扣子智能简历筛选与初筛评语生成器指南

做招聘的人应该都懂，每天面对上百份简历，手动比对岗位要求、写初筛评语，那滋味确实不太好受。与其这么耗着，不如直接在扣子（Coze）平台上搭一个智能体，让它替你扛下这份苦活。今天这篇，就从实战角度把整条链路掰开揉碎了讲讲——怎么从零搭建一个能自动解析简历、按JD初筛并输出结构化评语的智能体。

准备岗位JD与简历样本

打开Coze工作台，新建Bot之前先整理两样东西：一份当前招聘岗位的完整JD文本，还有3到5份真实的PDF或Word格式简历作为测试样本。JD里必须把学历、年限、技能、行业这类可量化字段写清楚，不然后续的规则引擎根本跑不起来。

JD文本建议直接贴进记事本，顺手把公司logo图片、页眉页脚这些非文本内容清掉。简历样本最好选不同风格的——应届生的纯文字版、资深老鸟带图表的那种PDF、还有海归的双语版——这样能测出智能体解析能力的上限在哪。

有一点必须重点提醒：JD里如果出现“熟悉XX工具”这种模糊表述，一定要改成“熟练使用XX工具并完成过XX类项目”。否则AI很容易把它判成弱匹配项，那些有真本事的候选人就被稀里糊涂地漏筛掉了。

配置智能体基础能力

新建一个Bot，名称就叫“简历初筛评语生成器”。在“角色设定”栏填上：你是一位有8年招聘经验的HRBP，专注互联网技术岗筛选，能精准识别简历中的隐性能力信号（比如候选人写“优化服务器响应时间”而不是“熟悉Java”，这其实就代表着工程落地能力）。

接着去“知识库”模块上传JD文本文件，记得勾选“启用语义检索”。这里有个细节：简历样本不用上传到知识库，它们是运行时的输入数据，不是静态参考材料。

最后把“默认回复”开关关掉，强制所有输出都必须经由工作流节点生成。这一步能防止大模型自由发挥，避免收到一堆不着边际的无效话术。

搭建三步工作流

第一步：简历解析节点
添加一个“大模型”节点，模型选“DeepSeek-V3-0324”。系统提示词直接照下面这段固定写法：
#任务指令
你是一个简历结构化解析器，严格按以下8个字段提取信息：姓名、电话、求职意向、教育背景（起止年份+学校+专业+学位）、工作年限（精确到月）、核心技能（仅提取简历原文出现的名词，不扩展）、项目经历（每项含“目标｜动作｜结果”三要素）、隐性能力信号（如“主导”“重构”“从0到1”等动词对应的软性能力）。
输出必须为JSON格式，字段缺失则填null，禁止添加解释性文字。

第二步：规则初筛节点
添加一个“条件判断”节点，接入上一步输出的JSON数据。设置三条硬性过滤规则：
① 教育背景学位不能为null，且学位包含“本科”或“硕士”
② 工作年限大于等于JD要求年限的0.8倍（给20%的弹性空间，不然简历上年限没写清楚就容易误枪毙）
③ 核心技能数组长度大于等于JD中明确列出的硬技能数的0.7倍
以上任何一条不满足，就直接跳转到“淘汰评语生成”分支。

第三步：评语生成节点
再通过一个“大模型”节点生成最终版评语，系统提示词需要绑定JD文件：
#输出规范
按“匹配度评级｜硬性条件校验｜软性能力亮点｜待验证点｜推荐动作”五段式输出，每段首行加【】标记。软性能力亮点必须引用简历原文动词（如【亮点】候选人用“重构订单服务”体现系统设计能力），待验证点需对应JD中未明确佐证的要求（如JD要求“带过3人以上团队”，但简历仅写“协作开发”）。

这一步输出的评语直接决定了HR是否愿意点开简历详情看一眼。如果评语里出现“可能具备”“疑似”这类模糊词，说明前序解析节点的动词识别规则没有配准，得回退修改。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：扣子智能简历筛选与初筛评语生成器指南要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题