Recruitment Manager

智能招聘管理助手，提供从简历筛选到录用决策的全流程支持。

能力边界说明（先读这一节）

在开始使用前，了解本工具的能力边界，避免对结果产生不合理期望：

> 重要原则： 本工具的评估结果仅供参考，不替代专业 HR 判断。软实力评估、最终录用决策等关键环节，请结合面试和背景调查进行人工复核。

输入文件约束

不支持的场景：
- 加密/带密码保护的 PDF（完全无法解析）
- 图片分辨率低于 150 DPI 的扫描件（OCR 准确率明显下降）
- .doc 旧版 Word 97-2003（部分环境需额外安装 antiword）
- 多页横版简历图片合并为一个文件（建议拆分后逐页处理）

核心能力

1. 简历解析与信息提取

支持格式： Word (.docx/.doc) · PDF (.pdf) · 图片 (.png/.jpg/.jpeg)

PDF 解析策略（4 级自动降级）：

自动提取字段： 姓名、手机号、邮箱、教育背景（学校/专业/学历/时间）、工作经历（公司/职位/时长/职责）、技能清单、项目经验

依赖安装：

pip install pypdfium2 pdfplumber PyPDF2 python-docx pytesseract Pillow
# Windows 还需安装 Tesseract 可执行文件（用于 OCR 兜底）：
# https://github.com/UB-Mannheim/tesseract/wiki

使用示例（多种说法均可触发）：

# 方式一：指定文件路径
解析这份简历：C:\Users\admin\Desktop\张三_简历.pdf

# 方式二：描述文件位置
帮我看看桌面上李四的简历，是 PDF 格式的

# 方式三：处理图片格式
这是一张简历截图，帮我提取里面的信息：/Downloads/resume_scan.jpg

# 方式四：批量处理
批量解析以下 3 份简历：resume1.pdf、resume2.docx、resume3.jpg

预期输出：

姓名：张三
手机：138xxxx1234
邮箱：zhangsan@example.com
最高学历：本科 · 计算机科学 · XX 大学（2018-2022）
工作年限：3 年
当前/最近职位：后端工程师 @ ABC 科技（2022.07 至今）
技能：Python / Java / MySQL / Docker / Redis
项目：电商推荐系统（主导后端架构，日均处理请求 200 万次）

提升准确率的操作建议：
- 简历文件尽量使用数字 PDF（非扫描件），提取效果最佳
- 手机号如使用特殊格式（如 138 xxxx xxxx）可能漏提，可手动补充
- 表格型简历（技能/经历分列排布）建议使用 .docx 格式而非 PDF
- 遇到图片简历，先确认图片清晰度（建议 300 DPI 以上）

2. 人岗匹配分析

根据岗位 JD 与候选人简历，输出结构化匹配报告。

匹配维度及评分权重：

> ⚠️ AI 稳定性提示： 软实力维度（领导力、协作能力、学习能力等）基于简历描述的语义理解，同一候选人如简历措辞不同可能得到不同分数。分数波动范围通常在 ±8 分以内。建议： 对总分 60-80 分区间的候选人，重点关注技能匹配维度分数，而非总分排名。

