总览
你好,我是 刘仁杰 👋
近 2 年 HR 实战经验,专注于 AI 技术与 HR 业务的深度融合。
坚信 AI 是提升组织效能的决定性力量,致力于做 AI 落地的早期推动者。
👤 关于我
→我的故事、核心理念和技能矩阵。
🤖 AI 实战作品
→面试题生成器、JD 生成器、员工问答 Bot — 全部可交互演示。
✏️ Prompt 工程作品集
→「简历解析助手」— 多阶段 Prompt 链式设计,展示完整工程化思维。
🗺️ AI+HR 落地方案
→招聘提效、员工服务、数据洞察 — 基于 HR 实践的 AI 赋能思考。
关于我
HR 业务理解 × AI 技术应用 × 项目推动落地
刘仁杰
用 AI 把 HR 从"成本部门"变成"人才效能指挥部"
我的故事
西南财经大学人力资源管理本科,多次学业奖学金。在这里,我建立了扎实的 HR 专业基础。
毕业后进入通威太阳能担任 HRBP,提前转正。在一线招聘、员工关系、组织文化建设中,我亲历了 HR 工作的真实痛点——筛简历的重复、政策问答的琐碎、人才晋升的低效。这些不是课本里的案例,是每天都在发生的问题。
2025 年,我成为了妈妈。gap 期间至今,我系统自学 AI。AI 辅助编程、AI 视频制作、Coze 工作流搭建、Prompt Engineering、AI Agent……我用一年多的时间,让自己从"简单用 AI 工具"升级到"能设计 AI 解决方案"。
在声入人心担任 AI 产品运营,探索 AI 音频类产品的落地与运营,输出 AIGC 与真人视频内容,为产品增长负责。这段经历验证了我的 AI 实操能力。
我带着 HR 一线经验 + AI 技术能力的双重视角,重新回到 HR 赛道。我最大的优势不是"懂 AI",而是我知道 HR 的痛在哪里,AI 该怎么用才真正有效。
职业经历
🎓 西南财经大学
2018 年 9 月 → 2022 年 6 月- 人力资源管理专业 · 本科
- 多次荣获学业奖学金、三好学生称号
- 系统学习招聘、薪酬、绩效、劳动关系等核心模块
☀️ 通威太阳能(成都)有限公司
2022 年 9 月 → 2024 年 4 月- 担任 HRBP,对接业务部门进行人力资源支持
- 凭借出色表现提前转正
- 深入参与招聘全流程、员工关系管理、组织文化建设
- 积累了扎实的 HR 业务实战经验
🤖 Gap 期 · 怀孕生子 & 系统自学 AI
2024 年 5 月 → 2025 年 8 月- 学习 AI 辅助编程,掌握利用 AI 工具快速开发应用的能力
- 探索 AI 视频制作,实践 AI 在内容创作领域的应用
- 深入学习 Coze 等 AI 工作流平台,搭建自动化业务流程
- 系统研究 AI 前沿知识 — Prompt Engineering、RAG、Agent 等核心技术
- 独立完成多个 AI + HR 场景的验证项目
🚀 成都声入人心网络科技有限公司
2025 年 9 月 → 2026 年 1 月- 担任 AI 产品运营
- 探索 AI 音频类产品的落地与运营
- 输出 AIGC 与真人视频内容,为产品增长负责
AI 实战作品
可交互演示,展示 AI 在 HR 场景中的真实应用
💡 以下均为 Demo 演示版本。进入企业真实场景后,将投喂企业真实数据,训练专属 AI Agent,实现更精准的业务赋能。
AI 面试题库生成器
选择岗位 → AI 自动生成结构化面试题,含评分标准和参考答案
🤖 面试题库生成器
选择岗位 → AI 自动生成结构化面试题
智能 JD 生成器
选择岗位 + 风格,AI 自动生成完整的专业岗位描述
📄 智能 JD 生成器
选择岗位 + 风格 → AI 自动生成专业 JD
员工智能问答 Bot
基于公司政策知识库构建 RAG 问答系统,员工随时查询各类政策
💬 员工智能问答 Bot
模拟基于公司政策知识库的 RAG 问答系统
Prompt 工程作品集
精品案例:展示提示词工程化设计的完整思路与方法论
📋 案例:简历解析助手
基于多阶段 Prompt 链式设计,将非结构化简历文本转化为结构化数据、匹配度评估报告和针对性面试问题。
业务背景与问题定义
在当今快节奏的招聘市场中,企业平均每天会收到数百份简历。根据我的经验,招聘 HR 每天至少花 2 个小时在筛选、搜索简历上,人工筛选效率低、耗时长、而且容易因主观原因(疲劳、手滑等)而错过优秀人才,或花费不必要的时间在不匹配的候选人身上。
此外,招聘平台的反爬虫措施、不同简历格式、多样化的经验描述,都给简历信息的标准化提取和深度分析带来了挑战。
