1. 为什么 UI/UX 设计师改英文简历总卡在“措辞”这一步如果你正在投海外岗位或者外企的 UI/UX 设计岗大概率会遇到一个很具体的困境中文简历里的项目经历自己看着挺清楚翻成英文之后却像一份产品说明书读起来干巴巴的既没有设计感也看不出你到底解决了什么问题。招聘方和 ATS 系统在几秒钟内扫过去抓不到关键词也感受不到你的影响力简历就直接沉了。这个场景里ChatGPT 能帮上的忙其实非常集中它不是替你编经历而是帮你把已有的经历重新组织成英文简历该有的表达方式。具体来说它能做三件事。第一把“负责某某页面设计”这种职责描述改写成“Redesigned X, resulting in Y”这种带结果的句式。第二帮你补上 UI/UX 岗位高频的 ATS 关键词比如 design system、user flow、wireframe、usability testing、accessibility、handoff 这些词让简历更容易被系统筛出来。第三帮你控制长度和语气让每条 bullet point 保持一行半以内动词开头时态统一。但这里有个现实问题很多人是拿 ChatGPT 网页版一条一条手动粘贴改完一轮再改一轮中间还要反复切换翻译工具和文档效率很低。更麻烦的是如果你同时用多个 AI 工具每个工具一套 Key、一套配置管理起来很乱。所以这篇我会把两件事合在一起讲一是 UI/UX 设计师用 ChatGPT 修英文简历的具体指令流程二是用 TaoToken 统一 Key 接入把配置写进 settings.json让整个流程可以复用、可以脚本化。你不需要每次打开网页重新粘贴而是有一个稳定的调用入口。适合读这篇的人正在准备英文简历的 UI/UX 设计师、交互设计师、产品设计师手头有中文简历需要转英文并做 ATS 优化的以及想用统一 Key 管理多个 AI 调用、不想在配置上反复折腾的人。下面从接入开始一步步给到可复制的配置和验证动作。2. TaoToken 统一 Key 接入把 ChatGPT 调用收进一个入口TaoToken 在这里的角色是给你一个统一的 API 入口和 Key 管理方式。你不需要在多个平台之间来回切换也不用把 Key 散落在各个脚本里。对于简历修改这种需要反复调用、反复对比的场景统一入口的好处是你可以把指令模板固定下来每次只换简历内容调用方式不变。先拿到 Key。打开 https://taotoken.net/api-keys 登录后创建一个 API Key。建议给这个 Key 起一个能认出来的名字比如 resume-polish方便后面如果要做权限区分或者用量排查时能对上号。创建完把 Key 复制出来先放在一个临时地方下一步要写进配置文件。这里要注意一点Key 不要直接硬编码在会提交到 Git 的脚本里。简历修改虽然不是什么敏感项目但养成把 Key 放在环境变量或者本地配置文件里的习惯后面做其他调用时不会踩坑。我试过把 Key 直接写在 Python 脚本里然后不小心 push 上去虽然马上删了但那种感觉不太好。TaoToken 的 API 地址是 https://taotoken.net/api 这个地址在配置里会用到。如果你用的是 OpenAI 兼容的客户端或者 SDK通常只需要把 base_url 指向这个地址然后把 api_key 换成你刚创建的 Key就能跑通。对于简历修改这个场景你主要会用到对话模型所以配置里模型名填你常用的对话模型即可。如果你后面想把简历修改流程做成更长期的编码或 Agent 任务比如自动读取简历文件、批量改写、再输出成 Markdown可以了解一下 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。它更适合需要持续调用、有固定工作流的场景。简历这种一次性任务用普通 API Key 就够了。3. settings.json 配置骨架可复制的完整结构下面这份 settings.json 是一个配置骨架你可以直接复制把 api_key 换成你自己的。它的结构分三块provider 定义接入地址和认证方式model 定义默认使用的对话模型和参数resume 定义简历修改相关的指令模板和输出约束。这样拆开的好处是你改简历内容时只动 resume 部分不用碰接入配置。{ provider: { name: taotoken, base_url: https://taotoken.net/api, api_key: sk-your-taotoken-key-here, auth_type: bearer }, model: { default: gpt-4o, temperature: 0.4, max_tokens: 1200, top_p: 0.9 }, resume: { target_role: Senior UI/UX Designer, language: en, tone: professional, concise, action-verb driven, ats_keywords: [ design system, user flow, wireframe, usability