用 WorkBuddy 筛选简历，怎么让它比人更专业、高效且安全

本文之前发过，但排版有些问题，在此重发。

我一直认为，面试就像相亲一样，一看命运，二看感觉。命运负责安排什么人到你面前，至于能不能在一起，更多时候看感觉。简历筛选有时候也是看感觉，我不相信一个肉眼凡胎，一天面对几十上百份简历，能对每一份简历都做出客观的评价。

这话听起来有点残酷，但承认人的局限性，也许是我们思考“如何让筛选机制变得更公平、更客观”的一个好起点。

最近我们在招聘，HR 每天都甩几十份简历给我，说实话，我挺烦看简历的。精力有限，对于每一份简历我只能去抓关键词，看完后面的就忘了前面的，很难保证不会错过“对的人”。但我最近突然想到，我这个肉眼凡胎做不到，但 AI 可以啊！AI 最擅长的就是文本理解。

于是，我使用 WorkBuddy 探索出了一条路子，让 AI 轻轻松松对几十份简历进行评估和汇总。先看效果：

下文将介绍这次实践的调优过程和一些思考。如果你不想看这些啰嗦的文字，我已经把调教好的工作流封装成了一个 WorkBuddy 的“专家”，你可以直接使用。将以下链接复制到电脑浏览器上打开，就可以把“资深 HR 招聘专家”添加到你的 WorkBuddy 专家队伍里。

点击这里，直接体验我封装好的“资深 HR 招聘专家”

当然，每个公司的具体招聘场景和需求各异，这个现成的专家可能无法满足你的所有需求，但阅读下文的思考过程，也许能为你的个性化流程设计带来启发。

重点前提：数据安全不容忽视

在开始尝试之前，我相信很多公司都有一个重要的考量：数据隐私。

简历包含大量敏感的个人信息（如手机号、邮箱等），绝对不能让大模型直接读取到这些敏感数据。因此，在工作流中，我有一条铁律：在把简历内容发送给大模型之前，就必须让它自动过滤掉敏感信息，然后再将脱敏后的文本发给大模型进行评估。

具体方式是在指令中明确要求：“为了数据安全，提取文本内容时，用正则表达式过滤掉手机号、邮箱等敏感信息。”

如果想深入了解原理，请看我上一篇文章。

第一次尝试：关键词匹配 —— 太粗糙了

我跟 WorkBuddy 说：

你是经验丰富的人力资源招聘经理，“E:\HR\Agent工程师招聘简历” 目录下是我们收到的简历，请你逐个查看，并按照常见的筛选条件汇总成一个表格。
读取简历内容的流程和约束：
1. 为了保持原文结构，提取文件内容时，请使用 markitdown
2. 为了数据安全，提取文本内容时，用正则表达式过滤掉手机号、邮箱等敏感信息

它很快就跑完了。它写了 Python 脚本，使用 markitdown 提取 PDF 文本，用正则表达式过滤敏感信息，输出了一个 JSON 和 HTML 表格。不过它使用的是关键词匹配的方法，AI 自己生成一堆和这个岗位相关的关键词，然后去看看简历里有没有这些关键词。

结果：能用，但不太靠谱。

我翻了翻结果，发现了几个明显的问题：

• 有份简历里写的是“2024 年毕业”，被解析成 24 年工作经验。
• 有份简历写到“线程池等常用技术”，被解析成他在一家叫**“线程池”**的公司工作过。
• 评估逻辑太简单，就是看谁简历里出现的关键词多，“Agent 深度”这一项就给高分。

总结： 关键词匹配可以快速过滤噪音，但绝对不能作为最终评估。尤其是 Agent 这种新兴岗位，一个人的技术水平不能仅仅通过数关键词来判断。

第二次尝试：让 AI 逐份阅读评估 —— 维度不够

我换了个思路，让 WorkBuddy 真正去读每一份简历，流程如下：

PDF 文件
  ↓ markitdown 提取文本
  ↓ 正则脱敏
  ↓ 把每份简历文本送给大模型，按统一维度评估
  ↓ 大模型输出结构化字段（姓名、年限、技术能力、亮点、风险...）
  ↓ 汇总成表格

这次的结果比第一次好 —— 它确实读了每一份简历的内容，评分也有一定的依据。但我发现了一个问题：大家的分数都挤在一起，很难区分谁更适合这个岗位。

问题出在哪里？ 评估维度太通用了，也就是维度不够丰富。“技术能力”的具体表现，对于前端工程师和 Agent 工程师是完全不同的。用同一套模板套所有岗位，自然区分不出谁真正符合要求。

第三次尝试：先做岗位画像，再批量评估 —— 终于对了

这次我先让 WorkBuddy 做一件事：先随机读 2-3 份简历，总结这个岗位的候选人有什么特点，水平高低体现在哪里。

我们这批简历主要是招“AI Agent 全栈工程师”。AI 读完 2 份后总结出了这个岗位的关键差异点，给了 9 个专属评估维度，每个维度 1-5 分，并且附上了评分锚点：

有了这套专属标准，每个人之间的差距一目了然，这才是真正有用的评估。

但批量评估完成后，我又发现了另一个问题。

黄某，9 年经验，技术栈丰富，综合评分给了 B 级。但我去翻他的简历原文，求职意向上写着：“前端开发工程师，期望 17-20K”。

他根本不找 Agent 岗位。类似的还有：

• 李某，5 年 Go + Agent + MCP，技术过硬，但求职意向是“Golang 语言工程师”。
• 陈某，6 年阿里云 Agent 架构，A 级评分，但期望薪资 20-25K，超出了我们的预算。

于是我追加了一步：“重新检查所有简历里的期望岗位、期望薪资、期望城市，与我们的 JD 进行比对，不匹配的直接降级，存在偏差的单独标记。”

总结： 意向匹配是筛选的第一道关卡，而不是最后一道。技能再匹配，如果对方根本不找这个方向的工作，约来面试也是浪费时间。

最终成果

三轮下来，WorkBuddy 给我产出了一份可排序、可筛选的 HTML 汇总表，如文章开头的截图所示。

最终工作流（可直接照做）

经历过前面的踩坑，我把最终的流程固化成了以下 6 步：

1. 输入基准：告诉 WorkBuddy 你的 JD（岗位名称、薪资范围、工作地点）。
2. 提取文本：指定简历文件夹，让它批量提取 PDF 文本并去掉敏感信息。
3. 第一道关卡（意向排查）：检查期望岗位、薪资、城市与 JD 的匹配度，不匹配的直接降级或过滤（不要把 token 浪费在无意向的人身上）。
4. 岗位画像：让它抽读 2-3 份通过初筛的简历，建立候选人画像，生成专属评估维度。
5. 深度精筛：让它逐份阅读剩下的核心简历，按专属维度进行深度打分。
6. 输出结果：生成可排序、可筛选的 HTML 汇总表。

你可以按照这个工作流，并结合你的个性化场景需求来编写自己的提示词。

本文基于真实招聘案例