我用 AI 追踪求职被拒记录，这改变了我的求职方式，最终我成功入职。

一句话看懂：24 岁的 Margareth Felicia Gono 在求职期间用 Claude 搭建了一套个人求职追踪系统，把 186 次投递、19 场面试转化为可分析的数据漏斗，并通过面试录音的情感分析定位自己的表达问题，最终入职 DoorDash 任高级助理。

事件核心：发生了什么

据 Business Insider 报道，Gono 今年 5 月完成应用分析硕士学业后开始求职。作为需要工作签证的国际学生，她早期采取广撒网策略，随后转而用 Claude 建立结构化流程：让模型从职位描述中提取核心技能与关键词，再与自己的简历比对，生成类似 ATS（申请者追踪系统）的匹配评分，找出简历中没讲清楚的经验，也判断哪些岗位不值得投。

她还用 Claude 做了两件事：一是把自己拆成分析、销售营销、咨询三个方向的简历版本；二是搭建可视化看板，追踪到 186 次申请、44 次主动联系、19 场面试、3 轮终面、1 个 offer 的完整漏斗。面试环节，她在获得允许时录音并做情感分析，找出自己犹豫、使用填充词、被追问细节的节点；无法录音时则事后复盘记录。此外她让 Claude 抓取面试官的 LinkedIn 公开信息找共同点，曾因一个奶酪俱乐部话题与招聘方建立连接。

为什么重要

这条新闻的价值不在 Claude 本身，而在于展示了一种低门槛的 AI 应用范式：把大模型当作可编程的个人数据处理层，而不是问答工具。她没有写复杂代码，而是用项目、自动化代理和仪表盘把非结构化文本（职位描述、简历、面试记录）转成可衡量指标。这恰好对应企业级 AI 应用正在走的路径——把模型能力封装成工作流。对闭源模型厂商而言，这类个人开发者场景是留存的关键：用户越把上下文沉淀在同一个项目里，迁移成本越高。

对用户/开发者/创作者的影响

求职者可以直接复用的思路是：建立漏斗指标而非依赖情绪判断，用关键词匹配优化简历，用复盘替代焦虑。开发者则可以看到一个轻量方向——围绕具体职业场景做垂直 agent，核心壁垒是对场景指标的定义，而非模型调用。需要注意的是，面试录音涉及对方同意和隐私合规，LinkedIn 抓取也可能触及平台条款，目前公开信息显示这些操作都在灰色地带，产品化时必须处理授权与数据边界。创作者同样适用这套方法：把内容表现拆成漏斗，用模型分析受众反馈，而不是凭感觉调整。