AI改造求职全链路:告别海投零面试,实现精准匹配
求职这件事这两年越来越像一场“玄学”。我见过不少背景不错的候选人学历、经验、项目都拿得出手却卡在了一个极其尴尬的环节简历投出去石沉大海面试邀约寥寥无几甚至出现“投100份简历0面试”的荒唐局面。问题出在哪很多人第一反应是“大环境不好”这话没错但只对了一半。真正被忽视的是投递方式本身还停留在工业化时代——我们在用“海投”这种低效策略去应对一个已经被算法和系统深度改造过的招聘市场。2026年如果还在靠手动海投、一稿多投那基本等于主动放弃竞争。AI在这件事上能做的远比“帮你写简历”要深得多。它能把求职从“体力活”变成“精准匹配的技术活”。这篇文章我不会讲什么虚头巴脑的行业趋势就结合我自己用AI改造求职流程的实际经验聊聊怎么从“零面试”的坑里爬出来把投递命中率实实在在地提上去。1. 先搞明白“零面试”到底卡在哪想解决问题先得找到真正的瓶颈。很多人把“0面试”归因于“简历写得不好”于是疯狂改模板、堆关键词但改完还是没动静。我刚开始也是这么干的直到我把整个求职流程拆开看才意识到问题远比“简历丑”复杂得多。1.1 海投失效的底层逻辑海投的本质是“用数量换概率”它的隐含假设是每个岗位的筛选规则大致相同只要投得够多总有瞎猫撞上死耗子。但现在的招聘市场早就不是这个逻辑了。大型企业收到的简历数量是按万计的HR根本没有精力逐份看。于是绝大多数公司都上了ATS也就是申请人追踪系统Applicant Tracking System。简历先过机器筛过不了机器这一关你的简历根本不会出现在HR的屏幕上。这意味着什么呢意味着你投递的100份简历里可能有一大半在第一步就被系统直接打回了连“被嫌弃”的资格都没有。更扎心的是海投还会带来另一个副作用定位混乱。你既投了运营又投了销售还投了行政每份简历都是同一个模板只改了岗位名称。在HR眼里这种简历传递的信号是“这个人根本不知道自己想干什么”即便被看到了也很难让人提起约面的兴趣。这不是能力问题是策略问题。1.2 ATS系统到底在用什么逻辑筛人想告别海投必须先跟ATS“讲同一种语言”。这套系统的工作原理听起来不复杂抓取简历里的文本解析成结构化数据然后按招聘方预设的规则给简历打分。分数达标进候选池分数不够直接进回收站。那它主要看什么我总结下来有四个关键维度硬性条件匹配学历、工作年限、技能标签这是门槛项不达标直接淘汰。关键词命中率岗位描述里出现的技能词、工具名、业务术语你的简历里有没有同步出现。这是机器最看重的也是最容易通过AI优化的部分。经历的时间连续性系统会计算你每份工作的在职时长。频繁跳槽或长期空窗会被标记为风险项。格式可解析性PDF的排版乱码、创意排版导致关键信息无法提取这些都可能导致系统直接“读不懂”你的简历。很多技术背景不错的人会栽在第四点上这是最冤枉的。你的能力有80分但简历经ATS解析后可能只显示出40分的内容。1.3 从投递到面试每一步都在漏水我习惯把求职看成一根水管从“职位发现”到“简历投递”再到“收到面试”每一段都有损耗。海投的问题在于它把所有损耗集中在了“简历投递”这一环而且完全不可控。传统流程是这样的你搜索到岗位JD花5分钟改一下简历点击投递然后等待。这里的每一个环节都靠猜——这个岗位到底要什么人我跟这个岗位的匹配度有多少我的简历哪一部分最能打动对方全部不知道。等结果出来要么石沉大海要么面试一问三不知。用AI改造之后流程变成了先通过AI分析岗位JD拆解核心需求然后针对性优化简历关键词再用AI模拟面试官的提问逻辑提前准备最后才投递。投递量可能只有原来的五分之一但每一发子弹都瞄了很久。这两种模式时间成本差不多结果天差地别。2. AI改造求职链路不是“帮你写简历”是帮你做“精准匹配”很多人对AI求职的理解还停留在“让ChatGPT帮我写一份简历”。