〇、一门三方都不亏的课#
几乎每个大学生都上过那门课：大学生职业发展与就业指导。
学生的评价高度统一——水课。上课刷手机，期末交一份职业规划书，学分到手。老师的评价也很统一——课时紧、班额大、没经费。学校的评价最统一——课时开了，学分给了，材料齐了。
三方都不亏。学生拿到学分，老师拿到工作量，学校拿到报表。唯一没有流动的东西，是信息。
这门课本该是刚需。谁不想早点知道：我这个专业毕业能去哪些岗位？要不要提前考证？什么时候找实习最合适？可学生带着这些问题走进教室，出来的时候问题还在。
《中国青年报》今年 3 月的一篇报道里，文学院大二学生蒋慧听完课的感受是”一头雾水”，她的原话是：还不如社交媒体上分享的求职经验帖。
这句话值得停一下。它不是”学生不爱学习”的证词，它是一个关于信息在哪里的判断。
一、这门课只能教”通用知识”#
先说清楚这门课的来历。2007 年，教育部印发《大学生职业发展与就业指导课程教学要求》，把它作为公共课纳入教学计划，贯穿从入学到毕业的培养过程。也就是说，它在制度上不是选修的边角料，是必修的主干。
但制度给了位置，没给内容。落到课堂上，这类课的内容高度雷同：就业形势、政策解读、简历怎么写、面试怎么答、职业生涯规划书的格式。
这些东西有一个共同点：对所有人都成立，所以对具体的人没用。
“简历要突出与岗位的匹配度”——正确，但蒋慧想知道的是”文学院毕业能做什么”；“面试要准备自我介绍”——正确，但法律系的学生周然想知道的是”大三什么时候去实习最合适、法律专业适合哪些岗位”。
通用知识回答不了局部问题。这不是教学质量问题，是知识类型问题。
打个比方：通用知识是地图，局部信息是路况。地图告诉你北京在哪，路况告诉你去北京今天堵不堵、哪条路在修、几点出发能赶上。求职要的是路况，课堂发的是地图。
二、老师手里也没有局部信息#
有人会说：那就让老师讲点干货啊。
问题是，很多老师手里没有干货。这不是能力问题，是位置问题。
《中国青年报》同一篇报道提到，一些高校的职业规划课教师由辅导员或行政人员兼任；高校研究里的描述更具体：就业指导教师多由辅导员或行政人员兼任，缺乏职业规划、心理学等专业背景，流动性大，普遍缺乏企业工作经验，难以提供针对性的行业建议。有的学校合班上课，一个班一百多人。
一个从没在该行业工作过的人，讲不出”这个行业今年怎么样”。一个每周要查课、查寝、谈心、填表、处理奖助贷的辅导员，没有时间去研究就业市场。
还有一层更现实的：激励不支持。哈尔滨建筑科技职业大学招生就业处的丁姿在接受采访时说，很多高校生涯教育教师是兼职教师，除了为数不多的课时费，这些教师能得到的并不多。
也就是说：备好这门课，对老师没有额外收益；备不好，也没有额外损失。 在这种激励下，课能开出来，本身就是个成就。
三、为什么”水课”能长期存在#
因为它是均衡。
| 参与方 | 得到什么 | 付出什么 |
|---|---|---|
| 学校 | 课程开设、学分记录、就业率报表 | 很少的课时费 |
| 老师 | 工作量、课时费 | 照 PPT 讲 |
| 学生 | 学分、低成本通过 | 时间（可用来做别的事） |
三方都在这个均衡里拿到了自己要的东西，所以没有人有动力打破它。学生骂，但不投诉；老师知道，但不改；学校清楚，但不查。
这不是”失败”，这是一个稳定状态。稳定状态的特点是：除非外部条件变化，否则不会自己变。
四、学生为什么不听#
“学生不爱听”这个判断，通常被归因到态度。但更准确的解释是：他们听不到自己要的东西。
蒋慧想要的是”文学院能去哪”，课上讲的是”树立正确就业观”；周然想要的是”什么时候实习”，课上讲的是”简历的三个原则”。当信息与问题不匹配时，注意力自然会走。
而他们转向的地方——社交媒体上的经验帖——恰好提供了课堂缺的那一半：局部信息。某公司某岗位的真实体验、某年某专业的offer情况、某个面试官问过什么问题。这些信息的共同点是：它来自”在那个位置上的人”，而不是”关于那个位置的知识”。
当然，帖子也有它的问题：幸存者偏差、软文、过期、以偏概全。但在”可能不准的局部信息”和”一定正确的通用知识”之间，急着找工作的人会选前者。
这不是学生短视，是信息的价格不同：通用知识免费且无用，局部信息昂贵但有用。
五、AI 来了，它便宜了什么#
AI 进场的时候，很多人以为这堵墙要倒了。
数据确实很好看。智联招聘 2026 年春招季的调查里，50.7% 的受访者用 AI 优化简历、撰写自我介绍；28.2% 用 AI 分析目标行业和公司；26.5% 用 AI 模拟面试、练习回答思路。一家求职服务机构说，截至 2026 年 1 月，已有超过 20 万名大学生用他们的小程序辅助求职。
还有”反向背调”：以前要手动搜公司评价、翻财报、找员工反馈，成本高到多数人放弃；现在 AI 能把这些公开信息整合成一份摘要。
这些都是真实的进步。但它们有一个共同点：处理的都是公开信息。
