简历筛选：先定标准，再让模型读

第一步：把标准写成能判断的句子

“有较强的沟通能力”没法判断。“有两年以上对接外部客户的经历，简历里出现过客户对接、商务谈判、售后支持中至少一项”可以判断。

硬性条件三到五条，每条要么是事实，要么是否定项。模糊的形容词全部删掉。

标准定完自己先跑一遍：拿五份简历，你按标准判，看判得一致不一致。你自己都不一致，模型更不一致。

五份里有两份判得不一样，说明标准里还有模糊词，回去改。

先让它把简历信息抽成结构化字段：工作年限、行业、岗位、项目、技能、学历。

抽取比打分可靠，因为抽取能核。打分不能核，你不知道它为什么给七分。

抽取完再按你的规则算分。规则在你手里，模型只做搬运。

字段名固定，空值写“未提及”，不要写“无”。三种写法混用，后面筛选取数就乱。

抽取完抽查十份，逐字段对原文。字段错得多，说明字段定义不清楚，不是模型不行。

性别、年龄、婚育、户籍、民族、照片。这些字段不进模型，也不进表格。

不是因为模型会歧视，是因为这些信息一旦进入决策链，你没法证明它没起作用。

学校名也有争议。如果要看学历层次，用“本科及以上”这种层级判断，别让它比较学校排名。

还有一条：不要让模型写淘汰理由。它会给出听起来很合理的理由，而那些理由往往是你不想写进记录的。

抽两成，其中一半抽“通过”的，一半抽“淘汰”的。只抽通过的，你永远不知道漏了谁。

复核看两件事：抽取的字段对不对，判断和你的标准一致不一致。

连续两百份复核一致率低于九成，停下来改标准，别继续跑。跑得越多，错得越多。

复核记录要留。将来有人问为什么这个人没进面试，你能拿出当时的判断依据。

最终决定必须是人做的。模型给的是排序建议，不是录用决定。

这句话要写进流程文档，别只放在脑子里。

补充一句简历是个人信息，上传前确认平台的数据条款。批量处理建议用企业版，并且设保留期限，用完删掉。

能完全自动筛吗？

不建议。自动淘汰会漏掉背景不典型但合适的人，而且一旦被质疑，你拿不出解释。

模型读简历会漏信息吗？

会，尤其是表格排版和图片简历。先转成纯文本再给它，能减少一半问题。

怎么处理大量简历？

先按硬性条件做机器过滤，剩下的再让模型抽取。硬条件用规则更准，也更便宜。