JD 拆解（把长职位描述分成可匹配的事实清单）

这个方法解决什么

把一段几十行甚至页级的 JD 拆成多组结构化要求：必需条件、加分条件、主要职责、重复出现的关键词、可能用于面试的主题。让 JD 从一段"难读的招聘文案"变成可逐条比对的清单。

适用场景

• 同时面对多份 JD，需要横向比较或快速判断岗位匹配度。
• 简历改写或求职信写作前需要先明确关键词和优先级线索。
• 准备模拟面试题库前要先明确可能被问到的方向。

操作步骤

1. 输入完整 JD，必要时附带公司业务或团队介绍以判断职责边界。
2. 让模型按"必需条件 / 加分条件 / 主要职责 / 重复关键词 / 可能的面试主题"分组。
3. 对每条要求标注其出现频次，把高频词作为"优先级线索"而非"公司真实权重"。
4. 把结果与公司官网、新闻稿和招聘页面交叉核对，避免直接采纳 AI 的"内部优先级"结论。

容易出现的失败

• 把"重复出现"等同于公司内部真实权重——招聘文案会套模板或夸大。
• 把"加分条件"与"必需条件"混淆，让模型错配自己的简历事实。
• 让模型在小公司、新方向上的归纳直接通过——AI 不知道的部分应回到官方资料核对。

关联任务、工具与风险

• 任务：从长 JD 中提取核心要求、根据 JD 用 ChatGPT 定制简历、为目标岗位准备求职信、根据岗位模拟面试。
• 后续方法：简历—JD 证据映射。
• 风险：把 AI 对 JD 的归纳误读为招聘方真实权重。

来源边界

本方法的核心拆分维度与"重复出现只是优先级线索"提醒来自 SRC-CAREER-001：让 ChatGPT 变成求职神器的 5 个小技巧；AI 会不会误读 JD 优先级，并仍要人工核对的观点属于整理性扩展，不应误写成作者逐字表达。