这有用但太浅了。我自己跑通一整套流程之后最大的感受是AI最大的价值不在于“代写”而在于“对齐信息差”。你自己看岗位JD看到的是“要求3年经验、具备数据分析能力”AI看岗位JD能帮你拆出背后30多个隐含的关键词和技能点告诉你怎么在简历里精准体现这些点让机器算法和HR都能在眼睛里第一时间认出你。2.1 简历打磨让机器和人都愿意读好的简历要过两关先过机器再过人。这两个标准有时候是冲突的但AI可以把它们统一起来。针对机器AI能做的事情是“关键词对齐”。把目标岗位的JD粘贴给AI模型让它提取高频技能词、业务术语然后对照你的简历查漏补缺。比如JD里反复出现“用户增长”“转化率优化”“AB测试”但你简历里只写了“负责运营工作”那机器大概率会判定你不匹配。这时候你要做的不是在简历里吹牛而是把你实际做过的事情用更精准的术语描述出来。举个例子我帮一位做社群运营的朋友优化简历她原来的工作描述是“负责社群日常维护和用户答疑”。这个表述不是错但在机器眼里没有任何辨识度。我们用AI把这段改成了“管理5个用户社群覆盖20000用户通过分层运营和用户激励体系将社群月度活跃率从23%提升至41%”。同样的工作后者在机器筛选的规则下得分高出一大截HR看到的瞬间也会觉得这个人是专业的。针对人AI能做的是“价值前置”和“表达精炼”。很多人简历最大的问题不是没内容而是把最重要的成就埋没在流水账里。AI可以帮你从经历中提炼出“STAR框架”的核心内容把情境、任务、行动、结果压缩成两到三行让HR在10秒内就能看到你的价值。2.2 岗位雷达把“海投”变成“精投”海投之所以无效是因为你根本不了解自己投的岗位。AI可以帮你建立一套“岗位雷达”系统让你在投递之前就知道胜算有多大。具体操作很简单用AI去拆解岗位JD生成一份“岗位胜任力清单”。这份清单会告诉你这个岗位最看重的是什么你目前的能力覆盖了哪些哪些部分存在明显短板。基于这个清单你就不是“投一个算一个”了而是像做投资决策一样先评估“这个岗位值不值得投”“我能不能拿下它”。我之前试过一个方法把目标岗位的JD和我自己的简历都扔给AI让它计算一个粗略的匹配度打分并列出差距项。匹配度低于60%的岗位我会谨慎考虑或者先用AI补足差距再投高于80%的岗位我会重点准备针对性地改简历、了解公司背景、准备面试问题。这样做下来整个人的状态完全变了——从“到处碰运气”变成“心里有数地争取”。2.3 面试与谈薪把不确定性变成确定性面试环节AI最实用的场景是“模拟面试官”。你可以把目标公司的背景资料、岗位JD甚至过往的面试经验分享喂给AI让它扮演面试官向你提问。我常用的方式是让AI模拟三种角色温和型HR考察文化匹配、业务负责人考察项目深度、压力型面试官考察逻辑韧性。每次模拟之后AI还会针对你的回答给出反馈指出哪里回答得太泛哪里可以用数据说话。这个过程最大的好处是“脱敏”。面试紧张和卡壳往往是因为对未知的恐惧。但当你提前把所有可能会被问到的问题都过了一遍真正进入面试间的时候心态会完全不一样——你不再是被审问而是跟对方做一场信息交换。谈薪也一样。很多人不敢开口要薪资或者被HR压价就慌了。AI可以帮你根据岗位等级、行业区间、地区系数生成一个合理的薪资区间并模拟HR在谈薪时可能会用的压价话术提前想好应对策略。3. 实操三天搭好一套AI求职工作流说再多理论不如直接给一套能用的流程。下面这套方案我不添加任何滤镜就是我自己和身边朋友验证过的路径。工具不绑定某个特定产品思路通用你可以根据自己的资源灵活切换。核心是三个字可复制。3.1 第一天盘点个人资产定好求职方向动手写简历之前先搞清楚自己手上有哪些牌。这一步花不了太久但很多人在焦虑状态下会跳过它结果后面的努力都白费了。