简历筛选

Overview

按岗位 JD（或岗位标准包）对候选人做多维度评估，识别疑点与矛盾，给出排序与面试问题。

Core principle: 看证据，不看关键词。

简历出现关键词 ≠ 真的做过 ≠ 做深；必须看项目证据和个人贡献。

When to Use

• 用户发送一份或多份简历 PDF 要求筛选。
• 用户要求"根据 JD 评估这个候选人"。
• 用户要求"对比这几个候选人"并给排序。
• 用户要求"找出简历里的疑点 / 风险点"。
• 用户要求"生成面试必问题"。
• 用户要求"重新评估之前那批简历"。

如果任务覆盖 JD + 筛选 + 面评的完整流程，先加载 [[recruiting-skillset]]。

Prerequisites

• 已有岗位 JD 或岗位标准包；没有则先从 JD 抽取核心要求。
• 简历文件已在本地或可获取。
• 本机可用 PDF 提取后端（任一即可，越多越好）：fitz (PyMuPDF) / pdfplumber / pdfminer.six。
• 已了解招聘上下文：团队现状、业务阶段、用人风格。

Workflow

Step 1 — 获取并提取简历文本

不要默认单跑 pdfplumber。中文简历 PDF 常有页边跟踪串、竖排装饰字、隐藏文本层，单一后端不可靠。

推荐命令（脚本见 scripts/resume_pdf_extract.py）：

# 单份 PDF
python3 scripts/resume_pdf_extract.py /path/to/resume.pdf --output-dir /tmp/resume_extract_one

# 批量 PDF / 一个目录
python3 scripts/resume_pdf_extract.py /path/to/resume_dir --output-dir /tmp/resume_extract_batch

脚本会：

1. 分别尝试可用的 PDF 后端（fitz / pdfplumber / pdfminer.six）。
2. 做 Unicode 归一化、空白折叠、跟踪串 / 碎片行清洗。
3. 计算 score / chars / lines / keyword_hits / quality。
4. 选择分数最高的文本作为正式筛选输入。
5. 输出 summary.json、每份 PDF 对应的最佳 .txt、Markdown 索引表。

详见 pdf-extraction.md。

Step 2 — 批量简历必须先做质量分层

用户一次性发送多份简历时不要直接逐份硬读。先做一轮 triage，把能直接评估和需要补核的简历分开。详见 batch-screening.md。

质量分层建议：

• high：chars >= 2600 且 lines >= 55 且 score >= 65
• medium：chars >= 1600 且 lines >= 35 且 score >= 35
• low：低于阈值，标记"待补核"，不阻塞整批交付

Step 3 — 五维评估 + 疑点识别

每位候选人，从五个维度逐一评估，每维度 ★~★★★★★：

1. 专业匹配度（Skill Fit）
2. 履历稳定性（Career Stability）
3. 潜在风险（Risk Assessment）
4. 抗压与自驱（Resilience & Drive）
5. 团队适配（Team Fit）

完整维度定义与打分依据见 five-dimension-rubric.md。

逐条审读简历，主动发现疑点。完整疑点清单（时间类 / 内容类 / 逻辑类 / 行为类）见 red-flags-catalog.md。每个疑点标注严重程度：

• 🔴 需面试必问
• 🟡 需关注
• 🟢 可能正常

Step 4 — 综合评级

Step 5 — 输出评估报告

每人一份个人评估卡 + 整批汇总排序表。模板见 output-templates.md。

Step 6 — 面试反馈复核（可选）

用户补充技术一面 / HR 二面 / 用人经理初评后，做一次"去偏见复核"：

• 把面试反馈与简历原文逐项对照，区分"有证据支撑"和"主观印象"。
• "能力更强 / 更弱 / 成长性更好"这类结论，若没有具体案例支撑，标记为证据不足。
• 自动化、性能、AI 提效等容易被泛化的能力，默认按"接触过"处理，除非有明确独立负责证据。
• 优先检查时间线、工作年限、离职原因、薪资诉求等是否前后矛盾。

必须输出：总体结论（含排序调整）、逐人可疑点（🔴🟡🟢）、对已有面评的修正建议、终面追问（每人 ≥ 5 个 + 横向必问）、可选《终面准备说明》。

Red Lines（一票否决）

以下情况直接 ❌ 不推荐，无论其他维度多强：

1. 简历造假或严重夸大（有明确证据）。
2. 方向完全不相关且无转型意愿。
3. 平均在职时间 \x3C 8 个月且无合理解释。
4. 薪酬预期超出岗位预算 50% 以上。

Anti-Patterns（严格禁止）

Self-Check

输出前逐项确认：

• 每位候选人都提取了简历文本？
• 每人都有五维 ★ 评分？
• 每人都有疑点清单（🔴🟡🟢）？
• 每人都有 3 个面试必问题？
• 输出了汇总排序表？
• 评级引用了简历中具体内容作为证据？
• 不同结论的候选人在排序中区分开？
• 报告里没有混入提取脚本明细、清洗日志等过程性内容？

Output Discipline

• Markdown 格式，适合飞书 / Notion 粘贴。
• 中文输出。
• 最终面向用户的报告只保留与筛选决策直接相关的内容：个人评估卡、汇总排序、亮点、风险、疑点、面试问题、必要的待补核说明。
• 不要输出与筛选无关的过程性版块：文本提取质量索引、backend/score/chars/lines 统计、清洗日志等只作内部工作材料，除非用户明确要求。
• 评估结论要有理有据，引用简历中具体内容作为证据。
• 不回避矛盾——候选人某方面强但另一方面有风险，两面都写。

Feedback Loop

完成筛选后主动询问用户：

1. 评级是否准确？哪些人评高了 / 评低了？
2. 是否遗漏了重要评估维度？
3. 面试后的实际表现与评估是否一致？

用户反馈 → 更新本 Skill 的评估标准。新发现的风险模式 → 补充到 red-flags-catalog.md。重大变更 → 写入 EVOLUTION.md。

See Also

• five-dimension-rubric.md — 五维评估完整定义。
• red-flags-catalog.md — 疑点完整清单。
• output-templates.md — 评估卡 / 排序表 / 复核报告模板。
• batch-screening.md — 批量筛选纪律。
• pdf-extraction.md — PDF 提取与多后端 triage。
• scripts/resume_pdf_extract.py — 多后端 PDF 提取脚本。
• EVOLUTION.md — 演化日志。
• 总控流程：[[recruiting-skillset]]；面评：[[interview-evaluation]]。