简历初筛交给工具：它只能替你排除，不能替你定人

简历初筛这件事，我最近试着交给了工具。

结论先放前面：值得交，但它只适合干一半 —— 「排除」那一半。「选人」那一半交出去，只会给自己找麻烦。

下面是我实际在用的分工，以及踩过的地方。

关键词过滤为什么一定会漏

用关键词筛简历，最典型的结果是把「大厂架构师」和「写 PPT 的架构师」一起捞进来。这不是关键词太少，是简历这种材料本身的问题：它写给人看，写法天然带自我包装，同一个动作能有十种说法，字面匹配抓的是说法，不是事实。

所以症结不在于换一个更聪明的模型，而在于换一个能被检查的判断依据。

先把「行不行」翻成「有没有证据」

我现在的做法是：人只定口径，机器只负责找证据。

口径就三件事：这个岗位要解决什么问题、必须会哪些技术栈、什么样的经历算加分。写清楚之后，交给工具去材料里对：哪个维度有明确证据、哪个维度压根没提、哪个维度说了但前后对不上。

落到维度上大概几类：真实做过的项目、可验证的技术产出痕迹、解决过哪类问题、有没有协作和交付的痕迹。技术栈可以当硬条件先过一遍，其余几类只标状态，不下结论。

有一条约束必须写进规则里：每一条判断都要能指回材料里的原句。指不回去的，一律标成「材料不足」，不许猜。这一条不加，输出会变得很流畅、很有道理，但你没法验证它是不是编的。

让工具做三件事，别让它做第四件

我给它的活儿是这三件：抽取字段，把简历摊成可比较的结构，同时保留原句备查；把材料里的表述归到各个维度上，标出证据状态；生成要追问的问题清单。

第四件事不给它做：出「这个人行不行」的总评。原因很直接 —— 排序可以用，结论不能外包。它交回来的东西我只要两类，待核实清单和追问问题：前者告诉我哪里自相矛盾，后者告诉我面试该问什么。

四个容易翻车的地方

交叉验证别做成背景调查。 材料之间对不上、自述和公开产出对不上，这两类交叉检查是合理的。再往前一步去打听人家的私事，就越界了，而且那些信息跟岗位判断本来也没关系。

数据是怎么进模型的。 简历里有大量和岗位无关的个人信息。我的做法是先把姓名、联系方式、照片、年龄、婚育这类字段摘出去，只把岗位相关的那部分送进模型；用哪个接口也要挑，别把整份材料随手丢给来路不明的服务。这一步不做，后面省下来的时间都是拿风险换的。

偏见会被规则放大。 工具只照着你的口径执行，你给什么字段，它就按什么字段筛。所以年龄、性别、地域、院校这类字段，最好的处理是在入口就不给它，而不是指望模型自己懂事。

排序靠前不等于面试能过。 排序只解决先看谁的问题，不解决合不合适。真要用排序，就得留一条复议路径，被排到后面的人得有人能捞回来。没有复议，等于用自动化悄悄筛掉了一批本来会被看到的人。

还有一层更隐蔽的：岗位描述本身没想清楚的时候，工具会把这份模糊原样放大，输出一堆看起来专业但落不了地的废话。这种时候该改的是岗位描述，不是模型。

什么情况下不值得上这套

岗位还没想清楚，先别上工具。一天只收几份简历的时候，手看比写规则快。收益真正大的场景是量大、要求相对标准、判断口径能明确写出来的岗位，比如同一类技术岗连着招。

判断值不值得，我只看一个数：人工复核时改单的比例。改得多，是口径没写清，回去改口径；改得少，才说明这套规则真的在替我省时间。

我会怎么起步

先只做「抽字段 + 标证据」这两步，不打分、不排序，跑两周，看人工改单的比例。改得少，再加打分；改得多，说明我的口径写得不合格。

一句话收尾：让工具负责把范围缩小，把决定权留在自己手里。

本文仅为个人工作方法记录，不构成招聘、法律或合规建议，涉及候选人个人信息的处理，请遵循所在地区的相关规定。