跨專業申請的履歷，最大的敵人不是格式不夠漂亮，而是讀的人看不懂你為什麼出現在這裡。你原本學的是文學，現在申請資訊管理；你過去在美術館工作，現在想讀公共政策。如果 CV 只是按時間順序列出你做過的事，招生委員很難在三十秒內看出這些經歷與目標領域的關聯。

AI 可以幫你統一格式、刪除冗詞、把動詞改成更專業的表述。這些工作交給工具沒有問題。但有三種判斷，AI 給你的答案只能當參考，最終必須由你本人或熟悉目標領域的顧問來決定。

能力群組的分類邏輯：AI 不懂你的策略意圖

傳統 CV 按時間排序，但跨專業申請者更適合用「能力群組」來組織內容。例如把「研究能力」「技術工具」「公眾溝通」「專案協作」各自分成一組，每組下面放入來自不同時期的具體例證。

問題在於：哪些經歷該放進哪一組？這不是格式問題，而是策略問題。你在大學時辦過一場展覽，這可以算「專案管理」，也可以算「公眾溝通」，甚至可以算「跨領域協作」。放進哪一組，取決於你想讓招生委員看到你的哪一面。AI 會根據常見分類給你建議，但它不知道你申請的這個 program 特別看重哪種能力，也不知道你其他經歷中哪一項最薄弱需要補強。

人工覆核的第一個檢查點：每一條經歷是否放在最能支撐你轉向論述的分類下？如果你把 AI 建議的分類照單全收，很可能得到一份「看起來專業但完全沒有策略」的履歷。

跨域術語的轉換：AI 可能幫你寫出連你自己都不懂的句子

跨專業 CV 的常見做法，是把原領域的經歷用目標領域的語言重新描述。例如把「設計教學活動」改寫成「學習體驗設計（LXD）實踐」，把「田野調查」改寫成「質性用戶研究」。這種轉換能讓招生委員更快理解你的經驗價值。

但這裡有個陷阱：AI 很擅長生成這類轉換，但它不保證轉換後的描述仍然真實。你原本做的「設計教學活動」，可能只是設計了一份 PowerPoint 教材，和真正的 LXD 實踐有本質差距。如果 CV 上的描述超出你實際做過的事，面試時一個追問就會穿幫。

人工覆核的第二個檢查點：每一條轉換後的術語，你能不能用自己的話解釋它在你原本的脈絡中具體指什麼？如果解釋不出來，就代表這條描述寫得太滿，需要退回一步。

成果數字的真實性：AI 不會替你驗證

AI 可以幫你把「提升銷售」改成「提升銷售 15%」，但它不知道這個 15% 是你估算的還是實際統計的，也不知道這個數字放在 CV 上是否經得起查證。跨專業申請者尤其容易在這裡犯錯——因為你急於向目標領域證明自己的能力，可能會不自覺地把成果描述得比實際更漂亮。

人工覆核的第三個檢查點：CV 上的每個數字、每個百分比、每個「主導」「負責」「建立」的動詞，你能不能拿出對應的證據？證據可以是成績單、作品集、主管的推薦信，或是你自己能清楚說出當時的執行細節。說不清楚的，就刪掉或改寫。

交給顧問或本人判斷的時機

如果你對目標領域的慣例不夠熟悉，或者你的轉向幅度很大（例如從文科轉到工程），建議在 AI 完成初稿後，找一位熟悉目標領域的顧問或學長姐幫你覆核。覆核的重點不是文法，而是：這份 CV 呈現的能力圖譜，是否真實支撐你 PS 中的轉向論述？如果 CV 說你擅長量化分析，但 PS 完全沒有提到相關經驗，這兩份文件之間就存在張力。

AI 是效率工具，不是判斷工具。它能讓你的 CV 在十分鐘內從雜亂變成整齊，但「這個經歷該不該放」「這個描述會不會太超過」「這個分類能不能說服人」——這些問題的答案，只有你或真正了解目標領域的人給得起。最終提交前，請逐條核對 CV 中的每一項經歷、數字和職責描述。