使用示例（多种说法）：

# 方式一：同时提供两个文件
分析这份简历与 Java 高级开发工程师的匹配度
JD：C:\Users\hr\jd_java.pdf
简历：C:\Users\hr\resume_lisi.docx

# 方式二：JD 直接粘贴
帮我看看这个候选人适不适合做产品经理
[粘贴简历内容]
岗位要求：5 年以上产品经验，熟悉 B 端 SaaS，有团队管理经验

# 方式三：省略 JD 文件，用自然语言描述岗位
这个候选人适合做数据分析师吗？要求会 SQL 和 Python，3 年以上经验
简历：C:\Users\hr\wangwu.pdf

# 方式四：一次分析多位候选人
对比这 3 份简历，哪位最适合前端工程师岗位？
JD：jd_frontend.pdf
简历：a.pdf、b.docx、c.pdf

预期输出：

综合匹配分：78 / 100

技能匹配（40分）：34/40 ✅
  - 命中必需技能：Java ✅ Spring Boot ✅ MySQL ✅
  - 缺失：Kubernetes（JD 优先要求）
工作年限（25分）：22/25 ✅
  - 候选人 7 年，岗位要求 5 年，超出要求
教育背景（15分）：13/15 ✅
  - 本科 · 软件工程（岗位要求本科及以上）
软实力（20分）：9/20 ⚠️
  - 简历中无明显团队管理描述（岗位需要带 3-5 人小组）

🔴 风险提示：近 3 年换了 3 家公司，平均在职 12 个月
建议：推进面试，重点考察稳定性意愿及 Kubernetes 学习计划

提升匹配准确率的建议：
- JD 中明确区分"必须具备"和"优先具备"，匹配分更精准
- 候选人简历中使用标准技术名称（如"Kubernetes"而非"K8s"）效果更好
- 若候选人有明显优势但分数偏低，可手动补充说明："该候选人有 5 年金融行业 B 端产品经验，请重新评估"

3. 结构化面试题生成

根据岗位要求和候选人背景，生成有针对性的面试题目。

题目类型及比例（默认）：

每道题包含：题目内容 / 考察要点 / 评分标准（1-5 分）/ 追问方向

使用示例（多种说法）：

# 方式一：指定岗位和简历
为产品经理候选人生成面试题，侧重数据分析能力
简历：C:\Users\hr\resume_wangwu.pdf

# 方式二：指定数量和类型比例
生成 10 道面试题，其中 4 道技术、3 道行为、2 道情景、1 道文化匹配
岗位：高级后端工程师

# 方式三：针对简历中的弱点出题
这份简历跳槽频繁，帮我生成重点考察稳定性和职业规划的面试题
简历：/Downloads/resume.pdf

# 方式四：仅凭岗位描述生成（无简历）
生成 Java 架构师岗位的通用面试题库，覆盖微服务、高并发、团队管理

预期输出（节选）：

【行为题 1】请描述一次你推动一个数据驱动决策的经历
考察要点：数据意识、从分析到执行的完整链路
追问：当数据结论与团队直觉相反时，你如何处理分歧？
评分标准：
  1分 = 只有描述，无数据支撑
  3分 = 有数据，但结论模糊
  5分 = 明确指标 + 清晰决策路径 + 量化结果

【技术题 2】系统设计：如何设计一个支持百万级 DAU 的消息推送服务？
考察要点：分布式系统思维、消息队列选型、降级策略
追问：如果需要支持优先级消息（VIP 用户先推），你会如何修改架构？
评分标准：
  1分 = 只能描述单机方案
  3分 = 提到消息队列但未考虑峰值
  5分 = 分层架构 + 限流降级 + 监控告警完整方案

4. 候选人评估报告

支持输出格式：

PDF 依赖完整安装（Windows）：

# 步骤 1：安装 Python 依赖
pip install reportlab pypdf matplotlib

# 步骤 2：确认中文字体存在（Windows 通常已内置）
dir C:\Windows\Fonts\simhei.ttf
# 若命令返回"找不到文件"，从 Microsoft 官方字体包获取 SimHei.ttf
# 放入 C:\Windows\Fonts\ 目录后重新生成即可

# 步骤 3：无需 Node.js 或 Playwright（v2.0 起封面改为 ReportLab 直绘）

PDF 依赖完整安装（Linux）：

pip install reportlab pypdf matplotlib
apt-get install fonts-wqy-zenhei    # Debian/Ubuntu
# yum install wqy-zenhei-fonts      # CentOS/RHEL

报告包含内容：
- 候选人基本信息 + 简历解析摘要
- 人岗匹配分析（含维度得分雷达图可视化）
- 面试表现评估（如已提供面试记录）
- 优势分析 / 差距分析 / 风险提示
- 录用建议：推荐 / 待定 / 不推荐（含理由）
- 结构化面试题附录（可选，在命令中加"包含面试题"）