我设计了基于 AI 的「简历解析助手」,旨在通过 AI 自动化提取并总结成标准化简历信息,并基于职位需求生成人才画像与匹配度评估,从而大幅提升简历筛选效率和准确性,确保每个高潜力人才都能被快速识别,并为后续针对性面试做准备。
第一步:简历结构化解析
将非结构化简历文本转为标准化 JSON 数据
将任意格式的简历文本(PDF、Word 复制粘贴)解析为结构化数据:姓名、联系方式、教育背景、工作经历、技能列表等。
将一份非结构化的简历文本,通过多阶段的 AI 处理,转化为结构化、可量化、可行动的洞察。
🤖 核心 Prompt
Role: 你是一位严谨且高效的 HR 数据分析师,负责从原始简历文本中提取并标准化关键信息。 Context: 以下是一份候选人的简历文本(假设已通过 OCR 或文本复制获取)。请你将其中的核心信息进行解析。 Task: 1. 个人信息: 提取姓名、电话、邮箱、意向岗位(若有提及)。 2. 教育背景: 提取所有教育经历,包括学校名称、学历、专业、起止年份。若有多个,按时间倒序排列。 3. 工作经历: 提取所有工作经历,包括公司名称、职位、起止年份、工作职责(提炼为 30-50 字摘要)和核心成就(提炼为 2-3 条量化成果)。若有多个,按时间倒序排列。 4. 技能列表: 识别并分类常用技能(如:编程语言、工具、软技能)。 5. 荣誉奖项: 提取所有获得的荣誉或奖项。 6. 项目经验: 如果简历中包含独立的项目经验模块,请提取项目名称、职责和成果。 Output Format: 请以 JSON 格式的结构化数据输出,键名(key)使用英文,且保持一致性,以便后续系统调用。
📤 输出示例(JSON)
{
"personal_info": {
"name": "张三",
"phone": "138xxxx8888",
"email": "zhangsan@example.com",
"intended_position": "高级软件工程师"
},
"education": [
{"university": "清华大学", "degree": "硕士", "major": "计算机科学", "start_year": "2018", "end_year": "2021"}
],
"work_experience": [
{
"company": "百词斩",
"position": "高级软件工程师",
"start_year": "2021",
"end_year": "至今",
"responsibilities_summary": "负责后端服务开发与优化,参与系统架构设计,解决高并发性能瓶颈。",
"achievements": [
"将核心业务模块响应时间缩短 25%",
"主导开发新功能,上线后用户活跃度提升 15%"
]
}
],
"skills": {
"programming_languages": ["Java", "Python", "Go"],
"frameworks": ["Spring Boot", "Django"],
"soft_skills": ["团队协作", "问题解决", "沟通能力"]
},
"awards": ["优秀员工奖 (2022)"],
"projects": [
{"project_name": "智能推荐系统", "responsibilities": "负责推荐算法设计与实现", "results": "推荐准确率提升 10%"}
]
}
通过明确角色、提供详尽的字段定义、指定严格的 JSON 输出格式,以及要求提炼摘要和量化成果,来引导 AI 进行高效、准确且规范化的数据提取。这是后续所有智能分析的基础,保证了数据的"可用性"。
第二步:人才画像与匹配度评估
结合 JD 进行深度匹配分析,生成评估报告
基于第一步提取的结构化数据,结合目标岗位 JD,进行深度匹配分析,生成个性化的人才画像、匹配度得分及突出亮点/潜在风险。
🤖 核心 Prompt
