功能描述

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。

使用说明 (SKILL.md)

招聘助手

Name: recruitment-assistant
Author: heyweekly

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（\x3C60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：

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/
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）
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
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
- 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
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

安全使用建议

This skill appears coherent and focused on local resume processing, but review these before installing: 1) Confirm how your agent runtime grants filesystem access — the skill will read resumes (including contact info) in the specified jobs/ folders, so only grant access to intended directories. 2) Verify that PDF/DOC/DOCX parsing will run locally and not call external services (the skill doesn't declare how parsing is implemented). 3) Treat resumes as sensitive personal data; test with non-sensitive samples first and confirm generated reports stay local. 4) personalprefer.txt is global to jobs/ and influences all positions — keep per-interviewer preferences private if needed. 5) If your environment has network access, audit agent/network policies to ensure no unintended uploads of candidate data. If you need more assurance, request an explicit implementation that documents the parser libraries used and a proof that no network calls are made during processing.

功能分析

Type: OpenClaw Skill Name: easy-recruitment Version: 1.0.0 The recruitment-assistant skill bundle is a set of markdown-based instructions designed to guide an AI agent through resume screening and interview preparation. It operates entirely on local files within a user-defined directory structure and contains no executable code, external network calls, or evidence of malicious prompt injection. The logic is consistent with its stated purpose of parsing documents (PDF, DOCX, HTML) to generate candidate evaluations and customized interview questions.

能力评估

✓ Purpose & Capability

Name/description (resume screening, report and interview question generation) matches the instructions and the files included. There are no unexpected environment variables, credentials, or unrelated binaries requested.

ℹ Instruction Scope

SKILL.md explicitly directs the agent to read JD.txt, resumes (PDF/DOC/DOCX/HTML/TXT) and an optional global personalprefer.txt, then generate local HTML/Markdown reports. This is within stated purpose. Note: the skill will extract contact details and other personal data from resumes (expected for this purpose) and claims processing is local — the repository contains no steps that send data to external endpoints, but the skill does not describe how PDF/DOCX parsing is implemented (so behavior depends on the runtime environment).

✓ Install Mechanism

Instruction-only skill with no install spec and no code files; nothing is downloaded or written by the skill itself. This is the lowest-risk install model. However, extracting text from PDFs/DOCX may require parser libraries/tools that are not declared here — the skill assumes the agent environment can parse these formats.

✓ Credentials

No environment variables, credentials, or config paths are requested. The requested scope (reading a local jobs/ folder and an optional personalprefer.txt) is proportionate to the described functionality.

✓ Persistence & Privilege

Skill is not always-on and does not request elevated privileges or system-wide configuration changes. It does not declare modifications to other skills or global agent settings.

版本历史

v1.0.2

- No file changes detected in this version. - Functionality remains unchanged. - No updates to features, workflow, or documentation in this release.

v1.0.1

No file or documentation changes detected in this version. - No user-facing updates or changes. - Functionality, documentation, and features remain as in the previous version.

v1.0.0

- 首次发布，智能招聘助手 1.0.0 版本。 - 支持自动批量筛选与解析任意格式简历（PDF、Word、HTML、TXT），根据 JD.txt 自动匹配和评分。 - 输出包含候选人排序报告、详细匹配分析与待确认风险点。 - 按岗位 JD 和可选面试官偏好，定制化生成每位候选人专属面试问题清单。 - 报告支持本地 HTML 或 Markdown 格式导出，便于打印与分享。 - 所有简历与数据处理均本地完成，保证隐私安全。

元数据

Slug easy-recruitment

版本 1.0.0

许可证 —

累计安装 1

当前安装数 1

历史版本数 3

常见问题

recruitment-assistant 是什么？

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。它是一个面向 Claude Code / OpenClaw 的 AI Agent Skill 插件，目前累计下载 386 次。

如何安装 recruitment-assistant？

在 OpenClaw 或 Claude Code 对话框中运行命令「/install easy-recruitment」即可一键安装，无需额外配置。

recruitment-assistant 是免费的吗？

是的，recruitment-assistant 完全免费（开源免费），可自由下载、安装和使用。

recruitment-assistant 支持哪些平台？

recruitment-assistant 跨平台运行，可在任意部署了 OpenClaw / Claude Code 的环境中使用（cross-platform）。

谁开发了 recruitment-assistant？

由 HeyWeekly（@heyweekly）开发并维护，当前版本 v1.0.0。

recruitment-assistant