痛点：原来怎么干的

一个运营岗一周收到 200+ 份简历，初筛占招聘专员 60% 时间，且不同人筛标准不一致，业务方常抱怨「推的人不对口」。

做法：分几步改

  1. 与业务方一起把岗位要求拆成 5 个维度（经验匹配、项目复杂度、数据能力、行业背景、稳定性）并给出权重
  2. 让模型对每份简历按维度打分，且必须引用简历原文作为证据（无证据不给分）
  3. 输出排序表 + 一句话推荐理由 + 需在面试中确认的疑点
  4. 招聘专员只看前 10% 与分数接近阈值的边界样本

效果：改完变成什么样

初筛耗时
每周 12 小时 → 3 小时
业务方面试通过率
约 35% → 62%（3 个月统计）
简历处理一致性
同一批简历两人评分差异显著缩小

可以直接抄的三条

  • 必须要求「引用原文作证据」，否则模型会给漂亮但空洞的高分
  • 筛简历属高风险场景，需告知候选人并保留人工复核，避免就业歧视争议
  • 权重由业务方定，不由 HR 单方定，否则推的人依然不对口
适用边界：该做法在本案例的规模与工具条件下成立，换到数据量更大、合规要求更严的场景需重新验证。 效果数字为案例方提供或访谈整理的参考值，不构成效果承诺。
广告
案例详情页广告位（正文下方）
阅读完成率高，适合有转化目标的工具方
查看档期与价格 →
来源：HR 社群分享整理，数据为案例方 3 个月统计参考值
涉及工具：大模型 API、ATS 系统、结构化评分表　·　标签：招聘、简历筛选、评分卡