testing, accessibility, design handoff, cross-functional collaboration ], bullet_constraints: { max_lines: 2, start_with_action_verb: true, include_metrics: true, tense: past }, prompt_templates: { critique: Critique the following resume bullet points for a UI/UX designer role. Point out missing metrics, weak verbs, and missing ATS keywords., rewrite: Rewrite the above bullet points using your suggestions. Keep each bullet under two lines., polish_quant: Polish the above quantitatively and qualitatively. Add plausible metric placeholders in brackets so I can replace them with real numbers., concise: Make it more concise without losing the metrics or action verbs. } } }几个参数说明一下。temperature 设成 0.4 是因为简历修改需要稳定、可复现的输出太高的随机性会让同一段经历每次改出来都不一样不利于你对比。max_tokens 设 1200 对单次简历片段修改够用如果你一次丢整份简历可以调到 2000 以上。ats_keywords 这个数组是给你自己看的也是给模型看的你可以在指令里让它优先使用这些词。prompt_templates 里我特意把 polish_quant 的指令写成“加占位符”而不是直接让模型编数字。这是从实际踩坑里来的如果你直接让模型加量化数据它会很自然地写出“提升 25%”这种看起来很真但完全没依据的数字。正确做法是让它写成 [X]% 或者 [number] 这样的占位符然后你自己去填真实数据。这样既保留了量化表达的结构又不会变成造假。如果你用的是 Python读取这份配置的代码大概是这样import json from openai import OpenAI with open(settings.json, r, encodingutf-8) as f: cfg json.load(f) client OpenAI( base_urlcfg[provider][base_url], api_keycfg[provider][api_key] ) def polish_resume(bullets: str, template_key: str) - str: prompt cfg[resume][prompt_templates][template_key] resp client.chat.completions.create( modelcfg[model][default], temperaturecfg[model][temperature], max_tokenscfg[model][max_tokens], messages[ {role: system, content: You are an expert resume editor for UI/UX designers.}, {role: user, content: f{prompt}\n\n{bullets}} ] ) return resp.choices[0].message.content这段代码跑通之后你每次改简历只需要调用 polish_resume传入你的 bullet points 和想用的模板 key不用再手动打开网页粘贴。对于需要反复对比不同版本的情况这个方式省下来的时间很可观。4. 验证请求一次简历修改前后的对比动作配置写好了接下来要验证它是不是真的能跑通并且输出质量是不是符合预期。验证分两步先确认 API 调用成功再做一次真实的简历修改对比。先跑一个最小请求确认 Key 和地址没问题resp client.chat.completions.create( modelcfg[model][default], messages[{role: user, content: Reply with OK only.}], max_tokens10 ) print(resp.choices[0].message.content)如果输出 OK说明接入层没问题。如果报 401检查 Key 是否复制完整如果报连接错误检查 base_url 是否写成了 https://taotoken.net/api 而不是其他路径。接下来做简历对比。拿一段中文经历先自己翻成英文不用翻得很好能看懂就行。