简历筛选

适用场景

1 批量校招简历初筛：一天内处理上千份简历，按岗位硬性条件自动过滤并排序

2 社招岗位匹配打分：对特定岗位（如Java后端）进行技能、经验、行业匹配度打分

3 内推简历快速评估：对内推渠道简历优先处理，输出匹配报告供用人经理参考

4 猎头简历查重与入库：去重后结构化入库，自动标注是否推荐面试

核心Prompt（安装配置用）

你是一名资深HR简历筛选专家，负责根据岗位要求对候选人简历进行客观、结构化的评估。

任务：读取简历文本与岗位JD，输出匹配打分和推荐结论。

评估维度与权重：
1. 硬性条件（40%）：学历、专业、工作年限、必备证书是否满足JD底线。
2. 技能匹配（30%）：核心技能栈、工具、技术关键词覆盖率。
3. 经验匹配（20%）：行业背景、项目复杂度、职责相似度。
4. 加分项（10%）：大厂经历、开源贡献、专利、竞赛获奖等。

输出格式（严格JSON）：
{
  "candidate_name": "姓名",
  "total_score": 0-100,
  "dimension_scores": {"hard": 0-40, "skill": 0-30, "experience": 0-20, "bonus": 0-10},
  "matched_keywords": ["关键词"],
  "missing_keywords": ["关键词"],
  "risk_flags": ["如频繁跳槽、空窗期长"],
  "recommendation": "推荐面试/待定/不推荐",
  "reason": "80字以内结论"
}

约束条件：
- 不得编造简历中不存在的信息，缺失字段标记为"未知"。
- 不得因性别、年龄、婚育、地域等歧视性因素扣分。
- 硬性条件不满足时总分不得高于60。
- 评分需可解释，reason必须对应维度扣分点。
- 仅输出JSON，不输出多余解释。

所需工具 / API对接

需要对接：ATS系统（如Moka、北森、Workday）简历解析API用于获取简历文本；企业HR系统（钉钉/飞书/企业微信）用于推送结果；可选OCR服务（百度/腾讯云）处理PDF图片简历；LLM API（GPT-4o/智谱/通义千问）；向量数据库（Milvus/Pinecone）用于历史简历查重。需配置岗位JD库与关键词词表。

安装部署步骤

11. 环境准备：确认服务器Python 3.10+、Docker 24+已安装，执行 docker --version 与 python --version 验证。

22. 安装依赖：pip install fastapi uvicorn openai pdfplumber python-docx pymilvus，并创建 requirements.txt 锁定版本。

33. 配置参数：复制 config.example.yaml 为 config.yaml，填写 LLM_API_KEY、ATS_API_URL、ATS_TOKEN、DINGTALK_WEBHOOK、匹配权重（hard=0.4等）。

44. 导入Prompt：将 core_prompt 写入 prompts/resume_screener.txt，在 config.yaml 中设置 prompt_path 指向该文件，并加载岗位JD库 jd_library/。

55. 连接工具API：启动服务 python -m app.main，检查 /health 返回200；调用 /test_ats 验证ATS取简历接口连通；调用 /test_llm 验证大模型返回JSON。

66. 测试验证：上传3份测试简历（1份高匹配、1份中匹配、1份不匹配）调用 /screen 接口，核对打分排序是否符合预期，检查JSON字段完整性。

77. 上线部署：使用 docker build -t resume-agent:v1 . 构建镜像，docker run -d -p 8000:8000 resume-agent:v1，配置Nginx反向代理与日志采集。

88. 监控优化：接入Prometheus监控接口QPS与错误率，每周抽样复核打分准确率，依据用人经理反馈迭代Prompt与权重。

配置参数

参数名	说明	默认值
`hard_weight`	硬性条件权重，影响学历经验打分占比	0.4
`skill_weight`	技能匹配权重	0.3
`experience_weight`	经验匹配权重	0.2
`bonus_weight`	加分项权重	0.1
`score_threshold`	推荐面试的最低总分阈值	75
`dedup_similarity`	简历去重相似度阈值	0.92
`llm_model`	调用的模型名称	gpt-4o
`batch_size`	每批处理简历数量	20

效果示例

输入：岗位JD为“Java后端，3年以上，熟悉Spring Cloud，本科以上”，简历文本包含“张某，本科，4年Java开发，主导Spring Cloud微服务项目，无大厂经历”。输出：{"candidate_name":"张某","total_score":86,"dimension_scores":{"hard":36,"skill":27,"experience":16,"bonus":3},"matched_keywords":["Java","Spring Cloud","微服务"],"missing_keywords":["Kafka"],"risk_flags":[],"recommendation":"推荐面试","reason":"硬性条件全满足，核心技能高度匹配，项目经验对口，建议进入面试"}。全流程约2秒完成，支持批量并行。

常见问题

Q1：简历格式多样（PDF/图片/Word）能否处理？
A：支持，PDF和Word直接解析，图片简历需接入OCR服务，建议在ATS入口统一转文本。
Q2：打分结果与HR判断不一致怎么办？
A：先抽样10份复核，调整config.yaml中的权重与score_threshold，并补充岗位关键词词表，迭代Prompt。
Q3：如何保证不歧视、合规？
A：Prompt已约束禁用性别年龄等维度，建议关闭简历中的照片与敏感字段，保留审计日志备查。
Q4：能否对接现有ATS自动流转？
A：可以，通过ATS开放API拉取简历、回写打分与推荐状态，需申请对应API权限。
Q5：并发量大时性能如何？
A：单实例建议QPS控制在5-10，批量场景用队列+多实例横向扩展，batch_size调至50可提升吞吐。

企业落地建议

部署方式：优先私有化Docker部署，数据不出内网，适合简历敏感场景；中小团队可用SaaS API快速验证。成本估算：LLM调用按每份简历约0.02-0.05元，日均1000份月成本约600-1500元，加服务器与ATS对接约2000元/月。注意事项：先小范围试点1-2个岗位，人工复核准确率达标（建议85%以上）再全量；保留人工终审环节，避免误筛；定期更新岗位关键词库与权重；建立打分日志与反馈闭环。需要我们帮你落地吗？可以试试免费AI诊断→