AI 招聘助手 Skill 体系

项目背景

招聘场景里有一个长期存在的效率黑洞：简历评估高度依赖个人经验，没有统一标准。同一份简历，不同的 HR 给出的判断可能差异悬殊——有人看重名校背景，有人重视项目深度，有人关注稳定性。这种差异本身不是问题，但当评估标准无法被显性化和共享时，就意味着每个 HR 都在用自己的方式重复发明轮子，而资深 HR 积累的评估经验也无法有效传递给新人。更复杂的是，社招、校招、实习三类岗位的评估维度本质上是不同的。社招核心看过往经验的匹配度和深度；校招没有工作经验可以参考，需要从学校背景、实习经历、综合潜力等维度评估；实习生评估则更侧重学习能力和基础技能。用同一套标准套在三类岗位上，结果必然是偏差很大。这个项目的起点，是把这些散落在经验里的评估判断系统化，构建一套可以被 AI 执行、可以持续迭代的结构化评估引擎。

核心设计

三模式差异化打分引擎 社招、校招、实习三套完全独立的评估逻辑，不共用权重体系：

社招模式：重点评估工作经验与岗位要求的匹配度、项目经历的深度和复杂度、行业背景的相关性。对于有竞对经历的候选人，会自动匹配职级对照表进行能力层级映射。
校招模式：在缺乏工作经验参照的情况下，通过学校背景（院校层次+专业方向）、实习经历质量、校内项目/竞赛、综合活动经历等维度构建候选人潜力评估模型。
实习模式：聚焦学习能力信号（课程成绩、技能证书、自学经历）和基础技能匹配度，权重设计上降低对经验的依赖，提高对潜力因子的敏感度。

数据化评估基础 为了让评分结果可解释、可校准，在引擎之下构建了一套基础数据层：

200+ 公司元数据：对市场上主要公司进行分类标注，包括行业分类、公司规模、业务性质（To B/To C/平台型等）、技术密度等维度，为候选人背景的量化比较提供统一基准。
9 家竞对职级对照表：整理主要竞对公司的职级体系，建立职级映射关系，让来自不同公司的候选人可以在同一坐标系下进行比较，解决「这个候选人在原公司是什么水平」的判断问题。

这套数据层的整理和持续维护本身是一个独立的工程，也是整个评估引擎能够输出高质量结果的基础。 四维度推荐理由自动生成 每份简历完成评分后，系统自动生成四个维度的结构化推荐理由：

经验匹配度：过往经历与岗位要求的对应分析，具体到哪些经验直接相关、哪些存在差距
能力深度：从项目复杂度和角色权责判断候选人的实际能力水位
成长潜力：综合成长轨迹、学习能力信号和发展空间判断
风险点：明确标注值得在面试中深入核实的疑问点，比如频繁跳槽的原因、经历描述中的模糊地带

这四个维度的输出格式统一、逻辑清晰，可以直接用于 HR 与业务负责人的沟通对齐，也可以作为面试官的面试准备材料。

招聘流程自动化闭环

评估能力只是第一步。这个项目在评估之外，还设计了一套把 AI 评估结果真正融入招聘工作流的自动化机制。 招聘文件夹巡航 Skill 定期扫描指定的招聘相关文件夹，自动识别新增的简历文件并触发评估流程。HR 不需要手动提交简历，Skill 主动发现并处理，把触发评估的操作成本降到接近于零。 Redoc 联动 评估完成后，结果自动写入对应岗位的 Redoc 招聘跟进文档。HR 可以直接在文档里查看评分和推荐理由，做进一步的标注（「安排初面」「暂时搁置」「加入后备」），也可以直接@面试官或业务负责人在文档里协作。 「收藏」触发系统推送 这是整个闭环里最关键的自动化节点：当 HR 在 Redoc 文档里对候选人标注「收藏」时，Skill 自动识别这个状态变更，将候选人信息推入 HR 系统的跟进文件夹，招聘流程的下一个节点自动锁定推进。这个设计把一个通常需要 HR 在文档和 HR 系统之间手动同步的操作，变成了文档里一个标注动作就能触发的自动化流程。从简历进来，到评估结果产出，到候选人进入系统跟进流程，整条链路可以在 HR 最小干预的情况下运转——这就是招聘半自动化的实现路径。

我的职责

这个项目从产品设计到全栈研发完全独立完成：

用户研究与场景定义：与多位 HR 深度访谈，梳理评估痛点，定义三模式评估框架
数据收集与整理：200+ 公司元数据收集、清洗与分类标注；9 家竞对职级对照表整理
打分引擎设计：三套差异化评估维度与权重体系设计，四维度推荐理由生成逻辑设计
全栈研发：Skill 核心逻辑编码，文件夹巡航机制实现，Redoc 联动与 HR 系统推送接口开发
发布与运营：发布至内部 SkillHub，持续收集用户反馈，迭代优化评估模型

项目成果

发布至内部 SkillHub，下载热度 Top 10
三模式评分引擎覆盖公司全部招聘场景（社招 / 校招 / 实习）
四维度推荐理由输出，可直接用于面试前沟通和业务对齐
招聘文件夹巡航 + Redoc 联动 + HR 系统自动推送，实现招聘评估到系统跟进的半自动化闭环