职得面
MVP 搭建中基于简历和目标岗位 JD，帮求职者看懂岗位要求、调整简历匹配方向，把过往经历转化成招聘方更容易理解的表达，并提前准备针对性面试。
Project Context
项目背景
很多求职者在准备面试时，习惯先去网上找通用面试题反复刷题。但真正影响面试表现的，往往不是有没有看过题，而是能不能把自己的过往经历、项目经验和岗位要求讲清楚、讲具体、讲出价值。
很多候选人其实经历并不差，甚至做过不少有含金量的项目，但在面试时容易出现表达散、重点不突出、和岗位要求对不上、讲不出结果和思考的情况。最后导致面试官没有感知到他的真实能力，求职结果也受到影响。
Audience
目标用户
强需求求职者
明确目标岗位但投递反馈不理想，需要根据 JD 判断匹配度，并针对岗位调整简历和面试准备。
转型求职者
想转向产品、AI 产品或产品运营方向，但不确定自己是否匹配，也不知道经历该如何重新包装。
低经验 / 价格敏感用户
经历普通、项目不够亮眼，需要把执行类工作提炼成岗位能理解的能力表达。
ChatGPT 替代用户
已经会用通用 AI 准备求职，对普通功能不敏感，但可作为后续高阶追问和深度面试准备的验证对象。
Pain Points
核心痛点
看不懂岗位要求
知道 JD 写了什么，但判断不出岗位真正想要什么人。
简历匹配不清
不知道哪些经历该突出，也不会针对不同岗位调整表达。
经历价值提炼弱
做过事，但讲不出能力、结果和个人贡献。
准备内容太通用
题库和通用 AI 生成的问题，和个人简历及目标岗位关联不强。
追问容易卡住
一被问到项目细节、难点复盘和个人贡献，就容易讲散或答不上来。
AI Fit
为什么适用AI
AI 擅长处理和重组文本信息，适合用来拆解 JD、分析简历匹配度、提炼经历亮点，并生成针对性的面试问题。 「职得面」不会替用户编造经历，而是把用户已有经历重新组织成招聘方更容易理解的表达，再通过面试追问帮助用户提前发现表达漏洞。
Product Flow
产品流程
- STEP 01
输入材料
用户上传原始简历，并填写目标岗位信息和目标 JD。
- STEP 02
解析 JD
AI 拆解岗位职责、任职要求、核心能力要求和理想候选人画像，帮助用户看懂岗位真正要什么。
- STEP 03
诊断简历
AI 分析原始简历的问题，包括表达是否清晰、项目是否突出、能力是否匹配岗位要求。
- STEP 04
匹配分析
对比简历与 JD，判断用户和目标岗位的匹配程度，找出匹配优势、能力缺口和高风险问题。
- STEP 05
经历追问
围绕用户简历中的项目经历，模拟面试官可能追问的细节、难点、个人贡献和结果复盘。
- STEP 06
简历优化
根据 JD 要求和匹配分析结果，改写简历中的项目经历、能力表达和关键描述，让简历更贴合目标岗位。
- STEP 07
生成最终简历
输出一版针对目标岗位优化后的简历内容，方便用户复制、调整和投递。
- STEP 08
面试准备
基于目标 JD 和优化后的简历，生成高频面试问题、项目追问和回答思路，帮助用户提前准备。
- STEP 09
导出结果
汇总 JD 解析、匹配诊断、简历优化结果和面试准备材料，形成完整的单岗位准备结果。
Market Sizing
市场空间与商业可行性测算
潜在付费用户池
15.8 万 - 96.1 万 / 月
基于招聘 App MAU 和求职用户转化假设测算
理论市场年化收入空间
约 0.93 亿 - 5.65 亿 / 年
按 49 元/月客单价测算
职得面可获得年化收入
约 465 万 - 5648 万 / 年
按 5% - 10% 细分市场占有率测算
达成目标所需日新增注册
约 5273 - 32017 人 / 天
假设用户只订阅 1 个月，倒推所需日新增注册用户
简化市场漏斗
招聘 App 月活
1.13 亿
数据来源：QuestMobile 2025 年 4 月数据
求职用户
7910 万 - 9605 万
认真求职 / 投递用户
1582 万 - 2401 万
愿意尝试 AI 求职工具用户
316 万 - 961 万
愿意付费用户
15.8 万 - 96.1 万
关键测算假设
商业判断结论
测算结果显示，AI 求职准备工具具备一定的付费市场空间。「职得面」在保守与乐观测算下，对应的潜在付费用户池约为 15.8 万 - 96.1 万 / 月，按 49 元/月订阅价格测算，理论市场年化收入空间约为 0.93 亿 - 5.65 亿。
但同时也可以看到，如果用户只订阅 1 个月，产品收入会高度依赖持续拉新。要达到测算中的月收入目标，职得面需要每天新增约 5273 - 32017 个注册用户，这说明单纯依靠低价短周期订阅，增长压力较大。
因此，职得面的商业化重点不应只放在“单月订阅”，而应围绕完整求职周期提升用户价值和复购空间。后续可以从多岗位准备、求职周期包、简历版本管理、面试追问训练和高阶服务等方向扩展，提高单个用户在求职周期内的使用深度和 LTV。