求职季最磨人的不是投递本身，而是投递之前那一长串准备：简历要不要重写一版、求职信每家公司都要现写、面试问题心里没底、目标公司的业务和岗位要求还没摸透。每一项单独看都不难，合在一起就是好几天东拼西凑的活。本文用 LM Station 实测了一条路：改简历、写求职信、准备面试问题，尽量在一个 App 里走完。下面是真实可复现的步骤、用到的是哪些功能，以及哪些地方必须自己把关。
先交代工具背景。LM Station 是 iPhone、iPad、Mac 上的 AI 工作台，号称“个人版 LM Studio”：聚合了 20+ 云端模型，包括 GPT、Claude、Gemini、Qwen、DeepSeek 等，同时能在 iPhone 上直接本地运行大模型（Ollama 与离线模型），还提供 Deep Research、RAG 知识库（Knowledge Backpack）、长期记忆、OCR 与视觉分析、语音、图片生成和自定义 Agent。据开发者介绍，LM Station 累计下载已突破 100 万。求职准备这条线，主要用到的就是视觉识别、多模型切换、Deep Research 这三块。
第一步：把旧简历“读”进去，别从零重打
大多数人手里都有一份旧简历，问题是它是 PDF 或纸质版，改起来先要重新排版。实测做法是：
- 打开 LM Station 的主聊天界面，把旧简历拍照或直接把文字粘贴进去；
- 让它用视觉与 OCR 能力先读出简历内容，再按“基本信息—工作经历—项目经历—技能—教育背景”整理成结构化文本；
- 核对一遍识别结果：尤其注意公司名、职位、起止年月和数字，OCR 读错一位数，整段经历就变了味。
这一步的关键不是让 AI 替你写，而是先拿到一份干净、可编辑的电子底稿。底稿有了，后面每一步才改得动。顺带一提，如果旧简历里还留着身份证号、完整家庭住址、薪资流水这类敏感信息，先删掉再贴进去——不要把这些内容发给任何云端模型。涉及隐私的内容，优先用本地模型处理，或者先脱敏再问。
第二步：让不同模型各改一版简历，对比措辞再定稿
简历最难改的是措辞：同一段经历，写得平铺直叙显得没亮点，写得太满又像吹牛。LM Station 的优势在这里很实在——20+ 云端模型可以在一个 App 里切换，不用在几个 App 之间来回复制粘贴。实测流程是：
- 先选一个模型，让它按目标岗位的要求重写简历，重点是把经历写成“做了什么—用什么方法—带来什么结果”的结构；
- 切换到另一个模型，用同一份底稿和同一个要求再改一版；
- 把两版并排对比：看哪个版本动词更准、哪个版本删掉了空话、哪个版本保留了你的真实细节。
我的经验是，不要直接采用任何一版全文。更好的做法是逐段挑：A 版的项目描述更具体，B 版的技能总结更干净，就把两段拼成你自己的版本。模型之间风格确实不一样，有的偏简洁，有的偏详细，对比着看，比只问一个模型更容易发现哪句话写虚了。另外，改简历时可以顺手让它检查中英文混排、标点和格式一致性——这种小毛病自己看三遍都容易漏，换个“读者”扫一遍很划算。
第三步：用 Deep Research 查目标公司，对照岗位要求再改一轮
很多人改简历只改自己的经历，不改“对准谁”。同一份简历投十家公司，命中率自然低。LM Station 的 Deep Research 适合干这个：它会做多步联网调研和对比，生成结构化的报告。你可以这样用：
- 把目标公司的名字和岗位描述发给它，让 Deep Research 查这家公司最近的业务方向、产品线和招聘侧重点；
- 拿到报告后对照自己的简历问一句：岗位描述里反复出现的三个关键词，我的简历里有没有对应的真实经历；
- 有，就把那段经历往前挪、写细一点；没有，就别硬编——没有就是没有，面试时编出来的经历最容易被问穿。
这一步的产出不是让简历变长，而是让简历变“对”。一篇只有一页的简历，如果每一段都能对应上岗位要求，比两页泛泛而谈的简历管用得多。顺便提醒一句：Deep Research 的报告也要抽查，关键事实（比如公司最新业务线）最好自己再确认一次，别把 AI 的调研结论直接当成面试时的谈资。
第四步：按岗位描述生成求职信初稿，再自己改成人话