我建议准备一个“简历素材库”把所有的工作经历、项目、成绩全部倒出来不需要排版想到什么写什么。然后用AI将这些素材整理成模块化的描述每一段经历都细化成“背景-动作-结果”的结构结果部分尽量填入可量化的指标。这个过程不求一步到位重点是先把素材变成可以随时调取的半成品。与此同时用AI分析你的目标岗位画像。你可以问类似这样的提示词“你是一名资深行业顾问帮我分析目前市面上【某岗位】的核心职责、日常工作内容、典型绩效指标、晋升路径输出一份详细的岗位研究报告。”获得结果后把它作为后面所有操作的基准线。3.2 第二天简历定向改写的关键细节简历不需要“一份通用版”但也不是说每投一个岗位就彻底重写一遍。更高效的做法是准备一份“主干简历”和多个“变体版本”。主干简历包含你最核心的技能和经历内容最完整变体版本则是根据目标岗位的方向做的关键词调整。举个例子同样是做内容运营如果你投的是“新媒体运营”那在简历里就要突出“公众号、短视频、爆款内容、粉丝增长”这些词如果你投的是“内容策略”那就要突出“内容规划、选题策略、数据分析、复盘迭代”这些维度。具体的AI提示词也分享一下你是拥有10年经验的简历优化专家请帮我将以下工作经历改写为适配【某岗位】的简历表述 要求 1. 关键词贴合目标岗位JD 2. 每条经历遵循“动作方法量化结果”的结构 3. 结果数据尽量用数字或百分比展示 4. 语气专业不夸大不编造 5. 输出2个版本一个偏重业务结果一个偏重技能深度。这个提示词建议保存下来每次投递前换掉里面的岗位名称就行。整个过程10到15分钟效率远高于手写改简历。3.3 第三天建好投递追踪表让反馈有迹可循海投的另一个致命伤是不做记录。投了哪些公司、用的哪个版本简历、岗位要求是什么、什么时候投的全部没有概念。等到某家公司突然打来电话你甚至想不起自己投了什么岗位这种状态怎么可能拿下面试建议用表格工具建一个投递台账字段包括公司名称、岗位名称、招聘渠道、投递日期、简历版本、岗位核心关键词、匹配度评估、目前状态、跟进日期。每投递一份都记录得一清二楚。这件事看起来简单但它能让你从“零散碰运气”变成“有节奏地推进”。我会同时设置一个规则投递后第4天如果没有收到反馈就换一个版本简历再次投递或者通过其他渠道去建立联系。做一个简单的跟踪表并不麻烦但却很可能成为帮你拿到面试的关键环节。4. 我用这套方法测试的真实数据方法好不好不看推理看数据。我拿自己和身边几位朋友当“小白鼠”分别记录了“纯海投”和“AI定向投递”两组数据的对比。样本不算大但趋势很能说明问题。4.1 一组对照测试先看我自己之前做的一次对照实验。当时我给自己定了两个目标岗位A岗位用“旧方法”投递也就是手动改简历、海投B岗位用“AI工作流”投递包括JD分析、关键词优化、模拟面试准备。投递数量上A岗位用了两周时间投了80份B岗位在同样的时间内只投了20份数量上差距巨大。但在收到的效果上A岗位只有1次面试邀约而且面完没下文B岗位拿到了3次面试机会最终拿到1个offer并且薪资比之前的预期高了大约12%。这个数据的意义在于很多人在“投100份简历0面试”的状态里反复怀疑自己但我通过这组对比看到的是问题不完全是能力不够更多是方法不对。同样的能力基础换一种策略结果可能完全不同。4.2 关键指标的变化除了投递数量与结果的对比还有一个指标也很关键——面试转化率。纯海投阶段我的转化率大概是1%到2%也就是投100份能拿到1到2个面试而AI定向投递阶段转化率能拉到15%左右。为什么会有这么大的差别因为海投是在“撞概率”而AI定向投递每一步都有依据岗位匹配度、简历关键词覆盖、面试准备度都提前做到位了对方约面的概率自然大幅提升。还有一点值得说的是时间利用率。海投80份简历虽然只花两周但每天都是改简历、找岗位、默默等待情绪消耗很大而AI定向投递虽然单次要花的时间更多但整体节奏更可控每隔两天就能推进一批心里一直在“向前走”而不是“干等着”。