如何用 AI 批量筛简历并排序

一堆简历压过来，筛选凭什么不漏、不偏

一个岗位收到几十份简历是常态，人工逐份读、对照 JD 打分，既慢又难一致：同一份简历，上午看和下午看的判断可能不同；不同面试官的口径也各不相同，排序难以服众；JD 一改，又得把所有候选人重新评一遍。到了面试环节，临时想问题，往往问得泛、问不到候选人的真实项目细节和风险点。整个流程既费时，又依赖个人状态。

这个技能能帮你做什么

它把"读简历—打分—排序—出面试题"这条链路标准化。核心能力有四块：一是引导你建立职位文件夹、职位描述文件和简历资料结构，让筛选有规整的输入；二是解析 JD 里的硬性要求、核心技能、软性素质和加分项，明确评分标尺；三是批量提取每份简历的基础信息、工作经历、技能栈和项目亮点；四是按匹配度给候选人排序，并为每人生成一套定制化的面试问题清单。它支持 PDF、DOC、DOCX、HTML、TXT 多种简历格式，最终输出 HTML 或 Markdown 报告。同一把标尺套在所有候选人上，排序口径就一致了。

怎么用它

用法是把岗位文件夹的位置和你的筛选目标用自然语言说清楚，无需手动逐份对照。例如可以这样对它说：

它适合这些场景：收到多份简历，需要根据同一 JD 快速筛选排序；针对单个候选人准备技术、项目、软实力和风险澄清问题；更新职位描述后要重新评估候选人与新要求的匹配度；想把面试官偏好纳入问题设计，形成更一致的面试风格。

大家常问

简历筛选里说的「硬性要求」和「加分项」分别是什么意思？怎么区分？

硬性要求是不可妥协的准入条件，客观可验证，不满足就直接淘汰（如学历、年限、必备资格证、常驻地）；加分项是锦上添花的优先级条件，不满足不淘汰，但在合格候选人之间用来排序择优。判断口诀：如果其他都好但唯独这条不满足，仍然拒录用就是硬性要求，否则是加分项。

JD 拆解里说的「硬性要求 / 核心技能 / 软性素质 / 加分项」这四类怎么区分？

本质是按"不可妥协性"和"评估时序"分层：硬性要求回答"这人能不能来"，二值判断、漏斗最前置；核心技能回答"能不能干活"，连续谱评估、面试主战场；软性素质回答"好不好共事"，情境依赖、通过行为题观察；加分项回答"如果都好谁更好"，只在最终择优阶段发挥作用，前置使用会引入虚假区分。

为什么同一份简历不同人读出来的评分会差很多？口径不一致的根源是什么？

根源是评分标准的"私有化、隐性化"——每个评估者用自己的经验公式打分，再叠加锚定效应、维度权重偏好、信号解读差异、归因风格和历史经验萃取这五类系统性偏差，最终结果就大相径庭。方法论解法是把评估维度公开化、建立锚点样本统一基准、要求每条评分附带举证，并定期做盲测校准。

结构化面试的「定制化追问题」是什么意思？跟随便问几句有什么本质区别？

定制化追问题是在结构化框架内、针对候选人特定回答按预设"如果-那么"规则进行的标准化追问，每条追问都有明确测评目标。与随便问的区别在三处：系统性（锚定胜任力维度而非临场好奇）、一致性（给相同回答的候选人问同样追问）、可追溯性（事后能复盘评估依据）。