# Easy Recruitment

> 智能招聘助手。根据职位JD自动筛选和评估简历，输出候选人排序报告，并为每个候选人生成定制化面试问题清单。当用户需要筛选简历、评估候选人匹配度、准备面试问题时触发。

- Skill: `whyzsm/easy-recruitment` (Agent Skill, multi-file: 6 files)
- Install (CLI): `npx skillmds@latest add whyzsm/easy-recruitment`
- Raw SKILL.md: https://api.skillmd.com/api/skills/whyzsm/easy-recruitment/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: whyzsm (https://skillmd.com/u/whyzsm)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/whyzsm/easy-recruitment

---


# 招聘助手

自动化简历筛选与面试准备工具。

## 工作流程

### Step 1: 确认职位文件夹

用户以文件夹为单位维护职位，结构如下：
```
jobs/
├── 后端开发-3年经验/           # 职位文件夹
│   ├── JD.txt                  # 职位描述（必需）
│   ├── 候选人A.pdf             # 简历文件
│   ├── 候选人B.docx
│   └── 候选人C.pdf
├── 产品经理-资深/              # 另一个职位
│   ├── JD.txt
│   └── ...
└── personalprefer.txt          # 面试官偏好配置（可选，全局共享）
```

**文件层级说明**：
- **JD.txt**：放在职位文件夹内，描述岗位要求（技能、经验、职责等），随岗位变化
- **personalprefer.txt**：放在 jobs/ 根目录，描述面试官自身性格和偏好，所有职位共享

### Step 2: 读取并解析JD

从 `JD.txt` 提取关键要求：
- **硬性要求**：学历、工作年限、必备技能（必须满足）
- **核心技能**：技术栈、工具、方法论（重要匹配项）
- **软性素质**：沟通能力、团队协作、抗压性等
- **加分项**：额外技能、行业经验、开源贡献等

### Step 3: 批量解析简历

支持的格式：PDF、DOC、DOCX、HTML、TXT

**简历命名**：无需结构化命名，我会从文件内容中提取候选人姓名和信息

解析维度：
| 维度 | 提取内容 |
|-----|---------|
| **基础信息** | 从内容中提取姓名、联系方式、工作年限、学历 |
| **工作经历** | 公司、职位、时间、项目描述 |
| **技能栈** | 技术关键词匹配 |
| **项目经验** | 项目复杂度、职责范围、量化成果 |
| **其他亮点** | 开源、演讲、文章、证书 |

### Step 4: 匹配度评分

**评分算法**：
- 硬性要求（一票否决）：不满足直接淘汰
- 核心技能匹配（40分）：JD要求的技能掌握程度
- 经验相关性（30分）：行业/业务领域匹配度
- 项目质量（20分）：项目复杂度、成果量化
- 加分项（10分）：额外技能、开源、影响力

**输出分级**：
- 🟢 强烈推荐（80-100分）：重点面试
- 🟡 建议考虑（60-79分）：可面试
- 🔴 不太匹配（<60分）：可排除

### Step 5: 生成面试报告

对每个候选人输出：

#### 1. 匹配点总结
- 符合JD的核心能力
- 相关项目经验亮点
- 技能栈契合度

#### 2. 风险点/待确认
- 经验断层或跳槽频繁
- 技能深度存疑
- 项目描述模糊

#### 3. 定制化面试问题清单

**个性化设计**：如果 `jobs/` 根目录存在 `personalprefer.txt`，我会基于面试官的性格特点、偏好风格和对候选人的基础素质要求，设计更符合面试官真实关心的问题。

**岗位要求**：具体岗位的技能要求、经验要求等从 JD.txt 中提取。

根据简历内容生成问题，分为：

**A. 技术/专业能力验证**（3-5题）
- 针对简历中提到的技术栈
- 针对项目中的技术难点
- 期望回答要点

**B. 项目深挖**（2-3题）
- STAR法则深挖关键项目
- 追问点预设

**C. 软实力评估**（2-3题）
- 团队协作场景
- 冲突处理经验
- 学习能力证明
- **特别关注**：personalprefer.txt 中列出的基础素质要求（如聪明、沟通能力、踏实肯干等）

**D. 待确认事项**（1-2题）
- 针对风险点的澄清
- **加分题**：基于面试官偏好设计的个性化问题

### Step 6: 输出格式

#### 选项A：本地HTML报告（推荐）
```
jobs/后端开发-3年经验/
├── JD.txt
├── 简历/
│   ├── 候选人A.pdf
│   └── ...
└── 面试报告-2026-03-05.html   # 生成的报告
```

HTML包含：
- 候选人排序表格（可点击展开详情）
- 每个候选人的匹配分析
- 可打印的面试问题清单

#### 选项B：Markdown报告
```
jobs/后端开发-3年经验/
└── 面试报告-2026-03-05.md
```

## 用户使用示例

### 场景1：批量筛选简历
```
用户：帮我筛选 jobs/后端开发-3年经验 这个职位的简历
→ 我读取JD.txt，解析文件夹内所有简历，生成排序报告
```

### 场景2：针对单个简历准备面试
```
用户：帮我准备 jobs/产品经理-资深/张三.pdf 的面试问题
→ 我读取对应JD，只针对这份简历生成详细面试清单
```

### 场景3：更新JD后重新筛选
```
用户：JD改了，重新筛选 jobs/算法工程师 的简历
→ 重新读取更新后的JD.txt，重新评分排序
```

## 输入要求

使用该 Skill 前，请准备：

1. **职位文件夹**（必须）
   - 命名格式：`职位名称-级别/`
   - 例如：`后端开发-3年经验/`、`产品经理-资深/`

2. **JD.txt**（必须）
   - 放在职位文件夹根目录
   - 建议包含：岗位职责、任职要求、加分项、薪资范围（可选）

3. **简历文件**（必须）
   - PDF、DOC、DOCX、**HTML** 格式
   - **无需规范命名**，任意文件名均可（如 `1.pdf`、`简历.html`）
   - 我会从**文件内容**中提取候选人姓名和信息
   - 直接放入职位文件夹

4. **personalprefer.txt**（可选，但强烈推荐）
   - 放在 `jobs/` 根目录（与职位文件夹平级）
   - **全局共享**：所有职位使用同一个面试官偏好配置
   - 用于描述面试官的性格特点、偏好风格、对候选人的基础素质要求
   - 参考模板：[assets/personalprefer-template.txt](assets/personalprefer-template.txt)
   - 效果：生成的面试问题会更符合你的真实风格和关注点
   - 只有当你个人风格变化时才需要更新，不随岗位变化

5. **可选补充信息**
   - 该职位的特殊偏好（如偏好大厂背景、偏好创业经验等）
   - 团队当前技术栈细节
   - 急招程度（影响评分宽松度）

## 报告字段说明

生成的报告包含以下字段：

| 字段 | 说明 |
|-----|------|
| 排名 | 按匹配度排序 |
| 候选人 | 姓名/标识 |
| 匹配度 | 百分制分数 |
| 推荐等级 | 🟢🟡🔴 |
| 核心匹配点 | 3-5条关键契合项 |
| 主要疑虑 | 2-3条待确认事项 |
| 建议面试时长 | 根据复杂度判断 |
| 面试问题清单 | 展开查看详细问题 |

## 隐私说明

- 所有简历处理在本地完成
- 不会上传候选人信息到外部服务
- 生成的报告保存在本地职位文件夹中