5. 常见问题与避坑实录用AI求职不是没有坑。我自己和一些朋友就在路上踩过几个这里把典型的拿出来说说希望能帮你省掉弯路。5.1 提示词太笼统得到的结果没法用刚开始玩AI时容易犯“提问模糊”的毛病。比如扔一句“帮我写一份简历”AI输出的内容又空又虚千人一面。这个问题的原因是AI不知道你的背景、目标岗位、核心优势它只能在通用层面给出泛泛的建议。解法是给AI足够多的背景信息。你要像跟顾问交代工作一样把“我是谁、我做过什么、要投什么岗位、这个岗位需要什么”讲清楚。信息量决定了AI输出的质量上限。把提示词写得像一份简报结果会完全不一样。5.2 为了过ATS把简历做成“关键词堆砌”有些朋友跟我反馈说AI给出的关键词他全塞进简历了简历看得人“头皮发麻”满屏术语但没什么实质内容。这种情况就有点矫枉过正了机器筛选不是只看关键词数量整体表达是否自然、逻辑是否清晰同样重要。关键词要融入经历描述而不是单独罗列成词云。写“通过搭建用户分层体系结合AB测试优化转化路径将付费转化率提升18%”跟写“用户分层AB测试转化率优化”前者明显好得多因为前者把技能点用在了真实的场景里机器和人看起来都很自然。5.3 AI幻觉出来的经历千万不要直接用这是我认为最重要的一条避坑经验。AI在生成内容时偶尔会“脑补”出你没有的经历或数据看起来非常真实但经不起追问。如果简历上写了“负责过千万级用户平台”但实际你只做过一个几万人的项目面试官多问一句细节就会穿帮这比简历平平带来的伤害大得多。用AI产出所有内容都要先对照自己的真实经历做一轮“真实性校验”。我的习惯是凡是AI写的经历描述第一遍必须我自己回答——这件事我有没有做过这个数字是真的吗把明显失真的部分改掉把模糊的部分说得更实际一点。AI是助手不是背锅侠最终签字的还是你。6. 工具选型与数据安全的一个提醒目前市面上AI求职工具多到让人眼花缭乱但整体上就两类一类是通用的大语言模型能够完成JD分析、简历改写、模拟面试这些任务另一类是垂直的求职软件把上面这些功能集成在完整的求职流程里能自动化地投递与跟进。如果你本身对AI工具比较熟悉我的建议是直接用通用模型灵活度高能根据自己的情况调整提示词和流程。如果你是新手或者时间紧张用集成式工具会更省心效率更高。但在选择工具时有几个安全要点要记牢。第一个要点是简历里的个人敏感信息要“脱敏”。不要直接把自己的手机号、微信号、身份证号、家庭住址贴给AI。你需要AI帮你处理的内容是经历和技能联系方式这些东西完全可以自己在最终版本里手动加上。把信息脱敏之后再交给AI处理这个习惯一定得有。第二个要点是不要过度依赖单一工具的“自动投递”功能。自动投递看起来很爽能帮你大批量申请但同时也相当于把你的隐私和个人信息批量发给了平台方。更稳妥的方式是“半自动”用AI做岗位分析、简历优化和材料准备投递动作仍然由自己手动确认这一步不差多少时间但能让你保留对求职过程的控制权。7. 最后再说两句掏心窝的话我自己试过整个流程之后最大的体会是求职的核心不在于“投了多快”“投了多少”而在于“每一步是否都在增加确定性”。海投最大的问题不是慢而是无反馈、不可控让人耗尽心力却不知道卡在哪而AI工作流是把每一个环节的“未知”变成“已知”让自己心里有数地往前走。还有一点很想提醒你AI不会替你做决定它只是放大你的能力。如果你本身经历稀碎、方向模糊、对职业没有基本思考AI能做的也只是帮你把这种混乱包装得更体面一点解决不了根本问题。工具的意义在于让“实力匹配机会”这件事变得更高效而不是替代本应属于你的积累过程。希望这篇内容能让你少走点弯路。如果你也在用AI优化求职或者尝试后有一些自己的心得欢迎随时交流。方法总会越用越顺手关键是你早点动起来。