Role: 你是一位拥有 10 年经验的资深招聘经理,擅长从结构化数据中识别高潜力人才。 Context: 1. 候选人结构化数据:(插入第一步输出的 JSON 数据) 2. 目标岗位 JD: - 职位名称:高级软件工程师 - 关键职责:负责核心业务系统设计、开发与优化;解决复杂技术问题;指导初级工程师。 - 必要技能:Java (精通), Spring Boot, MySQL, 分布式系统;至少 5 年后端开发经验;良好的团队协作与沟通能力。 - 加分项:大厂背景,高并发系统经验,开源项目贡献。 Task: 请根据候选人数据和 JD,执行以下分析: 1. 硬技能匹配度评估 (0-100分):对比必要技能和加分项,列出匹配和缺失的技能。 2. 经验与职责匹配度评估 (0-100分):评估经验深度与广度。 3. 核心亮点提炼:识别 3 个超越 JD 预期的优势点。 4. 潜在风险/关注点:识别 1-2 个需深入了解的方面。 5. 综合推荐指数 (0-100分):附简短推荐语。 Output Format: 请以 Markdown 格式输出结构化报告。
📤 输出示例(Markdown 报告)
候选人「张三」与"高级软件工程师"岗位匹配度报告
该候选人在技术深度和项目经验上与岗位高度匹配,尤其在核心业务系统优化方面表现突出,是值得优先考虑的优质人选。
✅ 高度匹配:Java, Spring Boot, MySQL, 分布式系统(在百词斩期间有高并发系统经验)
⚠️ 需关注:JD 中未提及的特定微服务框架
✅ 匹配优势:具备丰富后端开发经验,曾主导系统设计与优化
📊 具体支撑:响应时间缩短 25%,主导新功能开发
- 具备大厂(百词斩)核心业务系统开发经验,有明确量化成果
- 曾主导开发,具备系统架构设计能力
- 提及"团队协作"和"问题解决"等软技能,符合 JD 要求
- 未明确提及对特定微服务框架的掌握程度,需面试确认
将结构化数据(第一步输出)与业务逻辑(JD)相结合,进行深度语义理解和评估。强调多维度打分、亮点提炼、风险识别,以及明确的 Markdown 输出格式,让报告一目了然。通过要求 AI 引用证据来减少"幻觉"。
第三步:针对性面试问题生成
基于评估报告,为面试官生成行为面试问题与核查点
基于前两步的分析结果,为面试官自动生成针对性的行为面试问题,并指出需要重点核查的背景信息。
🤖 核心 Prompt
Role: 你是一位经验丰富的面试官,善于通过有针对性的问题挖掘候选人真实能力。 Context: 1. 候选人匹配度报告:(插入第二步输出的 Markdown 报告) 2. 目标岗位 JD 中的核心能力:战略思维、解决问题能力、领导力、沟通协作。 Task: 基于上述报告和 JD 核心能力要求,生成 5-7 个行为面试问题和 2-3 个背景核查点。 - 问题设计原则: 遵循 STAR 原则,由浅入深,覆盖候选人的核心亮点、潜在风险以及 JD 要求的核心能力。 - 背景核查点: 针对报告中提出的潜在风险或需要深挖的成就,生成具体核查建议。
📤 输出示例
针对「张三」的面试问题与核查点
- 您在百词斩负责核心业务系统优化时,曾将响应时间缩短 25%。请详细描述您是如何识别问题、制定方案并最终达成这一目标的?遇到了哪些挑战?
- 请举例说明您如何评估不同的技术方案,并最终选择一个适合当时业务场景的架构?
- 您对新兴技术或不熟悉的框架通常是如何学习和掌握的?能否分享一个您通过自学成功应用到项目中的案例?
- 在团队协作中,如果遇到意见不一致的情况,您通常会如何处理?请分享一个通过有效沟通最终达成共识的例子。
- 核查"将核心业务模块响应时间缩短 25%"的具体技术细节和衡量标准
- 确认其在百词斩参与的分布式系统项目规模和复杂程度
利用前面 AI 输出的洞察,为后续人工环节提供精准且个性化的辅助。强调 STAR 原则、针对性(亮点与风险)以及可操作性(背景核查点),实现 AI 与人类面试官的协同工作。
效果说明与迭代优化
结果导向:预期效果与持续迭代思考
📊 预期效果
简历筛选时间减少至少 70%,HR 可将精力放在沟通和深度评估上
基于客观数据分析,降低主观偏见,确保高潜力人才不被遗漏
产出结构化人才画像和面试指引,使招聘流程更可追溯
减少因无效面试产生的时间和人力成本
🔄 迭代思考
第一版更关注信息的提取和基础匹配。在实际推演中发现仅匹配"关键词"远远不够,因此在第二版中增加了"提炼量化成果"、"识别潜在风险"以及"结合 JD 核心能力生成行为面试问题"的指令,使 AI 能进行更深层次的语义理解和洞察。
未来可将面试官的面试结果、录用情况与 AI 评估报告进行关联,形成持续学习和优化的模型,进一步提升匹配度和预测准确性。
可考虑将 LinkedIn、GitHub 等第三方数据源纳入画像构建,形成更全面的候选人视图。
进一步优化 Prompt,加入"警惕并规避性别、年龄、地域等偏见"的指令,并尝试利用 AI 进行偏见检测,确保评估的公平性。
AI+HR 落地方案
