搭建一个简历初筛AI智能体：HR同事的"第一道过滤器"

我们公司每年招聘季会收到上千份简历，HR同事光初筛就要花掉大把时间——每份简历三五分钟，看1000份就是一周的工作量，而且人看简历容易疲劳，标准前后不一致。上个月我帮HR搭了一个简历初筛智能体，把"初筛"变成了"自动打分+排序+人工复核"，HR的工作量减少了大半，还减少了漏掉好简历的遗憾。这篇文章记录完整过程。

一、先和HR一起定"标准"

这是最关键的环节——智能体的判断标准必须来自HR，不是我拍脑袋。我和HR负责人坐下来，把初筛标准梳理成可量化的规则：

岗位初筛标准（示例）

每个维度都写成"打分细则"：什么算"匹配"、什么算"部分匹配"、什么算"不匹配"，尽量消除主观空间。

二、智能体怎么工作的

流程

简历上传(PDF/Word)
   ↓
解析(提取文本+结构化字段)
   ↓
LLM评分(按评分细则逐维度打分)
   ↓
输出报告(总分+各维度得分+关键证据+推荐等级)
   ↓
HR复核(重点看"推荐"和"待定")

关键设计1：评分必须带"证据"

这是整个系统最重要的设计——AI打分时，每个维度的分数必须附上简历里的原文依据：

项目经验得分：8/10。依据：第2页"主导开发了XX系统，日活10万"（与岗位要求的"高并发系统经验"匹配）。

带证据的打分，HR一眼就能判断AI评得对不对，而不是对着一个孤零零的分数猜。这也让AI的误判能被快速发现和修正。

关键设计2：三档分级，人工只重点看一档

AI把简历分为三档：推荐（明显匹配，直接进面试）、待定（边缘情况，人工判断）、不合适（硬性条件不满足，直接淘汰）。HR只需要把时间花在"推荐"和"待定"上，"不合适"的几乎不用再看——这是节省时间的大头。

关键设计3：评分细则可配置

招聘不同岗位，标准不一样。我把评分细则做成配置文件，换岗位就换一套规则，HR自己都能改，不用找开发。

三、踩过的坑

1. AI"偏见"问题：第一版测试发现，AI对某些学校的简历打分偏高。检查后是训练数据里学校名出现频率影响了判断。解决：提示词里明确"学校仅作为信息，不得作为评分依据，除非岗位明确要求"，并增加"严禁因学校、性别、年龄产生歧视性评分"的约束；
2. 简历解析乱：有些简历是图片或复杂排版，解析后字段错乱。解决：解析环节加校验，解析置信度低的直接标记"需人工查看原简历"，不强行评分；
3. AI"迎合"评分细则：细则写得越细，AI越倾向于按细则"凑分"，有时候明明项目不相关也能凑出高分。解决：评分规则里加一条"经验不相关时，相关度得分必须低，禁止用通用能力凑分"；
4. 漏掉"潜力型"简历：严格按细则打分，会漏掉"经历不完美但学习能力强"的候选人。解决：加一个"潜力信号"加分项（自学项目、转行成功经历、自我驱动证据），让这类简历能进"待定"而非直接淘汰。

四、效果与总结

招聘季三周的数据：初筛环节总耗时从约40小时降到8小时（AI筛掉60%的不合适简历，HR只复核40%）；初筛标准的一致性大幅提升——同一个候选人，AI的评分不会像人一样"心情好坏影响结果"；最让HR欣慰的是，没有漏掉明显匹配的简历（AI按规则打分，不会像人那样看漏）。

我的总结：简历初筛智能体的核心是"把标准翻译成规则，让规则可执行、可复核"。它不替HR做判断——最终录用决定、面试安排、人际判断永远是HR的活；它做的是把"机械的初筛"标准化，把人的时间留给真正需要人的环节。如果你也想给HR搭类似的工具，建议从"和HR一起定标准"开始，这个环节花的时间，决定了智能体后面的所有质量。