AI 自动解析收到的简历，根据岗位要求评分排序，筛选出匹配度最高的候选人推送给 HR。
每天收到 30-100 份简历的 HR，手动筛选耗时且容易遗漏优质候选人
每天节省 2-4 小时
约 ¥50-150/月（按日均 50 份简历计算）
整理各岗位的 JD 文档并结构化为评分维度（硬性条件、优先条件、加分项），在 Google Sheets 中建立简历评分记录表。确保招聘邮箱或 ATS 系统已开通 API 权限，测试 Make 能否正常读取新简历附件。
在 Make 中配置文件解析模块，支持 PDF 和 Word 格式的简历提取。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、项目经历摘要。针对不同格式的简历进行解析测试，确保关键信息提取准确率达到 90% 以上。
为每个岗位设计评分提示词，将 JD 中的要求转化为可量化的评分标准（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）。设置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 份历史简历进行回测，对比 AI 评分与 HR 实际筛选结果的一致性。如果偏差超过 15%，调整评分权重和提示词。重点关注假阴性（优质简历被低分淘汰）的情况，适当降低淘汰阈值。
设置评分结果的自动流转规则：80分以上推送 Slack 通知给招聘负责人，50分以下自动发送感谢信模板。中间分数段的简历存入候选池，每周汇总推送一次供 HR 人工复查。
常见问题包括简历格式异常导致解析失败、AI 对非标准经历评分偏低、附件过大超时。建议对解析失败的简历设置人工兜底路径，定期收集 HR 对 AI 评分的反馈用于持续优化提示词。
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评分。建议将淘汰阈值设为 50 分而非更高，给边缘候选人保留人工复查机会。定期审计被淘汰简历确认无系统性偏差。
PDF 格式简历解析准确率最高，建议在招聘页面引导候选人提交 PDF 格式。对于图片格式简历，增加 OCR 预处理步骤。解析失败的简历自动转入人工处理队列，不直接淘汰。
为内推和猎头渠道设置独立处理路径，这类简历即使 AI 评分偏低也不自动淘汰，而是标记后推送给 HR 人工评估。可以在评分报告中附注渠道来源供 HR 参考。
建议每个岗位招满后复盘一次评分准确率，根据实际录用情况调整权重。岗位 JD 变更时必须同步更新评分提示词。每季度进行一次全面校准确保评分体系与业务需求一致。