简历初筛

1客户嘴上要的

「每个岗位几百份简历，HR 看不过来。做个 AI 给简历打分，自动淘汰低分的。」

这是症状或现成方案，不一定是真问题。下面看两种做法。

2照字面做，会怎么烂

3好 FDE 的实际走法

共 6 周，分 5 个阶段。带三角标记的是这一步最容易踩的坑。

1. 1

   第 1 周找真问题（看 HR 和用人经理的分歧）

   • 跟招聘负责人、3 个招聘 HR 和 4 个用人经理坐，从招聘系统（ATS）导出近半年 5 个技术岗位的筛选记录。发现：HR 推荐给用人经理的简历，只有 35% 通过用人经理筛选。原因是 JD 写得笼统，用人经理真正看重的是 JD 上没写的东西，比如「做过百万级并发」「带过 5 人以上团队」。
   • 真问题是「HR 和用人经理对『合格』的标准不一致」，不是「看不过来」。成功标准改成：「试点岗位中，HR 推荐的简历通过用人经理筛选的比例从 35% 提到 60%；不自动淘汰任何候选人。」
   • 踩坑别做自动淘汰。初筛只做排序和标注，淘汰由人决定，并且要能说明理由。
2. 2

   第 2 周先对齐标准

   • 和每个用人经理开 30 分钟会，把岗位要求拆成「必须项」「加分项」「不考虑项」，每一项写清在简历里怎么判断。拿 10 份历史简历让他现场判，校准说法。
   • 和法务、HR 一起定规则：性别、年龄、婚育、籍贯、照片不进入评估；候选人个人信息的使用范围按招聘告知执行。
   • 踩坑别用历史录用结果训练模型。历史决策里可能有偏见，模型会照学。
3. 3–4

   第 3–4 周原型 + evals

   • 在 ATS 里加「标准对照」视图：每份简历逐条对照必须项和加分项，标出简历中的证据原文，给出排序。HR 看到的是「哪几条满足、依据在哪」，不是一个分数。
   • evals：每个岗位取 100 份历史简历，由用人经理盲评「是否值得面试」。要求系统排序前 30 的命中率高于 HR 原来的人工筛选。另做一个公平性检查：去掉敏感字段前后，排序变化不超过设定范围。
   • 踩坑简历格式五花八门，表格和图片简历解析会丢信息。解析失败的简历单独列出，人工看。
4. 5

   第 5 周Demo + 并肩改

   • 让 HR 和用人经理一起用同一个岗位试。用人经理反馈：「必须项里『熟悉 Kafka』太死，用过同类消息队列也可以」——标准改成能力描述，不写具体工具名。
5. 6

   第 6 周交接交接

   • 交给招聘负责人：新岗位开放时，由 HR 和用人经理先填写标准表，再启用初筛；每季度抽查一次公平性指标。
   • 没有标准表这一步，系统又回到按 JD 关键词匹配，HR 和用人经理的分歧会重新出现。

4这个案例教给你的可复用判断