如何按自身技能為職位列表排序

設定你的職位數據收集

使用 LinkedIn Jobs Scraper Actor 及 LinkedIn Jobs by Experience Level Dataset Task 收集職位列表。範例輸入把 `searchTerm` 設為 data engineer，把 `experienceLevel` 設為 entry。讀者按自己的範圍替換這兩個值。

設定 `fetchJobDetails=true`、`maxItems=3` 及 `saveOnlyUniqueItems=true`。MaxItems 在整次收集中共用。保留這些欄位：`jobId`、`jobUrl`、`title`、`companyName`、`locationRaw`、`seniority`、`employmentType`、`descriptionStatus`、`descriptionText`、`descriptionSnippet` 及 `scrapedAt`。欄位值可以缺失。

Actor 提供來源文字與標籤，不提供履歷分析或契合分數。進行比較之前，必須先有與來源相符的完整描述。描述片段不能證明一項未提及的技能並不存在。目前這三筆已接受的完整詳情列，只確立來源的資料形態，並不是一項真實的履歷比較測試。

1. 建立你的證據清單

寫下你的目標職位名稱，以及你不可讓步的規則。列出一份誠實的工作證據短清單。包括你做過的任務、用過的工具、專案範圍，以及相關日期。把自我評估與職位列表的要求分開。

Actor 是一個託管程式，用來從網絡收集數據。Task 是為該程式儲存的輸入預設。你可以用 Actor 收集職位資料列，但必須自己做人手分析。數據收集器給你職位文字與來源標籤。它不提供技能匹配分數，也不分析你的履歷。

2. 收集少量職位樣本

收集少量包含完整描述的職位列表。在用某一則職位做要求比較之前，你必須先通過完整描述關卡。如果描述缺失，把證據標為不足，不要因為沒有出現某些字詞就否決該職位。

仔細核對職位的來源職級標籤。來源職級標籤可以與實際經驗要求不同，所以你必須閱讀完整職責與條件。保留來源文字、狀態及觀察時間。不要把私人履歷傳送給第三方模型。這個方法不需要模型，也不需要上傳履歷。

3. 拆分職位要求

把職位列表拆成三部分：必要條件、必要職責與技能，以及偏好的額外項目。在每項已解讀的要求旁邊，保存支持該項解讀的文字段落。不要把公司相關段落中提到的每項工具，都變成申請人的必備技能。

4. 套用硬性條件檢查

先檢查硬性要求。如果職位要求一項你無法滿足的條件，就按你的規則排除它。如果一項重要條件不清楚，就標為稍後核實。通過這些檢查的職位，可以進入技能與職責檢視。這項檢查並不承諾你符合資格，也不承諾你會被選中。

5. 把職責對應到你的證據

把每項核心職責與你的工作證據對照。把每項職責評為已證明、相關但有限、未證明，或不清楚。用一句話說明理由。舊工具名稱的相符，可能不如同一職責的近期證據有用。清楚寫出這個判斷，不要把它藏進一個數字裡。

6. 把偏好的額外項目分開

把偏好的額外項目與核心要求分開。缺少一項偏好工具，並不代表硬性否決，除非職位列表寫明該工具是必要的。不要自創權重，也不要把加總後的分數稱為客觀。

7. 選擇你的短名單類別

把每則職位歸入三個類別之一：短名單、超出已證明技能／待核實，或擱置，並附上一個清楚理由。把未知項與問題保存下來，留待稍後檢查。如果兩個職位的契合程度相近，就用職責匹配與必要缺口，決定把閱讀與申請的時間花在哪裡。不要使用虛假的獲聘機率。

8. 維持決策表

維持一份與來源連結的決策表。當僱主澄清一項要求，或你自己的證據有變時，更新這份表。結果是一份透明的短名單。申請與主動聯絡是你稍後另行採取的行動。

虛構例子與證據分析

這個例子中的所有職位與申請人經驗都是虛構的。

申請人證據清單

• 建立過一條 Python 與 SQL 的每週報告管道。
• 檢查過數據質素，並記錄故障。
• 沒有正式環境輪值職位的經驗。
• 沒有團隊管理經驗。
• 目前正在學習雲端部署。
• 沒有聲稱商業成功或數字。

範例職位

• 職位 A：要求 Python 與 SQL 報告，以及來源質素檢查；偏好雲端部署；職級欄位寫著 entry。沒有已知的硬性衝突。證據把必要職責對應到已證明的工作。已記錄雲端偏好項目的缺口。
• 職位 B：要求正式環境的雲端運作，以及輪值事故處理；偏好 Python。申請人與 Python 的相符，並未滿足兩項主要職責。
• 職位 C：要求管理團隊並負責預算；職銜寫著 data lead；描述文字不完整。管理未證明，而且完整要求的上下文尚未核實。

證據表

為何以職責為本的檢視重要

如果只找關鍵詞，Python 這個詞在職位 A 與職位 B 都出現，就會得到兩個匹配。然而，以職責為本的檢視只把職位 A 列為清楚的首個短名單，因為職位 B 缺少正式環境與輪值職責的證明。

這名讀者使用缺少核心職責的證據規則擱置職位 B，因為正式環境雲端運作與輪值職責均未證明。雙方共有的 Python 一詞並非充分證據。職位 A 仍然是清楚的短名單，職位 C 則繼續待完整來源檢視。全部五列證據確認：Python 的兩次關鍵詞命中，只產生一個清楚的短名單，當中沒有權重，也沒有預測的面試機會。