Recruiting Resume Screening — Recruiting 恢复 Screening

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-技能设置]]。

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。 工作流 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/恢复_pdf_提取.py）：

# 单份 PDF python3 scripts/恢复_pdf_提取.py /path/to/恢复.pdf --输出-dir /tmp/恢复_提取_one

# 批量 PDF / 一个目录 python3 scripts/恢复_pdf_提取.py /path/to/恢复_dir --输出-dir /tmp/恢复_提取_batch

脚本会：

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

详见 pdf-提取ion.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 ★~★★★★★：

专业匹配度（技能 Fit） 履历稳定性（Career Stability） 潜在风险（Risk Assessment） 抗压与自驱（Resilience & Drive） 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-cata记录.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 评级 含义 条件 ⭐⭐⭐ 强推 直通面试 专业匹配度 ≥ 4★ 且无重大风险，总得分 ≥ 20/25 ⭐⭐ 推荐 进入面试 专业匹配度 ≥ 3★，总得分 ≥ 15/25 ⭐ 待定 需电话筛选 有亮点但存在明显短板或风险 ❌ 不推荐 不进入面试 专业匹配度 < 3★ 或存在不可接受风险 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 输出-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：

简历造假或严重夸大（有明确证据）。 方向完全不相关且无转型意愿。 平均在职时间 < 8 个月且无合理解释。 薪酬预期超出岗位预算 50% 以上。 Anti-Patterns（严格禁止） 反模式 后果 正确做法 凭记忆输出评估结论 凭印象漂移 必须先提取文本 → 五维评估 → 评级 复用旧会话结论 标准漂移、错过更新 重新提取、重新评估 省略个人评估卡 用户无法追溯结论 每人必须有完整评估卡 无文件评估 凭空编造 找不到简历必须告知用户并请求 "看起来像做了"，3 行总结 失真 完整执行五维 + 疑点 + 面试题 把内部过程混入正式报告 干扰决策 文本提取索引、清洗日志只作内部材料 全员都给推荐 排序失去意义 敢下不推荐 / 待定 Self-检查

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？ 输出 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：

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

用户反馈 → 更新本 技能 的评估标准。新发现的风险模式 → 补充到 red-flags-cata记录.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-cata记录.md — 疑点完整清单。 输出-templates.md — 评估卡 / 排序表 / 复核报告模板。 batch-screening.md — 批量筛选纪律。 pdf-提取ion.md — PDF 提取与多后端 triage。 scripts/恢复_pdf_提取.py — 多后端 PDF 提取脚本。 EVOLUTION.md — 演化日志。 总控流程：[[recruiting-技能设置]]；面评：[[interview-evaluation]]。