简历筛选评分系统 · Resume Screening & Scoring System

Overview

把"描述岗位 + 批量简历 → 多维匹配评分 → 交互式评分报告 → 外链交付"做成可复用能力。不限行业/职能、不限岗位数量：今天评"销售 + 客户支持"，明天可以评"算法工程师 + 产品经理 + 法务"。用户只做两件事：① 用大白话描述要招的岗位（可多个）；② 把简历批量丢进来（文件夹或 zip）。其余由本系统完成。

设计原则：所有评分维度动态化——评分维度数 = 岗位数，报告区块/筛选器按岗位数自动生成，没有写死的"销售/客服"字样。

决策树（收到请求后）

用户输入包含什么？
├── 自然语言岗位描述（无正式JD） + 一批简历
│   → 主流程：角色解析 → 批量分析 → 报告 → 外链
├── 仅岗位描述（还没简历）
│   → 先按 references/role_parse.md 把角色结构化，等简历到位再分析
├── 仅简历（无岗位描述）
│   → 反问要招什么岗，或先按通用"胜任力"做一轮初筛
└── 已出报告，用户要调权重/加岗/换人
    → 改 role spec 或数据后重跑（报告数据驱动，重生成即可）

通用数据模型（本技能的核心）

角色 spec（从用户描述解析，1~N 个）

window.ROLES = [
  { key:"R1", name:"销售岗", tag:"销售", role:"销售岗 · 1名",
    tasks:["面向企业客户推介产品，完成线索→演示→签约→回款"],
    priorityBg:["有 SaaS/云服务销售经验","熟悉腾讯/阿里/字节生态"],
    expRange:"1-3年", keyCaps:["客户沟通","需求挖掘","抗压回款"] },
  { key:"R2", name:"客户支持岗", tag:"客服", role:"客户支持 · 1名", ... }
];

候选人对象（维度数 = 岗位数）

window.CANDIDATES = [
  { id:"01", name:"张伟", title:"Java开发", age:24, yrs:"1.5年",
    edu:"大专 · 成都职业技术学院", now:"成都极客邦 · Java开发",
    scores:{ R1:12, R2:15 },            // 每个岗位一个分
    verdicts:{ R1:"none", R2:"none" }, // 每个岗位一个结论
    bestFit:"R2",                       // 最佳匹配岗 key
    pros:["..."], cons:["..."], watch:"需要关注的点..." }
];

verdict 取值：top(首选) / break(破格候选) / backup(备选) / consider(可考虑) / extra(编外提示) / none(不匹配)。
bestFit：取分数最高且 verdict≠none 的岗位 key；若全部 none 则填 "none"。

主流程（6 步）

1. 解析岗位 → 按 references/role_parse.md 把用户口述拆成 ROLES（含 key/name/tag/tasks/priorityBg/expRange/keyCaps/weights）。
2. 接收简历 → 文件夹或 zip（zip 自动解压）；多格式转文本（见 scripts/extract.py：PDF→pypdf，DOCX→python-docx，MD/TXT 直读，图片→OCR 接入点）。
3. 逐份分析 → 每份简历按所有 role 打 scores + verdicts + bestFit + pros/cons/watch。权重按 references/scoring_model.md 从 role spec 自动推导（用户可改）。
4. 生成报告 → 用 assets/templates/（数据驱动的 index.html/style.css/app.js）渲染：JD 卡片(按岗) → 每岗"首选/备选"大卡 → 全局"破格"区 → 每岗排行表 → 全员可折叠列表(带按岗/已入围/不匹配筛选)。大数据量务必把候选人拆成 data-a.js/data-b.js/data-c.js 多个小文件（见 Ops 第 3 条）。
5. 部署前自检（强制，不通过不部署） → node <skill>/scripts/validate.js <报告目录>，退出码 0 才继续。校验字段齐全性、verdict 合法性、bestFit 一致性、ID 唯一、pros/cons/watch 分级密度、每岗 top 不超名额。
6. 部署交付 → workbuddy_cloudstudio_deploy（directory 指向含 index.html 的目录，entry=index.html），再用 WebFetch 验证外链可达后交付。默认不出 PDF（用户 memory 硬规则：只给外链）。