求职信最容易写成模板味：开头“贵公司一直是我向往的企业”，结尾“期待您的回复”，中间复制简历。实测里更有效的做法是：把改好的简历和岗位描述一起发给 LM Station，让它生成一封求职信初稿，要求只有三点——第一段说明你为什么适合这个岗位、第二段用一两个具体事例证明、第三段一句话收尾，全文控制在三四百字。
初稿出来之后，一定要自己改两遍：第一遍删掉所有套话和你根本没做过的事；第二遍把 AI 的书面语换成你平时说话的语气。招聘方每天看几十封求职信，模板味越重，被记住的概率越低。求职信的作用不是重复简历，而是回答一个问题：为什么是你，而不是别人。如果初稿里找不到这句话的答案，说明这封信还没写好。
第五步：模拟面试问答，练一轮再上场
准备面试问题最怕自问自答——自己问自己，永远问不到痛处。可以用 LM Station 的对话能力做一轮模拟面试：先告诉它目标岗位和你的简历，让它扮演面试官，按“自我介绍—项目深挖—行为问题—反问环节”的顺序逐个提问，你用语音或文字回答，它再针对你的回答追问细节。
练的时候注意两点。第一，别只练顺口的答案，重点练那些你回答时会卡住的问题，比如“这段经历里你具体负责什么”“离职原因是什么”“为什么想来我们公司”——卡住的地方就是真正要准备的地方。第二，可以让它换一个模型再问一轮，不同模型追问的角度不一样，有的爱抠技术细节，有的爱问协作和冲突处理，多练一轮，面试时被问到的覆盖面就大一点。之前我们写过一篇用 LM Station 做会议记录的文章（开完会还要手写纪要？用 LM Station 把会议录音变成待办清单），思路是相通的：把 App 当成一个能反复陪练的对话对象，而不是一个只会出答案的搜索框。
两个小技巧：本地模型与知识库的用法
求职准备里有两处可以用上 LM Station 的本地能力。第一，简历里如果有不想上传云端的内容，可以切到 iPhone 本地运行的模型处理，数据不出设备，隐私边界更干净——本地模型的措辞能力可能不如顶级云端模型，但做脱敏后的初稿和格式整理已经够用。第二，如果你平时有收藏的面经、行业文章或岗位分析，可以放进 LM Station 的 RAG 知识库（Knowledge Backpack）里，需要时直接问它“按我收藏的这几篇面经，帮我列一份这个岗位的高频问题”，答案会贴合你自己的资料，而不是网上抄来的通用清单。
这两个功能不是必选项，但如果你对隐私比较在意，或者手里已经攒了一堆求职资料，用起来会顺手很多。相关场景还可以参考我们之前写的文章：用 LM Station 做翻译与外语阅读讲的是跨语言场景下的用法，用 LM Station 做账单复盘讲的是把生活数据交给 AI 前先脱敏的思路——求职准备里的隐私处理，逻辑是一样的。
适合谁，不适合谁
适合的人：正在求职或准备跳槽、已经有简历底稿但想认真改一版的人；目标明确、知道自己要投什么岗位的人；愿意花一下午按步骤走完、再自己逐句核对的人。对这类人来说，LM Station 的价值在于把“改简历、查公司、写求职信、练面试”收进一个 App，少了来回切换工具的折腾。
不适合的人：指望 AI 一键生成一份“完美简历”直接投递的人——不存在这种简历，AI 生成的内容必须逐句核对，工作经历、时间、数字有一处编造，面试时就可能被问穿；以及简历完全是空白、没有任何经历可写的人，AI 帮不上这个忙，先去积累一段真实经历更实际。
注意事项再强调三点：一是敏感信息不上云，身份证号、完整住址、薪资流水不要贴进云端模型，优先用本地模型或脱敏处理；二是 AI 改的简历逐句核对，经历和数字不能编造，也不能让模型替你“丰富”没做过的事；三是 Deep Research 的结论和模拟面试的反馈都只是参考，关键事实自己再确认一次，面试时的回答最终要过你自己的嘴、符合你自己的真实经历。
结论
求职准备没有捷径，但流程可以收拢：旧简历拍照识别成底稿，不同模型各改一版对比措辞，Deep Research 查清目标公司再对准岗位改一轮，求职信生成初稿后自己改成人话，最后模拟面试练一轮。LM Station 在这条线上的作用不是替你求职，而是把五个分散的步骤放进一个 App，让你在一下午里走完本来要折腾好几天的准备。如果你正在求职，不妨按上面的步骤实测一轮，再决定哪些环节值得长期用下去。官网见 lmstation.ai，下载见 App Store 上的 LM Station。
利益相关：LM Station 为本站团队开发的产品，本文为官方分享。
