@wanerfu: 投500个职位是什么体验？ 我让ChatGPT干的，24小时内约到12场面试 具体怎么操作，往下看

投500个职位是什么体验？

我让ChatGPT干的，24小时内约到12场面试

具体怎么操作，往下看👇

What’s it like to apply for 500 jobs?

I had ChatGPT do it, and landed about 12 interviews within 24 hours

How exactly did I do it? Keep scrolling down

1/ 找出你的20个职位名称

首先将简历上传到ChatGPT，然后运行此提示。

粘贴到ChatGPT：“以高级招聘人员身份行动。 根据我的简历，列出我最适合的20个职位名称， 以及ATS系统在每个职位中扫描的确切关键词。”

现在你知道自己适合什么，招聘机器人在寻找什么。

2/ 构建主简历

留在同一个对话框中。这成为你秒级定制的基础。

粘贴到ChatGPT：“将我的简历改写成主模板供我快速定制。 使用谷歌XYZ公式， 移除招聘经理在10秒内发现的每个危险信号。”

3/ 打开代理模式

这是使其余部分工作的诀窍。

点击：消息框旁的“+“→打开代理模式。

现在ChatGPT可以自己打开boss直聘和Indeed， 而不仅仅是谈论它们。

4/ 构建职位电子表格

它去找到所有匹配项，然后为你整理。

粘贴到ChatGPT：“进入LinkedIn和Indeed， 找到过去7天内发布的所有匹配职位， 为我构建一个包含链接、匹配分数和定制简历版本的电子表格。”

5/ 让它申请

最疯狂的部分。

粘贴到ChatGPT：“申请前500个最匹配的职位。 根据职位描述定制每个申请。”

ChatGPT会自己处理它们，你可以睡觉了。

现在用单个CPU运行Kimi K3， 拥有2.78万亿参数模型，仅需8.24GB内存。 100%开源项目，名叫kimi-k3-in-c。

大多数推理框架假设你需要GPU集群和5+TB内存 才能处理前沿MoE模型。

而整个引擎仅176KB的便携式C99代码。 无需BLAS、PyTorch、CUDA、任何框架、GPU或AVX-512。

1.56TB检查点存储在NVMe上。 每个token仅激活896个专家中的16个， 休眠的93%按需流入，从不占用RAM。

密集主干适配任何内存预算： 8GB、32GB、128GB、224GB都用同一权重， 输出字节完全相同。

核心功能： →在8GB内存笔记本上运行Kimi K3 →直接读取MXFP4权重，无需转换为float32 →用O_DIRECT从磁盘流式传输，快于页面缓存 →KDA注意力状态固定，与上下文长度无关 →标量、OpenMP、AVX2路径输出比特相同 →每个kernel都对标PyTorch参考实现

代码仅45MB源树、6个C文件、1个Python打包脚本。