基于真实 HR 实践的 AI 赋能思考
基于过往的 HR 实践与持续的 AI 技术追踪,我认为 AI 在 HR 领域的价值绝非替代,而是「超级赋能」。
在 AI+HR 的落地实践中,我坚持"价值优先,低风险先行"的原则。AI 应优先解决 HR 业务中数据量大、重复性高、且存在初稿需求的环节。
以下是我梳理的,在当前技术条件下即可快速启动、并能带来显著效率提升的三类场景。
💭 我的 HR 原动力:来自一线的痛点与思考
我曾每周手动筛选数百份技术简历,耗时耗力且易遗漏。这让我极度渴望一个能理解 JD 深层需求、自动匹配与初筛的 AI 助手。
→ 构想:未来 HR 只需审核 AI 推荐的、匹配度超过 85% 的优质候选人,将筛选效率提升十倍。
我处理过重复性人事问答(如年假、报销政策),占用了大量本应投入战略工作的时间。
→ 构想:打造一个 7×24 小时、准确可靠的 AI 员工助手,将 HR 从繁琐咨询中解放,把精力转向高价值的员工发展与规划。
我参与过依赖大量 Excel 和开会讨论的晋升盘点,数据庞杂,评价维度多元,人力投入巨大。
→ 构想:构建一个实时、动态的"组织能力仪表盘",让管理层随时看到团队技能分布与风险,让人才盘点从"年度事件"变为"日常管理工具"。
招聘全流程 AI 提效
将招聘从依赖经验的"艺术",转变为基于数据与智能的"精密工程"
业务部门写的 JD 不精准,HR 反复沟通对齐耗时;多渠道发布岗位手动操作繁琐。
- JD 智能对齐与生成:输入业务关键词或过往优秀 JD,AI 生成符合规范的初稿,并提示可能遗漏的关键要求,作为 HR 与业务高效沟通的"讨论基底"。
- 岗位一键多平台发布:通过 RPA 或 API 工作流,将审定后的 JD 自动同步至主流招聘平台与内部渠道,并自动回收渠道数据。
JD 撰写与对齐效率提升 50% 以上;岗位发布实现"分钟级"上线,统一管理渠道来源。
海量简历筛选如同大海捞针,易遗漏人才;面试问题随机,评估标准不一。
- 简历智能初筛与解析:不仅解析信息,更能对照 JD 生成匹配度报告,高亮"风险点"与"亮点"。
- 人才画像匹配分析:将简历信息与岗位能力模型、文化价值观关键词进行关联分析,提供多维度匹配视图。
- 结构化面试题库生成:根据岗位 JD 和简历亮点,自动生成针对"专业知识"、"行为案例"、"文化适配"等维度的个性化面试问题集,并提供评分参考。
将 HR 从机械筛选中解放,聚焦高匹配候选人;实现面试评估的标准化与结构化,提升选才准确度与公平性。
面试记录零散,录用决策缺乏数据支撑,成功/失败经验无法有效沉淀。
- 面试反馈自动汇总与分析:收集面试官评价,由 AI 归纳核心优劣势。
- 招聘效果回溯分析:连接录用人员后续绩效数据,验证不同渠道、不同面试评价的预测效度,持续优化招聘模型。
员工服务与体验优化
打造"零等待、有温度"的智能员工服务中心
- 应聘与入职期:候选人反复询问流程进度,新员工面对大量信息无从下手,反复打扰 HR。
- 在职期:员工咨询假期、报销、证明等政策,问题琐碎且重复。
- 离职期:办理手续复杂,流程不清,容易遗漏事项,产生不必要纠纷。
- 7×24 小时智能问答助手:基于公司最新制度文档训练的专属 Bot,精准回答假勤政策、证明开具、晋升离职规则等所有问题。→ 即时响应率 100%,确保政策解释绝对一致,避免口头传达误差。
- 个性化入职导航员:新员工入职后,AI 助手自动推送个性化任务清单并解答所有"小白问题"。→ 缩短融入周期,让 HR 专注于更深入的融入活动。
- 离职流程自动化向导:员工提出离职后,自动触发定制化手续清单,逐步引导完成。→ 确保流程规范无遗漏,让离职体验"善始善终"。
HR 忙于应付问题,无暇主动发现员工普遍困惑或潜在不满;员工调研的大量开放文本分析耗时耗力,洞察滞后。
- 服务对话挖掘与分析:对智能助手的问答记录进行匿名化情感与主题分析,自动生成周报:"本周员工最关注的问题是…;关于报销政策的提问中,有 30% 带有困惑情绪。"
- 智能知识库自优化:当某个问题被频繁问及或员工表示"未解决"时,系统自动提示 HR 优化知识库答案或审视相关政策。
为 HR 提供实时的员工心声雷达,变被动为主动,将问题消灭在萌芽状态;让知识库和制度在反馈中持续进化。
进阶构想(待完善)
用 AI 建立前瞻性的组织人才洞察体系
让我们一起用 AI 重新定义 HR
我期待与贵团队一起,将这份蓝图变为现实。
🤖 本页面由 AI 辅助编程构建 — 这本身就是 AI 能力的证明