招聘 JD 写得太空，会吸引来不匹配的人；写得太硬，又容易劝退合适候选人。AI 可以帮你把岗位职责、任职要求和面试问题整理得更清楚，但岗位真实情况和筛选标准要自己提供。
一份招聘 JD 应该包含什么
- 岗位信息：岗位名称、工作地点、汇报关系、团队情况。
- 岗位职责：日常负责什么、核心交付是什么、和谁协作。
- 任职要求：必要经验、工具能力、沟通能力和加分项。
- 候选人收益：成长空间、项目机会或团队支持。
- 面试问题：用于验证经验、能力和动机。
可直接复制的招聘 JD 提示词
你是一名有经验的招聘和组织发展顾问。请根据我提供的信息，帮我写一份招聘 JD。
要求：
1. 结构包括：岗位名称、岗位职责、任职要求、加分项、岗位亮点、面试验证问题。
2. 语言清楚、具体，不要堆空泛要求。
3. 区分“必须具备”和“加分项”。
4. 不要夸大薪资、福利或发展空间。
岗位名称：{填写岗位}
团队/业务背景：{填写背景}
核心工作：{列出工作}
必须能力：{列出要求}
加分能力：{列出加分项}
工作地点/形式：{填写地点或远程情况}让 AI 生成面试问题
请根据下面的招聘 JD，生成一组面试问题。
要求：
1. 每个核心能力对应 2 个问题。
2. 问题要能验证真实经验，不要只问概念。
3. 输出字段：能力点、面试问题、判断标准、追问方向。
招聘 JD：{粘贴 JD}常见错误
- 职责写成口号，例如“负责增长”“提升效率”，没有具体工作。
- 任职要求过多，必须项和加分项不分。
- 只写公司需要什么，不写候选人能获得什么。
- 面试问题和 JD 脱节，无法验证关键能力。
相关教程
如果你还需要写求职侧材料，可以看 AI怎么写简历和自我评价。如果要做目标拆解，可以参考 AI怎么写OKR；需要写邮件沟通候选人或主管，可以看 AI怎么写工作邮件。
写 JD 前先区分必须项和加分项
很多招聘 JD 最大的问题，是把“最好会”写成“必须会”，导致候选人被吓退。写之前可以先把要求分成三类：必须项、可培养项、加分项。必须项应该和岗位核心交付直接相关，加分项可以提升匹配度，但不应该成为筛选门槛。
例如招聘内容运营，必须项可能是选题、写作和数据复盘；可培养项可能是某个工具的使用；加分项才是视频剪辑、社群运营或行业资源。这样写出来的 JD 更真实，也更容易吸引合适候选人。
JD 发布前检查清单
- 岗位职责是否具体到日常工作和交付物。
- 任职要求是否区分必须项和加分项。
- 是否写清团队背景、汇报关系或协作对象。
- 是否避免“抗压强、执行力强”这类空泛表述。
- 面试问题是否能验证 JD 里的关键能力。
让 AI 优化 JD 语气
请检查下面这份招聘 JD 是否清楚、真实、有吸引力。 请帮我： 1. 删除空泛要求； 2. 把必须项和加分项分开； 3. 把岗位职责改成具体交付； 4. 补充 5 个面试验证问题； 5. 标出可能劝退候选人的表达。
实操案例：把“招一个内容运营”改成可验证JD
只有“负责内容运营，要求执行力强”无法指导招聘。用人主管至少要补充业务目标、日常任务、核心交付、协作对象和入职后首先解决的问题。例如：
- 核心交付：维护选题库、完成内容初稿、跟踪发布数据并做月度复盘。
- 协作对象：产品、设计和销售。
- 必须项：能提供独立完成的内容样例，并说明从选题到复盘的过程。
- 可培养项：具体 CMS 或 AI 工具使用经验。
- 加分项：有目标行业的采访或案例整理经验。
这样生成的职责应使用“建立、撰写、维护、分析”等可观察动作，而不是“赋能业务、提升影响力”之类无法验收的口号。
建立统一面试评分表
| 能力 | 验证问题 | 可接受证据 | 评分 |
|---|---|---|---|
| 选题判断 | 讲一个从用户问题形成选题的案例 | 用户证据、取舍过程、结果复盘 | 1-5 |
| 内容执行 | 展示一篇独立完成的内容 | 本人职责、修改过程、最终产物 | 1-5 |
| 数据复盘 | 一次数据不理想时怎么调整 | 指标口径、分析步骤、后续动作 | 1-5 |
面试官应在面试前写清每档分数对应的证据，不要结束后凭总体印象打分。所有候选人尽量使用同一组核心问题，追问可以根据经历调整。
招聘合规和真实性边界
JD 不应编造薪资、福利、晋升机会或团队规模，也不应加入与岗位无关的年龄、性别、婚育等歧视性条件。涉及学历、证书、出差和工作时间的要求，应确认确实与岗位职责相关，并由公司招聘或法务负责人审核。
把任务放进真实场景里
例如，招聘岗位复制上一年度JD，入职后才发现实际工作完全不同。这类任务的难点通常不在“让AI写一段话”，而在于先把事实、边界和交付对象理顺。开始前应单独列出已有材料、尚未确认的信息和不能由模型替你决定的事项。没有依据的数字、承诺、人员安排和专业结论一律标记待确认，不用看似完整的句子掩盖信息缺口。
处理时重点抓住这些要素：岗位目标、核心职责、交付物、协作关系、必需条件和加分条件。先用一小段材料跑通，再扩大到完整任务，能更早发现字段缺失和理解偏差。涉及多人协作时，最好让下一位执行者复述一遍：他从文档里看到了什么、准备先做哪一步、遇到什么情况需要停下。复述不一致，说明文档仍需修改。
先确定输入，再决定交给AI什么
一个常见的失败版本是：要求堆砌、年限与能力脱节、使用精通负责等无法验证的词。它往往表面整齐，实际无法执行。修正时不要只让AI“更专业”，而要指出哪一项事实缺失、哪句话无法验证、哪一步没有责任人或判断条件。每轮只改一类问题，并保留修改前后的差异，后续才能沉淀出稳定做法。
- 事实核对：人名、日期、金额、指标、文件版本和业务规则回到原始材料逐项确认。
- 边界核对：区分已经决定、正在讨论、个人建议和模型推断，不能把四者混写。
- 执行核对：动作写到具体对象、负责人、时间和可观察结果，删掉“持续关注”“及时处理”这类空话。
- 风险核对：敏感数据先脱敏，合同、财务、法律、安全、医疗等结论交给相应专业人员。
交付前用一个简单标准验收：候选人能判断是否匹配，面试问题可验证每项核心能力，措辞无歧视。再安排一次反例检查，故意输入一条缺日期、缺负责人或相互冲突的材料，看结果是否会明确提示缺口，而不是自行补全。能在正常情况和异常情况下都给出可核对结果，这套做法才算真正可复用。
最后保留三样东西：原始材料、采用的版本和人工确认记录。下一次遇到相似任务，可以复用字段和检查表，但仍要替换当次事实。模板的价值是减少遗漏，不是让所有场景得到同一答案；只要任务目标、读者或约束变化，就应重新检查输入和验收条件。