总览

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。

🤖 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%"}
  ]
}

🤖 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）

🤖 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

📊 预期效果

🔄 迭代思考