比如协助客户进行系统网站的 UI/UX 更新与设计负责页面 800。建立 Design System。运用视讯与设计协作软件与远端团队沟通。每周会议分享 UI/UX 新知邀请资深设计师举办讲座。把这段英文丢给 critique 模板你会得到类似这样的反馈缺少具体案例和数据佐证、没有提到设计系统带来的成果、没有说明使用了哪些工具、没有体现知识分享对团队的具体帮助。然后依次跑 rewrite、polish_quant、concise最后你会得到一版结构完整、动词开头、带占位符指标的 bullet points。这里的关键验证动作是把最终输出和你的原始中文逐条对照确认三件事。第一每条是不是强动词开头时态是不是过去式。第二有没有出现你实际没做过的内容如果有删掉。第三占位符 [X]% 是不是都替换成了你的真实数据。这三步做完你就有了一版可以直接用的英文简历片段。如果你还想在浏览器里直接和模型对话、快速试不同指令可以用模型对话入口https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel-chatutm_campaignrewrite 。它适合做指令调试确认哪套 prompt 对你最有效之后再固化到 settings.json 里。5. 本篇常见错排查配置和输出里最容易踩的坑第一个常见错是 base_url 写错。有人会把 https://taotoken.net/api 写成 https://taotoken.net/api/v1 或者漏掉 /api导致请求 404。正确做法是严格用 https://taotoken.net/api 作为 base_urlSDK 会自动拼接后续路径。如果你用的是其他客户端也以这个地址为准。第二个错是 Key 权限或额度问题导致 401 或 429。401 通常是 Key 复制时带了空格或者不完整重新复制一次。429 是请求频率或额度限制简历修改这种低频调用一般不会触发但如果你在循环里批量跑很多条可以加一个简单的 sleep。排查时可以先在模型对话里手动发一条消息确认 Key 本身可用。第三个错是输出里出现编造的数据。这是最需要警惕的。模型很擅长写出“提升 30% 转化率”这种句子但它不知道你的真实数据。解决办法就是在 prompt 里明确要求用占位符然后在后处理时检查有没有漏替换的 [X] 或 [number]。你可以写一个简单的正则检查import re def check_placeholders(text: str): return re.findall(r\[[^\]]\], text)如果返回非空列表说明还有占位符没替换不要直接投出去。第四个错是时态和动词不统一。有时候模型会把过去经历写成现在时或者混用负责和主导。你可以在 system prompt 里加一句“All bullet points must start with a strong past-tense action verb”并且在输出后快速扫一遍首词。常见的强动词有 Led、Redesigned、Built、Improved、Streamlined、Collaborated弱动词有 Responsible for、Helped with、Worked on看到弱动词就让它重写。第五个错是 ATS 关键词堆砌过度。有人为了过系统把关键词硬塞进每一句读起来很不自然。正确做法是让关键词自然出现在描述里比如“Built a design system that reduced handoff time”就比“Design system, handoff, design system”要好。你可以在 critique 阶段让模型标出哪些关键词缺失但不要让它为了凑词而牺牲可读性。6. 把流程固定下来从一次修改到可复用工作流简历修改不是一次性的你可能会针对不同岗位调整关键词或者过几个月更新项目经历。所以值得把上面这套流程固定成一个可复用的小工作流。我的做法是settings.json 里保留多套 ats_keywords按岗位类型分比如 product designer 一套、interaction designer 一套。每次改简历时先选关键词组再跑 critique 到 concise 的完整链路最后人工替换占位符和核对真实性。如果你后面想把这件事做得更自动比如从 Markdown 简历文件读取内容、批量改写、再输出成新文件那就需要更稳定的调用和更长的上下文处理这时候可以看看 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。它更适合有固定工作流、需要持续调用的场景。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里面有更完整的参数说明和示例配置遇到问题时可以对照查。最后说一个我自己的经验简历改完之后不要只看英文版。把英文版再翻回中文读一遍如果读起来像人话说明表达是自然的如果翻回来变得很奇怪说明英文本身可能太绕或者太堆砌。这个反向检查能帮你筛掉不少看起来高级但实际不通顺的句子。简历最终是给人看的ATS 只是第一关拿到面试之后还是靠你真实的经历和表达。