AI Auto解析收到的Resume, 根据岗位要求Scoring Sort, Screening出匹配度最高的候选人推送给 HR.
Daily收到 30-100 份Resume的 HR, Manual Screening耗时且容易遗漏优质候选人
Saves 2-4 hours daily
约 ¥50-150/月 (按日均 50 份Resume计算)
整理各岗位的 JD 文档并结构化为Scoring维度 (硬性条件, 优先条件, 加分项) , 在 Google Sheets 中建立Resume Scoring记录表. 确保Recruitment邮箱或 ATS 系统已开通 API Permission, Test Make 能否正常读取新Resume附件.
在 Make 中Configure文件解析模块, 支持 PDF 和 Word 格式的Resume提取. Claude API 提示词中明确要求输出结构化字段: 姓名, 学历, 工作年限, 技能标签, Project经历摘要. 针对不同格式的Resume进行解析Test, 确保关键信息提取准确率达到 90% 以上.
为每个岗位设计Scoring提示词, 将 JD 中的要求转化为可量化的Scoring标准 (如: 目标学历匹配+20分, 核心技能每项+15分, 相关经验每年+10分) . Settings硬性条件不满足直接淘汰的逻辑, 避免 AI 给出模糊的中间分数.
用 20-30 份历史Resume进行回测, Comparison AI Scoring与 HR 实际Screening结果的一致性. 如果偏差超过 15%, 调整Scoring权重和提示词. 重点关注假阴性 (优质Resume被低分淘汰) 的情况, 适当降低淘汰阈值.
Settings Scoring结果的Auto流转规则: 80分以上推送 Slack Notification给Recruitment负责人, 50分以下Auto Send感谢信Template. 中间分数段的Resume存入候选池, Weekly Summary推送一次供 HR 人工复查.
FAQ包括Resume格式Anomaly导致解析Failed, AI 对非标准经历Scoring偏低, 附件过大超时. Suggestion对解析Failed的Resume Settings人工兜底路径, 定期收集 HR 对 AI Scoring的Feedback用于持续Optimization提示词.
在提示词中明确要求不考虑性别, 年龄, 院校等非能力因素, 仅基于技能和经验匹配度Scoring. Suggestion将淘汰阈值设为 50 分而非更高, 给边缘候选人保留人工复查机会. 定期审计被淘汰Resume Confirm无系统性偏差.
PDF 格式Resume解析准确率最高, Suggestion在Recruitment页面引导候选人Submit PDF 格式. 对于图片格式Resume, 增加 OCR 预Processing步骤. 解析Failed的Resume Auto转入人工Processing队列, 不直接淘汰.
为内推和猎头渠道Settings独立Processing路径, 这类Resume即使 AI Scoring偏低也不Auto淘汰, 而是标记后推送给 HR 人工评估. 可以在Scoring Report中附注渠道来源供 HR 参考.
Suggestion每个岗位招满后复盘一次Scoring准确率, 根据实际录用情况调整权重. 岗位 JD 变更时必须Sync Update Scoring提示词. 每季度进行一次全面校准确保Scoring体系与业务Demand一致.