23 - 招聘助手¶

项目背景与目标¶

某快速扩张的科技企业每年招聘量 3000+ 人，HR 团队每周需筛选上万份简历、安排面试、撰写评估，简历初筛命中率低（约 30%）、面试问题同质化、评估主观偏差大，单个岗位招聘周期长达 45 天。企业希望构建 AI 招聘助手，覆盖「简历筛选 → 面试问题生成 → 评估报告」全链路，使简历初筛准确率提升至 70%、面试问题个性化、评估客观可量化，招聘周期缩短 40%。

核心目标： 1. 简历自动筛选与岗位匹配，准确率 ≥ 70% 2. 面试问题个性化生成（基于简历与岗位） 3. 评估报告结构化、可量化 4. 招聘周期缩短 40%

预期价值：降低 HR 负担、提升筛选质量、统一评估标准、缩短招聘周期。

需求分析¶

用户角色与场景 - HR/招聘官：简历初筛、安排面试、看评估 - 面试官：获取面试问题、记录反馈 - 候选人：投递简历、参加面试 - 用人经理：定义需求、看候选人评估

功能需求列表 - 简历解析与结构化（多格式、OCR） - 岗位需求结构化（技能/经验/素质） - 简历-岗位匹配评分与排序 - 简历造假/夸大检测 - 面试问题个性化生成（技术/行为/情境） - 面试记录与评估录入 - 评估报告自动生成（能力雷达图） - 候选人库与人才储备 - 招聘偏见检测（性别/年龄/院校）

非功能需求 - 性能：简历筛选 < 5 秒/份 - 公平性：筛选无歧视偏差 - 隐私：简历数据合规存储 - 可用性：99%

约束条件：必须人工最终决策；避免算法歧视。

技术选型说明¶

层次	技术选择	选型理由
Agent 框架	LangChain	编排筛选-出题-评估
LLM	Qwen2.5-72B	简历理解与问题生成
简历解析	Unstructured + OCR	多格式
匹配模型	双塔 + 规则	语义匹配 + 硬条件
后端	Python FastAPI	异步
部署	K8s 私有化	简历隐私

架构设计¶

flowchart LR
    RES[简历] --> PARSE[解析结构化]
    JD[岗位需求] --> MATCH[匹配评分]
    PARSE --> MATCH
    MATCH --> RANK[排序推荐]
    MATCH --> FAKE[造假检测]
    RANK --> Q[面试问题生成]
    Q --> INT[面试官]
    INT --> EVAL[评估录入]
    EVAL --> RPT[评估报告生成]
    RPT --> MGR[用人经理]

核心是「解析-匹配-出题-评估」四步。简历结构化后与岗位需求做匹配评分排序，面试问题基于候选人简历个性化生成，面试反馈录入后自动生成结构化评估报告。

关键模块实现思路¶

模块1：简历解析与匹配¶

思路：解析简历为结构化字段（技能、经验、项目、教育）；岗位需求结构化为「硬条件（学历/年限/技能）+ 软条件（素质/潜力）」；双塔语义匹配 + 规则硬过滤；输出匹配分与缺口。
关键点：硬条件不满足直接过滤，软条件做排序；避免仅看关键词忽略实际项目经历。

示意：

def match(resume, jd):
    if not hard_filter(resume, jd):  # 学历/年限硬筛
        return REJECT
    soft_score = semantic_match(resume, jd)
    gaps = extract_gaps(resume, jd)
    return {"score": soft_score, "gaps": gaps}

模块2：面试问题生成¶

思路：基于简历项目经历与岗位要求，LLM 生成三类问题：技术深挖（项目细节）、行为面试（STAR）、情境模拟；避免通用模板题，针对简历疑点（如经历断层）出题。

模块3：评估报告生成¶

思路：面试官录入结构化反馈（各维度评分 + 评语）；LLM 综合简历与面试反馈生成评估报告，含能力雷达图、优势、风险、录用建议与定级参考。

模块4：偏见检测¶

思路：监控筛选与评估是否存在性别/年龄/院校偏差；模型输出排除受保护属性特征；定期审计公平性指标。

核心流程详解¶

流程1：简历批量筛选¶

HR 上传 500 份简历，解析结构化
匹配岗位需求，硬筛后剩 200 份
软条件排序，Top 50 推荐
HR 复核确认面试名单

流程2：个性化面试¶

面试官打开候选人档案，获取生成问题
问题针对候选人项目「你提到用 X 优化了 Y，具体怎么做的」
面试中记录反馈
面试后自动生成评估报告，用人经理查看决策

部署与优化建议¶

部署架构：解析与匹配异步队列；面试官 Web 应用实时。
性能优化：简历解析批量并行；匹配结果缓存。
成本控制：初筛用匹配模型不调 LLM；仅面试问题与报告调 LLM。

常见问题与解决方案¶

算法歧视 → 排除受保护属性 + 公平性审计 + 人工复核抽样。
简历造假难检测 → 交叉验证（项目时间线、技能一致性）；可疑点提示面试官核实。
面试官不采纳问题 → 问题为建议非强制，支持自定义补充。

扩展方向¶

视频面试分析：表情与语言分析辅助评估。
人才储备：未录用优秀候选人入库，后续匹配。
内部活水：匹配内部员工与岗位机会。