相关新闻

Linux uniq命令详解:从sort配合到日志去重实战

Linux uniq命令详解:从sort配合到日志去重实战

1. 先搞清楚uniq到底在做什么用Linux的人迟早都会遇到uniq,但很多人第一次用它的经历都不太愉快——明明是想把重复行去掉,结果文件一模一样,一行都没少。这不是uniq没干活,而是它天生就是个“挑食”的工具:uniq只处理…

2026/10/19 2:43:50 阅读更多 →
模块化函数调用异常中断的上下文恢复思路与实战

模块化函数调用异常中断的上下文恢复思路与实战

模块化函数调用异常中断后的上下文恢复问题模块化架构是当前复杂系统设计的标配,但当某个函数在调用过程中异常中断,整个链路的上下文信息往往会跟着丢失。我最近在重构一套“检测-决策-执行”三段式系统时,就被这个问题反复摩擦。表面上看&a…

2026/10/19 2:43:50 阅读更多 →
Python爬虫与朴素贝叶斯:电商评论情感分析实战链路解析

Python爬虫与朴素贝叶斯:电商评论情感分析实战链路解析

简介:基于Python的京东商品评论爬取与情感分析可视化研究资源包,面向数据分析、自然语言处理与爬虫开发的初学者或课程研究者,完整演示了从电商平台采集用户评论、清洗整理、情感分类到图表可视化的处理链路。资源共20个文件,压缩…

2026/10/19 2:43:50 阅读更多 →

最新新闻

ARM 汇编 LDR 指令与 LDR 伪指令完整详解

ARM 汇编 LDR 指令与 LDR 伪指令完整详解

一、概念总述ARM 汇编中 LDR 存在两种完全不同身份,书写格式是核心区分依据:CPU 原生硬件指令 LDR:格式含方括号 [],硬件原生支持,功能为从内存读取数据到寄存器;汇编伪指令 LDR:格式含等号 &am…

2026/10/19 3:39:15 阅读更多 →
79通道ResNet改造:阿尔茨海默症MRI切片诊断模型

79通道ResNet改造:阿尔茨海默症MRI切片诊断模型

简介:本资源是一份面向深度学习初学者与课程实践者的阿尔茨海默症医学影像识别项目,聚焦ResNet模型优化与多维医学图像建模能力培养,适用于本科课程设计、工程实训及毕设选题参考。压缩包共13个文件,含6个核心Python脚本&#xff…

2026/10/19 3:39:15 阅读更多 →
AD早期识别三模态ResNet实战:2D/3D/MedicalNet医学影像分析

AD早期识别三模态ResNet实战:2D/3D/MedicalNet医学影像分析

简介:本资源是一份面向深度学习初学者与课程设计实践者的阿尔茨海默症医学影像识别项目,聚焦ResNet模型优化与多维建模方法,适用于本科课程设计、大作业及毕设前期技术验证。压缩包共13个文件,含6个核心Python脚本(实现…

2026/10/19 3:39:15 阅读更多 →
阿尔茨海默症MRI识别:ResNet结构优化与临床可解释性设计

阿尔茨海默症MRI识别:ResNet结构优化与临床可解释性设计

简介:本资源是一份面向深度学习初学者与课程实践者的阿尔茨海默症医学影像识别项目,聚焦ResNet模型优化与多维医学图像建模能力培养,适用于本科课程设计、工程实训及毕设选题参考。压缩包共13个文件,含6个核心Python脚本&#xff…

2026/10/19 3:39:15 阅读更多 →
Pi 1.0到1.1:从严格拒绝到智能接受的演进与实操指南

Pi 1.0到1.1:从严格拒绝到智能接受的演进与实操指南

1. 从“拒绝一切”到“选择性接受”:这个工具到底经历了什么第一次接触 Pi 这个工具的人,大概率会被它的“脾气”整懵。你兴冲冲地写了一段配置,点击运行,它回你一句冷冰冰的“不支持”;你换了个写法,它又告…