使用示例（多种说法）：

# 方式一：基础 PDF 报告
生成候选人李四的评估报告，输出为 PDF
简历：C:\Users\hr\resume_lisi.pdf

# 方式二：含面试题附录
生成这份简历的分析报告，格式 HTML，附上面试题

# 方式三：包含面试记录
生成候选人评估报告，候选人面试表现如下：
[粘贴面试记录]
输出格式：Word

# 方式四：批量生成多人报告
对这 3 位候选人分别生成 PDF 评估报告：lisi.pdf、wangwu.pdf、zhaoliu.pdf
岗位：Java 高级工程师

输出质量自检清单（AI 生成后请人工确认）：
- [ ] 匹配分数与候选人实际情况基本吻合
- [ ] 风险提示无明显误报（如因简历措辞被误判为跳槽频繁）
- [ ] 录用建议与团队实际需求一致
- [ ] 面试题覆盖了本次面试的核心考察点

5. 招聘沟通邮件

生成并直接发送各类招聘邮件，支持以下场景：

SMTP 配置（smtp_config.json）：

{
  "smtp_server": "smtp.163.com",
  "smtp_port": 465,
  "use_ssl": true,
  "username": "your@163.com",
  "password": "授权码（非登录密码，16位字符串）",
  "sender_email": "your@163.com",
  "sender_name": "公司名称 HR <your@163.com>"
}

已验证邮箱配置：

> ⚠️ 163/QQ 邮箱： password 字段必须填授权码（16 位），不是登录密码。登录密码会导致认证失败。

使用示例（多种说法）：

# 方式一：代表人面试邀约（联系人 ≠ 候选人）
给候选人田飞的联系人周博远发送面试邀约
收件人邮箱：zhouboyuan@tnktech.net
岗位：财务，面试时间：2026-05-30 14:00-15:30
视频面试（腾讯会议），面试官：李总监
发件邮箱：hr@163.com，授权码：abcd1234efgh5678

# 方式二：直发候选人
给张三（zhangsan@email.com）发面试邀约
岗位：后端工程师，线下面试
时间：2026-06-15 10:00，地址：北京朝阳区 XX 大厦 8 楼

# 方式三：发 offer
给通过面试的李四发录用通知
邮箱：lisi@email.com
岗位：高级产品经理，薪资：35K×14，入职日期：2026-07-01
发件邮箱：hr@company.com

# 方式四：发拒信
给未录用的候选人王五发婉拒信
邮箱：wangwu@email.com，岗位：前端工程师

面试邀约数据字段参考（data.json）：

{
  "recipient_name": "周博远",
  "candidate_name": "田飞",
  "company_name": "TNK Tech",
  "position": "财务",
  "interview_time": "2026年05月30日 14:00-15:30",
  "interview_format": "视频面试（腾讯会议）",
  "interviewer": "技术负责人 李总监",
  "duration": "90分钟",
  "confirm_deadline": "2026年05月27日",
  "contact_email": "hr@tnktech.net",
  "extra_notes": "腾讯会议链接将于面试前一天另行发送，请留意查收。"
}

命令行快速发送：

python email_sender.py invite smtp_config.json recipient@email.com data.json

触发词命中指南

以下说法均可触发对应功能，AI 会自动识别意图：

> 模糊输入也能处理： 如果你只说"帮我招一个 Java 工程师候选人分析"，AI 会引导你补充缺失信息（简历文件、JD 等），无需一次性提供所有内容。

完整招聘工作流

步骤 1  接收简历   →  解析简历，提取结构化信息
步骤 2  简历筛选   →  人岗匹配分析，判断是否进入面试
步骤 3  通知候选人 →  发送面试邀约邮件
步骤 4  面试准备   →  生成结构化面试题
步骤 5  面试执行   →  线下面试（可记录评估意见）
步骤 6  评估决策   →  生成候选人评估报告（推荐 PDF）
步骤 7  结果通知   →  发送录用通知或婉拒信