简历优化是把已有经历重新组织；行业分析是把公开报告重新概括；模拟面试是把常见问题重新排列；反向背调是把公开评价重新汇总。AI 做得又快又好，但它没有增加一条”只存在于某个人嘴里”的信息。
于是问题来了：这个组今年到底招不招？HC 是真的还是挂着好看？面试官偏好什么样的人？这家公司说的是双休，实际几点下班？
这些信息不在语料里。它们只在现场。
六、AI 还在把墙砌厚#
更麻烦的是，AI 不只没打破墙，它还在往墙上抹水泥。
2026 年 1 月的一篇工作论文梳理了三条证据：大模型大幅降低了申请材料的写作成本，让求职信变得更通用、对能力的预测力下降；AI 辅助的求职信虽然提高了回电率，却降低了”申请质量”与”录用结果”的相关性；企业用 AI 起草岗位描述后，发布的岗位更多了，但描述的信息量更少，匹配质量反而下降。
翻译成一句话：当所有人都能用 AI 把话说漂亮，说得漂亮就不再是信号。
信号一旦失效，筛选就会退回硬指标——学校、学历、实习经历。而硬指标恰恰是最不需要”信息”、最依赖”出身”的那一层。结果就是：AI 让表达变便宜，让出身变得更贵。
国内媒体的评论也看到了这一面。《广州日报》今年 4 月的一篇评论说，AI 在一定程度上打破了信息茧房，但一些求职者过度依赖 AI 生成简历、润色经历，导致内容失真、千篇一律；如果算法训练数据本身带有偏见，把年龄、空窗期、院校标签写进模型，技术还可能放大不公平。
这就是”AI 打不破茧房”的机制：它能降低公开信息的获取成本，但也降低了公开信息的价值。 两边一抵消，茧房的墙不但没薄，反而更滑了——你抓不住任何东西。
七、谁真的打破了茧房#
先把”茧房”这个词校准一下。
它最早说的是算法推荐造成的同质化——你只看得到你爱看的，于是观点越来越窄。但就业这件事上的茧房不是这样：学生不是只看到一种观点，他们看到的是大量彼此矛盾、且都与自己无关的信息。经验帖里有人说”一定要去大厂”，有人说”大厂是围城”；有人说”考公稳定”，有人说”基层熬人”。信息不缺，缺的是与自己处境相关的那一条。
所以就业茧房不是算法砌的，是关系砌的。墙上的砖是”你不在场”。
真正能把局部信息递到你手上的，是这几种关系：
- 实习：你在场，你能看见。哪个组忙、谁在带人、活是怎么分的，只有进去了才知道。
- 师兄师姐：同门关系，愿意说真话，而且知道你的处境。
- 付费咨询：把关系明码标价。前面提到的法律系学生周然，最后就是花钱做一对一咨询，补齐了学校课程的短板。
- 小社群：同温层，但离得近，信息密度高。
这四种的共同点：都不是”查”，是”被告诉”。
信息茧房的墙，不是”你不知道”，是”没有人告诉你”。而”有人愿意告诉你”这件事，取决于三样东西：你在不在现场、你有没有关系、你付不付得起。
所以茧房不是认知问题，是关系问题。这也解释了为什么 AI 帮不上忙：AI 可以给你地图，给不了你向导；可以告诉你”一般来说”，告诉不了你”就这一次”。
八、那门课还有救吗#
有，但救法不是”把课讲得更好”。
把 PPT 做漂亮、请几个 HR 来讲座、加几节模拟面试——这些都是”把通用知识讲得更生动”，解决不了局部信息的缺失。
真正的救法只有一种：把人放进现场。 让课程变成实习的前置、项目的入口、师兄师姐的接口，而不是知识的容器。这也意味着，一门课能做的事其实很有限——它需要的是学校跟企业之间的通道、校友网络的激活、以及允许学生”花时间在课堂外”的制度空间。
这些都不是一门课能决定的。所以就业指导课的问题，本质上不是教学问题，是这个系统里没有任何一个环节，负责把”某个具体地方今年到底怎么样”这件事，传给一个具体的学生。
课堂不负责，AI 不负责，最后只能是学生自己在社交媒体上拼、在实习里撞、在师兄的微信里问。
这也解释了那种”憋屈”：不是没努力，是努力的方向上没有信息。你在黑暗里跑得再快，也不知道前面是门还是墙。
附：口径#
- 2007 年教育部《大学生职业发展与就业指导课程教学要求》：公共课、纳入教学计划、贯穿培养过程。
- 学生与教师侧的具体案例（蒋慧、周然、丁姿等）：《中国青年报》2026 年 3 月 28 日报道《大学职业规划课，如何成为就业”指南针”》及中国青年网 2026 年 5 月相关报道。
- 师资结构（辅导员/行政兼任、缺乏企业经验、合班百人以上）：高校教学研究论文与调研材料，属抽样与个案描述，不作全国比例使用。
- AI 使用率（50.7% / 28.2% / 26.5%）：智联招聘 2026 年春招季调查，媒体转述。
- 三项 AI 与信号的研究（申请材料通用化、回电率与质量相关性下降、AI 起草 JD 信息量下降）：引自 2026 年 1 月一篇工作论文的文献综述，原文为 Galdin & Silbert (2025)、Cui et al. (2025)、Wiles & Horton (2025)，本文按转述处理。
- 《广州日报》2026 年 4 月评论观点：AI 在一定程度上打破信息茧房，同时带来同质化与算法偏见风险。