2026/10/19 3:39:15 阅读更多 →
开源代码审查新范式:CLI驱动的Git Diff+LLM协作框架

开源代码审查新范式:CLI驱动的Git Diff+LLM协作框架

1. 这不是又一个“AI代码审查工具”,而是一套可落地的开源协作新范式“open-code-review”这四个字乍看像某个GitHub仓库名,但背后藏着的是当前工程团队在AI时代最真实、最迫切的一次工作流重构。它既不是单纯调用某个大模型API的玩具脚本,也…

2026/10/19 3:38:14 阅读更多 →

日新闻

频率跟踪型PWM电源设计:臭氧发生器谐振点漂移与软开关实现

频率跟踪型PWM电源设计:臭氧发生器谐振点漂移与软开关实现

简介:本资源为电源技术方向的学术研究文档,聚焦介质阻挡放电型臭氧发生器电源的频率跟踪型PWM控制策略,面向电力电子、高压电源及臭氧应用领域的科研人员与工程技术人员。针对负载呈容性、等效电容随外加电压升高而增大、谐振频率随之漂移的难…

2026/10/19 0:00:47 阅读更多 →
Vibe Coding 遇上 TaoToken:把开发者思维圣殿的灵感流接入统一 Key 通道

Vibe Coding 遇上 TaoToken:把开发者思维圣殿的灵感流接入统一 Key 通道

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/19 0:00:47 阅读更多 →
HundredCV-Chat话题建模实战教程:利用4,871个内置话题标签构建主题分析系统

HundredCV-Chat话题建模实战教程:利用4,871个内置话题标签构建主题分析系统

【免费下载链接】HundredCV-Chat 项目地址: https://ai.gitcode.com/hf_mirrors/Jax-dan/HundredCV-Chat 点击查看 免费下载 HundredCV-Chat 是一个由 100 位青年简历数据开发而来的中文多轮对话数据集,共包含 24,750 组日常闲聊对话和 4,871 个话题标签…

2026/10/19 0:00:47 阅读更多 →

周新闻

基于GMM的语音识别系统原理与MATLAB实现详解

基于GMM的语音识别系统原理与MATLAB实现详解

说到基于高斯混合模型(GMM)的语音识别系统,很多人第一反应就是一堆数学公式,觉得门槛很高。但如果你真的在MATLAB里把它落地跑通,会发现核心其实就是三件事:把声音变成特征向量,用GMM给每个类别…

2026/10/18 0:00:55 阅读更多 →
数字图像处理入门:反白、灰度化、调色板修改与导出txt实践

数字图像处理入门:反白、灰度化、调色板修改与导出txt实践

数字图像处理这四个字听起来挺唬人,但落到具体操作上,无非就是让计算机按你的想法“摆弄”像素。我在一个模拟项目X里用了一套特别经典的基础处理流程:对图像做反白、改调色板、彩色转灰度,最后把像素数据导出成txt文件。单看每一…

2026/10/18 0:00:55 阅读更多 →
机器人大脑技术盘点:具身智能的感知、决策与数据闭环

机器人大脑技术盘点:具身智能的感知、决策与数据闭环

如果你的信息流最近也天天刷到“机器人大脑”这个词,你会发现一个很有意思的现象:每个人说的“大脑”根本不是同一个东西。有人指的是大语言模型,有人指的是运动控制系统,还有人指的是能理解物理世界的端到端模型。在2026年这个时…

2026/10/19 1:30:52 阅读更多 →

月新闻

我发现了一个新思路:用 Remotion + Claude Code 像写代码一样自动化生成短视频

我发现了一个新思路:用 Remotion + Claude Code 像写代码一样自动化生成短视频

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/19 2:54:50 阅读更多 →
Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式:TaoToken 统一 Key 配置与验证

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式:TaoToken 统一 Key 配置与验证

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/17 17:22:31 阅读更多 →
黑夜航拍船只数据集训练YOLOV5模型全流程解析

黑夜航拍船只数据集训练YOLOV5模型全流程解析

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/18 12:16:16 阅读更多 →