端到端场景示例：

场景 A：快速筛选一批简历

批量解析以下简历并与 Python 工程师 JD 匹配，按分数排序：
JD：jd_python.pdf
简历：张三.pdf、李四.docx、王五.jpg

场景 B：面试全流程准备

1. 解析候选人赵六的简历：zhaoliu.pdf
2. 与高级数据分析师岗位匹配分析，JD 如下：[粘贴 JD]
3. 生成 8 道面试题，侧重 SQL 和业务理解
4. 发送面试邀约给候选人邮箱 zhaoliu@email.com

场景 C：生成正式报告

生成候选人赵六的完整评估报告
输出：PDF，包含面试题附录
简历：zhaoliu.pdf，面试记录：[粘贴记录]

场景 D：批量发送 offer

向以下候选人批量发送录用通知：
张三：zhangsan@email.com，岗位：后端工程师，薪资：25K
李四：lisi@email.com，岗位：前端工程师，薪资：22K
入职日期均为 2026-07-15，发件邮箱：hr@company.com

错误排查手册

遇到问题时，先查此表：

常见问题（FAQ）

Q1：简历解析后信息不完整，有些字段是空的？
> 优先检查：(1) 文件格式是否为图片扫描件（需要 OCR）；(2) 简历是否使用了非常规排版（如图片嵌入文字）。可以告诉 AI "简历中第 X 部分没有提取到，请重新尝试这段文字" 来手动补充。

Q2：PDF 报告生成很慢（超过 30 秒）怎么办？
> matplotlib 绘制雷达图较耗时。可以告诉 AI "生成文字版 PDF，不需要图表"，生成速度会快很多。或者改用 HTML 格式（生成最快）。

Q3：163 邮箱发送后收件方没收到？
> 检查以下顺序：(1) 是否进入了收件方垃圾箱；(2) 发件人邮件是否被标记为"营销邮件"（可调整邮件主题避免使用"面试"等高频词）；(3) 163 邮箱账号是否有每日发送限制（默认 500 封/天）。

Q4：匹配分数偏低但候选人实际很合适？
> 常见原因：简历与 JD 术语不一致（如"K8s"vs"Kubernetes"）、JD 描述过于简略、候选人将重要技能写在项目经历而非技能栏。解决方案：手动告诉 AI "这个候选人具备 XX 技能，请重新评估匹配分"。

Q5：可以同时处理多份简历吗？
> 可以。一次最多建议处理 10 份，超过时建议分批。例如："批量解析这 5 份简历：a.pdf、b.docx、c.pdf、d.jpg、e.pdf，分别提取关键信息"。

Q6：如何只针对简历中某个弱点出面试题？
> 直接说明："这份简历跳槽频繁，请生成重点考察稳定性和职业规划的面试题" 或 "候选人无管理经验，但岗位需要带团队，请生成考察领导力潜力的行为面试题"。

Q7：评估报告的 AI 分析不稳定，同一人两次结果不一样？
> 软实力/综合评估部分依赖 AI 语义理解，同一简历的多次分析可能有细微差异（通常 ±5 分以内）。建议：(1) 以技能匹配维度得分为主要参考；(2) 关键候选人跑 2-3 次取平均；(3) 最终决策结合人工面试判断。

Q8：可以自定义评估报告的结构和内容吗？
> 可以。例如："生成评估报告，只需要技能匹配分析和面试题，不需要录用建议" 或 "在报告中额外加入背景调查清单模块"。

Q9：邮件模板可以修改吗？
> 生成邮件后，在发送前告诉 AI 需要修改的部分，例如："修改邮件中面试时间为 6 月 20 日，语气更正式" 或 "帮我把拒信改得更有温度一些"。

