700 条对话记录里藏着我最好的简历素材，但我懒得翻

事情是这样的。

我在准备一份实习简历，方向是 AI Coding 产品经理。我日常开发全靠 AI，Claude Code 和 Codex 两个工具换着用，三个月烧了 39.5 亿 tokens。这些经历如果写进简历，是非常硬的素材。

问题来了，这些素材散落在几百个对话框里。

700 个 sessions，96 个项目，每个项目里我跟 AI 说了什么、怎么协作的、踩了什么坑，全部埋在 jsonl 文件和 git commit 里面。一个个翻？我光想想就觉得要死。

然后我做了一件很自然的事，让 AI 自己去翻。

我同时派了 7 个子代理出去。一个去扫我的 token 用量数据，一个去翻 Codex 的对话记录找我怎么开发电子日记的，一个去 git log 里还原我修 bug 的真实时间线，一个去读我的全局配置文件看我为什么选这个模型不选那个。每个代理都有明确的搜索范围和任务目标。

几分钟后，19 份调研报告回来了。

我举几个例子你们感受一下这个「准确」是什么意思。

R10 报告告诉我，我的 Codex 用量占 token 总消耗的 60%，Claude Opus 4.6 占总对话的 78%。前者跑代码，后者跑文字。我自己是知道这个习惯的，但我从来没量化过。代理直接去 data.json 里按模型拆分算出来的。

R4 报告还原了一个 bug 故事。我的跨设备文件传输工具 Folip 出了个「上传成功但 Android 下载不到」的问题，AI 在客户端代码里反复打转找不到原因。我当时做了一件事，让 AI 自己去读阿里云 OSS 的访问日志。秒定位，预签名 URL 漏算了 Content-Type。代理从 git commit 里把这整条时间线还原得清清楚楚。

R8 报告挖出了我做电子日记项目时的一个细节，Codex 帮我校对手写日记的时候会「自作主张」润色，把「但她很 normal」扩写成「但是她也很 normal」。我因此写了 7 条「不要」规则，沉淀进 prompt 里。代理找到了对应的 jsonl 文件路径和时间戳。

这些东西我自己去翻可能要一整天，而且大概率会记错细节。AI 去翻自己的记忆，又快又准。

但这不是最有意思的部分。

最有意思的是我跟 AI 之间的纠错过程。代理跑回来的初稿里有好几个地方写反了或者写过了。比如有个代理把我用 Codex 和 Claude 的逻辑写反了，我立刻纠正。有个代理写了一个「15% context 优化」的技术细节，我说「我自己都不太懂这个」，直接删掉。还有一个把我发现 bug 的过程写成了「手动查看日志」，我说不对，是我让 AI 去读的。

每一轮纠正都让简历离真实更近一步。最后定稿的简历里，每一个数字、每一个故事、每一个判断都是我真的做过、真的想过、真的能在面试里讲清楚的。

说真的，我觉得这才是 AI native 写简历应该有的样子。不是让 AI 帮你编一份华丽的简历，是让 AI 帮你从自己的真实数据里把最好的素材挖出来，然后你来把关哪些是真的你、哪些不是。

AI 的记忆比你好，但只有你知道哪些记忆是你的。