references 索引

• references/role_parse.md — 自然语言岗位描述 → 结构化 role spec 的解析规范与多行业示例。
• references/scoring_model.md — 多维评分、权重自动推导、verdict 判定规则、bestFit 逻辑、破格/编外说明。
• references/report_design.md — 数据驱动 HTML 报告的结构设计（动态区块、筛选器、排行表、移动端适配）。

assets/templates 索引

• index.html — 报告骨架，仅留 DOM 容器，数据/渲染全由 JS 驱动。
• style.css — 商务简洁响应式样式（深色 header + 卡片 + 表格 + 筛选 + 折叠列表）。
• app.js — 通用渲染逻辑：读 ROLES + CANDIDATES → 动态生成 JD 卡/大卡/破格区/排行表/列表/筛选器。
• data-example.js — 示例数据（2 岗 + 6 人），演示通用 schema，可直接改造成真实批次的 data 文件。

scripts 索引

• extract.py — 多格式 + zip 批量提取：PDF(pypdf)/DOCX(python-docx)/MD/TXT 直读，图片留 OCR 接入点；输出 resumes/*.txt + 清单。
• validate.js — 部署前自检（用法 node validate.js <报告目录>）：字段/verdict/bestFit/ID唯一/分级密度/top名额六类校验，退出码非 0 即不得部署。

Ops 实操经验（落地避坑，必读）

1. PDF 解析：用受管 Python（C:\Users\13541\.workbuddy\binaries\python\versions\3.13.12\python.exe）建 venv + pip install pypdf python-docx，PdfReader 抽文本最稳。
2. 多格式：DOCX 用 python-docx 读 paragraph；图片 OCR 接 tencentcloud-ocr 连接器或 textin-xparse，在 extract.py 留了接入点。
3. Write 大文件避坑：候选人数据较多（如 40 人 × 多字段）时，把数据拆成 data-a.js/data-b.js/data-c.js（各挂 window.CANDIDATES 分段数组，或统一 window.CANDIDATES 由多个文件 push）。绝不要把全部数据塞进单个 HTML——Write 工具写超大内容会报 content expected string but received undefined。index.html 只写骨架。
4. CloudStudio 稳定性：链接可能约 1 小时回收、偶发账号级 400 报错；交付前用 WebFetch 自测可达性。需长托管 → 改用 EdgeOne Pages（需用户授权）。CloudStudio 链接无 _fid 参数，不要套用腾讯文档的 ?_wework_browser=1 旧写法。
5. 数据自检：部署前用 Node global.window={}; require('./data-*.js'); 校验每个候选对象的 scores/verdicts/bestFit/pros/cons/watch 字段齐全、verdict 取值合法。

重要规则

• 交付规则（硬）：默认只交付 CloudStudio 外链，不生成 PDF / 本地文件；仅当用户明确点名要某格式时才生成（用户 liuzh 偏好："以后所有产出物都以外链的形式发我，不要生成其他的"）。
• 隐私与安全：对外分享默认脱敏（姓+职位，如"张先生/后端开发"）；用户明确要求时才显示全名。本技能内部评估可用全名。
• 数据完整性：简历未提及的信息标注"未提供"/"未注明"，绝不编造；verdict 与分数须有简历依据。
• 人工覆盖优先于分数阈值：分数区间只是基线。若简历有「直接相关手感」但总分被年限/职级拉低（如应届生有真实签单或真实客服记录），可人工上调为 consider/backup，但必须在数据文件注释里写明覆盖理由。反之亦可下调。
• watch 禁止零信息：不得只写"不匹配"。不匹配者也要写清核心原因 + 是否有后续回捞价值（换岗位时能不能再用上）——这是用户最关心的信息之一。
• 字段密度分级：入围/储备/不匹配三级对 pros/cons 条数要求不同（见 scoring_model.md 第六节）。对明显不匹配者强行凑满 3 条优点会诱发编造，严禁。
• 评分一致性：同一批次用同一套权重（来自 role spec），多岗之间分数尺度一致，便于横向对比。
• 学历仅参考：学历作参考项、不直接决策时，权重明显调低或标注「参考」；经验区间超出的候选放入 break 并写明破格理由，不直接淘汰。
• 格式支持：PDF/DOCX/MD/TXT 直接处理；图片走 OCR 接入点；zip 自动解压。