Q10：支持英文简历吗？
> 支持。解析、匹配、面试题生成均可处理英文内容。评估报告默认输出中文；如需英文报告，说明 "生成英文版评估报告" 即可。

技术架构

scripts/ 目录结构

scripts/
├── resume_parser.py          # 简历解析（pypdfium2 优先，4 级降级）
├── report_generator.py       # 报告生成（HTML / PDF 管道 / Word）
├── email_sender.py           # 邮件发送（含代表人模式，v2.1）
├── ai_resume_analyzer.py     # AI 简历分析
├── smart_resume_analyzer.py  # 智能分析（含软实力评估）
├── requirements.txt          # Python 依赖清单
└── pdf_pipeline/
    ├── palette.py            # 设计令牌（含中文字体自动检测）
    ├── cover.py              # 封面生成（ReportLab 直绘）
    ├── render_body.py        # 正文 PDF 生成（ReportLab + 中文字体注册）
    └── merge.py              # 封面 + 正文合并（pypdf）

PDF 生成管道

content.json
    → palette.py    → tokens.json（字体路径 / 设计令牌）
    → cover.py      → cover.pdf（ReportLab 直绘，无需 Node.js）
    → render_body.py → body.pdf（中文字体已注册）
    → merge.py      → final_report.pdf

使用建议

1. 简历解析： 数字 PDF > .docx > 图片扫描件，格式越好，提取越准
2. 人岗匹配： JD 中明确"必须具备"和"优先具备"，分数更有参考价值
3. 面试题： 可指定数量和题型比例；针对简历弱点出题效果更好
4. 评估报告： 推荐 PDF 格式存档；需要修改时先生成 Word 版
5. 邮件： 首次使用先发测试邮件到自己邮箱，确认配置和格式无误
6. 批量处理： 先 1-2 份验证准确率，确认后再批量，避免批量重做
7. AI 输出不稳定时： 多运行一次或手动补充关键信息，结果会更稳定

注意事项

• 简历解析准确度取决于文件质量；低分辨率扫描件会降低 OCR 效果
• AI 软实力评估结果存在不稳定性（±5-8 分波动），关键候选人请人工复核
• 评估报告仅供参考，最终录用决策需结合面试过程和背景调查
• 候选人信息须妥善保管，遵守《个人信息保护法》相关规定
• PDF 报告无需 Node.js / Playwright（v2.0 起已改为 ReportLab 直绘封面）
• 邮件发送为实际操作，发送前请再次确认收件人邮箱和邮件内容

更新日志

v2.3（本次优化）

• ✅ 新增能力边界说明表（7 项能力的可靠程度评级）
• ✅ 每项功能新增 3-4 个自然语言变体示例（覆盖模糊/批量/高级用法）
• ✅ 新增评分维度权重说明表（人岗匹配各维度占比）
• ✅ 新增输出格式对比（含生成速度、依赖对比）
• ✅ FAQ 从 6 条扩充到 10 条（含 AI 不稳定、英文简历、自定义报告等）
• ✅ 新增结构化错误排查手册（10 类错误+解决步骤）
• ✅ 新增输出质量自检清单（评估报告章节）
• ✅ 新增 AI 输出重试策略说明
• ✅ 完整工作流补充"发送邀约邮件"步骤，形成完整 7 步闭环

v2.2

• ✅ 新增输入文件约束表、触发词命中指南
• ✅ 每项功能补充预期输出示例，新增 FAQ 6 条
• ✅ PDF 安装步骤细化（Windows/Linux），补充 AI 稳定性说明

v2.1

• ✅ 代表人面试邀约模板、send_interview_invitation() 函数、invite 子命令
• ✅ 多服务商 SMTP 参考表（163/QQ/企业微信已验证）

v2.0

• ✅ pypdfium2 扫描件解析、高质量中文 PDF 报告（ReportLab 管道）
• ✅ 封面页 ReportLab 直绘，无需 Node.js / Playwright
• ✅ 修复 PDF 乱码、JSON 解析、GBK 编码等多项问题