招聘初筛用 AI 读简历，筛选规则怎么定才不漏人

规则分 2 层写：硬条件淘汰，软条件打分。

硬条件只放 3 项，学历、年限、必备证书，缺 1 项直接出局。这类判断有明确依据，模型做得稳。

软条件写成分值，比如相关项目满 2 年给 3 分、带过 3 人以上团队给 2 分，让它排序，人工只看前 30 份。

别让它判断「这个人合不合适」这种模糊要求，同一份简历问 2 次会给出不一样的结论。把判断拆成可数的事实，输出才稳定。

规则定完先拿 20 份已知结果的简历试跑，对上 18 份再上量，剩下 2 份看它错在哪，回头补 1 条规则。

还有个容易漏的地方：岗位描述里写「熟悉本行业者优先」这类话，模型会当成硬条件用，写规则时把这些词删干净。

交给 AI 之前，把这 5 样准备好。

1. 岗位说明书 1 份，写清 3 到 5 条硬要求和主要职责。

2. 简历统一转成 PDF 或纯文本，图片版它读不准，扫描件先做 1 次 OCR。

3. 1 份评分表，字段固定：姓名、年限、行业、证书、匹配点、待确认项。

4. 20 份标注过结果的样本，写清哪些该过、哪些该淘汰，用来校准规则。

5. 1 条保密约定，简历里的手机号和身份证号先脱敏再上传。

输出格式定成表格，1 份 1 行，人工复核能直接按列排序。字段不统一的话，200 份看下来眼睛就花了，关键信息还容易漏。

5 个坑，第 3 个出事的代价大。

1 是让它直接给「录用建议」，它会顺着你的语气附和，参考价值很低。

2 是简历里有大段自我评价，模型容易被形容词带走，让它只提取事实字段。

3 是性别、年龄、婚育、籍贯被当成评分项，属于就业歧视风险，输入前把这些列删掉。

4 是跨行业判断偏差大，制造业的岗位描述和互联网差得远，1 套规则通吃会误伤。

5 是没有留痕。谁筛的、依据什么，事后要能查，每轮提示词存 1 份。

筛完的名单别直接发面试邀约，隔 1 天再回看，前 10 份里常能挑出 2 个被规则误杀的人。

我们 9 月招 2 个岗位，收了 260 份简历，跑了 1 轮 AI 初筛。

第 1 版规则写了 8 条，筛完只剩 11 份，明显漏人。回头看是「同行业经验」卡得太死，把上下游的人都排除了。

改成打分制以后，前 40 份里挑出 28 个可面，实际约到 15 个，比人工翻简历快 3 倍。

有 1 份判断错了，那人做过 5 年相关项目，但把这段经历写在最后 1 段，模型没抓到。我补了 1 条：全文提取后再按段落复核 1 次。

最后 1 轮还是人工看，AI 只负责把 260 份压到 40 份，剩下的判断交给人来做。