辞职后我用NotebookLM和Cursor重写了一遍简历

从大厂离职到现在差不多三周了。三年多的大厂生涯，攒下来的除了颈椎病，就是一堆说不清道不明的工作成果。真要落到简历上，反而不知道怎么写了。

对着空白文档坐了俩小时，一个字没憋出来。后来我换了个思路——用NotebookLM把过去三年写的周报、项目文档、代码提交记录全丢进去，让它帮我梳理，再配合Cursor来改简历的措辞和结构。这套组合拳下来，简历从“流水账”变成了“有逻辑的技术叙事”。

为什么是NotebookLM

离职前我把所有能带走的个人工作记录都导出来了：周报、项目复盘、技术方案评审记录、内部技术分享PPT，加起来约300多份文档。

手动翻肯定不现实。试过用ChatGPT直接粘贴几篇周报让它提炼亮点，效果很差——它只能看到你给的那一小部分，缺乏全局视角。NotebookLM的好处是，你可以把所有文档作为知识库丢进去，基于整个语料库提问。我建了三个笔记本，对应三个主要方向：基础架构优化、业务系统重构、稳定性建设。

然后开始问具体问题：

• “基于这些材料，我这三年做过的最有技术深度的三件事是什么？”
• “哪些项目体现了性能优化能力？具体数据是什么？”
• “我在跨团队协作中扮演了什么角色？有没有具体案例？”

当真实文档喂进去后，回答变得非常具体。它会引用某个具体项目的数据，比如“你在2025年Q3的XX项目中，将接口P99延迟从420ms降到了180ms”，这种细节我自己都忘了。

踩坑记录：NotebookLM不是万能的

第一个坑是数据质量。一开始把所有文档一股脑丢进去，结果问出来的东西经常被草稿和半成品带偏。后来花了一个晚上做清洗，删掉只有“本周主要工作是配合XX团队联调”这种废话的周报。

第二个坑是提问方式。问“我有什么亮点”，答案通常很泛。但问“找出所有涉及数据库性能优化的项目，列出优化前后的性能对比数据”，它就能给出精准结果。我把这些结果整理成了“简历素材池”。

第三个坑是偶尔“过度联想”。有次它把两个不同项目的优化数据混在一起，我差点把错误数据写进简历。所以后来每一条素材都回到原始文档核实。工具帮你做初筛，但最终把关的必须是你自己。

Cursor上场：从素材到简历

素材有了，接下来是写。把素材组织成简历语言这件事，比想象中费劲。我建了一个Cursor项目，放三个文件：

• raw_material.md：素材池
• resume_draft.md：简历初稿
• job_description.md：目标岗位JD

用Agent模式给出明确指令：根据JD关键词，从素材池筛选最匹配的经历，重写项目描述，每条不超过三行，突出量化结果和技术难点。

Cursor改出来的质量确实不错。它能把“负责XX系统的重构工作，提升了系统性能”改成“主导XX系统从单体架构到微服务的拆分，QPS峰值从800提升到2400，P99延迟下降56%”，并根据JD调整侧重点。

但这里也有坑：Cursor有时会“编造”数据。素材里写“性能有明显提升”，它可能直接写“提升40%”。所以每一条量化数据我都要求标注来源，没有来源的一律删掉或改成定性描述。

一个让我意外的发现

用NotebookLM梳理素材时，我发现花时间最多的项目，并不是简历上最亮眼的。

比如花了近一年维护的一个内部工具，对外人很难理解价值。反而是顺手做的小优化——把一个慢查询从2.3秒优化到40毫秒——在简历上的冲击力远大于那个一年的项目。

这个发现让我重新思考了职业方向。我们容易被“投入时间”绑架，觉得花时间多的就是重要的。但从外部视角看，真正有说服力的是可量化的、有对比的、能讲清楚技术决策的经历。技术人的价值，不是看你多辛苦，而是看你能讲清楚自己解决了什么别人解决不了的问题。

效果怎么样

简历改完后投了五家公司，收到三个面试邀请，转化率比之前在职时随便投好太多。

面试有个小插曲。某公司二面时，面试官问我简历上“接口P99延迟从420ms降到180ms”是怎么做到的。这个问题我准备得很充分，因为写简历时就回原始文档核实过每一个数字，把优化方案的前因后果都回忆了一遍。如果当时偷懒直接用Cursor生成的内容没核实，这一关大概率会挂。

写在最后

NotebookLM和Cursor只是工具，真正有价值的是那个过程：逼着自己重新审视过去三年的工作，把模糊的“我做了很多事”变成清晰的“我做了这些事，带来了这些结果”。 这个过程本身，比简历重要得多。