後：「每週解決 40+ 張 Helpdesk 工單覆蓋 200 人辦公室；建立自助知識庫 6 個月內將重複工單減少 31%。」
發布前檢查清單
- 每條 bullet 包含範圍要素（什麼系統、專案、流程或受眾）。
- 每條 bullet 使用具體的動作動詞（不是「負責」「參與」「協助」）。
- 每條 bullet 至少包含一種證據類型（指標、頻率、受眾、品質、時效性或對比）。
- 沒有編造的數字——每個量化成果都能在背調或面試追問中驗證。
- 每條 bullet 能通過「證明它」測試：如果面試官問「你怎麼知道的？」你能用真實數據回答。
常見問題
職責 bullet 和量化成果 bullet 到底有什麼差別？
職責 bullet 描述你被要求做什麼：「負責每週銷售報告。」量化成果 bullet 描述因為你做了什麼而發生的改變：「為 12 人區域銷售團隊產出每週銷售報告，每期標註 3 個低於目標客戶，2 季內挽回 18 萬美元銷售漏斗。」職責說明你有出現，量化成果說明你的工作改變了什麼。招募主管和招募方找的就是後者。
沒有真實指標時能用 AI 生成的數字嗎？
技術上能，但你不該這麼做。招募主管和背調能快速識別編造的指標。一條寫 97% 客戶滿意度卻對不上你實際用過任何系統的 bullet 是危險信號。用 AI 提取和框定你真正有的證據——頻率、規模、前後對比、採用率、公開認可。真實證據框得好，遠勝過編造數字。寄出前務必確認你能在面試時為每個數字提供解釋。
如果我的職位真的沒有任何可衡量的成果怎麼辦？
每個職位都有可描述的維度：多少人用了你的產出、你多頻繁地交付、你達到了什麼標準、你的工作防止了什麼問題的發生、或者如果沒有你這個職位會發生什麼事。如果你寫了 12 個人用的訓練文件且之後零人重複問同樣問題，這就是可驗證成果。你不需要董事會層級的 KPI 才能寫出一條真實的 bullet。
寄出履歷前用這些 prompt 把職責改寫成招募主管真正會看的量化成果。
產生我的量化成果