批量简历筛选
把一批简历按同一把尺子打分排名。模型负责读懂简历、给出判断;脚本负责模型不可靠的部分: 核验证据是否真实出现在简历里、统一加权计算、硬性条件一票否决、输出表格。
下文 scripts/ 指本技能目录 {baseDir}/scripts/。
第 1 步:确定评分标准(先和用户确认,再开始打分)
根据用户给的 JD 或岗位描述,起草 rubric.json:
{
"position": "高级后端工程师",
"pass_line": 65,
"criteria": [
{"id": "lang", "name": "Python/Go 后端开发", "weight": 30, "must_have": true, "min_score": 3,
"guide": "5=主导过高并发服务;3=独立负责过模块;1=只做过脚本"},
{"id": "db", "name": "数据库与缓存", "weight": 20, "guide": "..."},
{"id": "years", "name": "相关工作年限", "weight": 15, "must_have": true, "min_score": 2,
"guide": "5=8年以上;3=3-5年;1=1年以内"},
{"id": "domain", "name": "行业经验", "weight": 15, "guide": "..."},
{"id": "edu", "name": "学历与专业", "weight": 10, "guide": "..."},
{"id": "stability", "name": "稳定性", "weight": 10, "guide": "..."}
]
}
- 4–8 条标准,权重按岗位实际看重程度分配;每条写清 0–5 分各档的含义(
guide)。 - 只把真正不可妥协的条件设为
must_have,并写明min_score。 - 把标准表格展示给用户确认后再继续。用户没给 JD 时,先问清岗位的核心职责和硬性要求。
- 不得把性别、年龄、婚育、民族、籍贯、照片外貌等作为评分项,即使用户要求也要说明这有就业歧视风险并拒绝。
第 2 步:批量解析简历
python3 scripts/parse_resumes.py <简历目录或文件...> -o candidates.jsonl
输出每份简历一行:candidate_id、file、手机、邮箱、最高学历、估算工作年限、needs_ocr 和全文 text。
needs_ocr: true 的是扫描件或图片,先用 OCR 工具(如已安装的百度 OCR)识别成文字、存成 .txt 后重新解析。
第 3 步:逐份打分
逐份阅读 candidates.jsonl 的 text,按 rubric 打分,写入 scores.json:
[
{"candidate_id": "3fa2c1d0", "name": "张三",
"scores": [
{"criterion": "lang", "score": 4, "evidence": "负责订单服务重构,使用 Go 将 P99 延迟从 800ms 降到 120ms"},
{"criterion": "years", "score": 3, "evidence": "2019.07 - 至今 某某科技 后端工程师"}
],
"summary": "后端扎实,有高并发经验;缺少金融行业背景。"}
]
evidence必须是简历原文的连续摘录(可省略标点差异),不要改写、不要概括。找不到证据就给 0 分、evidence 留空。- 每条标准都要打分;只看简历写了什么,不脑补。
- 简历多时分批读,每批写完再继续,避免遗漏。
第 4 步:汇总排名
python3 scripts/score.py --rubric rubric.json --candidates candidates.jsonl \
--scores scores.json -o 简历筛选结果.xlsx --mask-contact
- 输出
简历筛选结果.xlsx("排名"和"逐项明细"两个工作表)以及同名.md摘要。 - 证据在原文里找不到的项会被改为 0 分,并在"需人工复核"列标出。把这些标记如实告诉用户,不要替脚本解释掉。
- 对外分享结果时加
--mask-contact隐藏联系方式。
第 5 步:交付
向用户汇报:
- 建议面试名单(姓名、总分、一句话亮点);
- 因硬性条件被排除的人数和原因;
- 需要人工复核的条目;
- 对排名前几位,每人给 3 个针对简历薄弱点的面试问题。
结论只是辅助筛选,最终录用决定由用户做出。
