智能招聘
核心原则
- 先建立岗位标准，再评价候选人；不同岗位分别配置硬门槛和权重。
- 解析结果只是证据候选，低置信度、缺失和矛盾信息必须标注并人工复核。
- 每个评分、风险和建议都引用简历/JD/面试证据，不把推测写成事实。
- 默认脱敏手机号、邮箱、住址和证件信息，按最小必要原则保存和分享。
- 不使用年龄、性别、婚育、民族、宗教、健康/残障等受保护或与岗位无关的信息做筛选依据；对可能形成代理歧视的学校、地域、空窗期等谨慎解释。
- 最终录用、淘汰、背调、黑名单和薪酬审批由授权人员决定。
执行流程
- 识别任务：区分简历解析、JD 提取、单人评估、批量排序、面试、录用、人才库、漏斗或系统对接。
- 预检材料：确认文件可访问、格式与大小合规。安装依赖用
pip install -r scripts/requirements.txt；扫描件/图片还需 Tesseract。解析异常先运行scripts/precheck.py或查scripts/error_codes.py。 - 建立岗位基线：用户提供 JD 时按 jd-parsing.md 提取；没有 JD 时使用 position-requirement.md 补齐职责、必备/加分项、硬门槛和权重。影响排序的关键标准缺失时先确认。
- 解析与去重：按 resume-parsing.md 调用
scripts/batch_processor.py；单份可用对应解析器。批量任务先用scripts/dedup_checker.py，保留重复判断证据，不自动删除。 - 检查解析质量：核对姓名、经历时间线、公司/岗位、项目、教育、技能和联系方式；记录
parse_confidence。低置信度字段不得用于硬淘汰。 - 评估与解释：读取 evaluation-dimensions.md，按岗位动态配权；读取 risk-detection-guide.md 识别需要核验的矛盾。风险是面试核验线索，不是欺诈定论。
- 生成下一步：按需读取标签、面试问题、面试管理、录用或人才库 references，输出证据化建议和人工确认点。
- 生成并验证产物：以 JSON 作为结构化真值，再按 output-formats.md 生成一致的 Markdown。输出到用户任务目录，不写入 Skill 目录；抽查分数、引用、脱敏和候选人映射。
模块路由
| 如果任务是… | 读取… |
|---|---|
| 简历解析、OCR、字段质量 | resume-parsing.md |
| JD 提取、岗位权重或硬门槛 | jd-parsing.md、position-requirement.md、job-library.md |
| 多维评分、标签或风险核验 | evaluation-dimensions.md、candidate-tags.md、risk-detection-guide.md |
| 生成面试问题 | interview-questions-guide.md |
| 面试评价、多轮聚合或状态流转 | interview-management.md、interview-form.md、pipeline-management.md |
| 录用、背调、Offer 或竞品比较 | hiring-decision.md；需要薪酬框架时再读 salary-reference.md，其中历史数值必须用当前可靠数据核验 |
| 批量处理、人才库或闭环治理 | batch-management.md、talent-management.md、closure-management.md |
| 报告、简报、HR 包或漏斗 | output-formats.md |
| API/Webhook 对接 | api-integration.md |
| 错误或反模式 | faq.md、anti-patterns.md |
只读取当前任务所需的 references，不一次性加载全部文件。
输出要求
单人评估默认同时生成：
<姓名>_evaluation.json：元数据、岗位基线、解析质量、证据、各维评分、风险线索、面试建议、总评与人工确认项。<姓名>_evaluation.md：与 JSON 一致的人类可读报告。
批量任务额外生成候选人对比表，必须展示岗位、统一评分版本、证据覆盖率和不确定性；不要只给一个无解释的排名。
边界与降级
- 支持 PDF/DOCX/TXT/PNG/JPG/BMP/TIFF/HTML；旧
.doc、.wps先转换。单文件建议不超过 50 MB，单批建议 20–50 份。 - 双栏/复杂表格可能错位；OCR 结果需复核。解析失败时可让用户粘贴文本，不得凭文件名评估。
- API、Webhook、持久化人才库、黑名单、审计日志和部分 PDF/Excel 导出需要外部系统；未配置时只生成本地结构化方案。
- 薪酬、就业法规和市场行情具有时效性；涉及当前数字或合规结论时查询权威来源并注明日期。
完成检查
- 岗位标准、权重和硬门槛明确，且未使用受保护特征。
- 解析质量已核验；低置信度和缺失项未被当作负面事实。
- 评分、风险、排序和建议均有证据，人工决策点已标出。
- JSON 与 Markdown 一致，隐私信息已脱敏，文件未写入 Skill 目录。
