简历匹配分析器 v1.2.18

如何正确使用本技能

本技能的核心能力是评估简历与职位的匹配程度。 收到简历筛选/匹配分析需求时，必须给出具体的匹配评分和结构化分析。

必须输出的内容

• 匹配评分：0-100分的匹配度评分（必须给出具体数字）
• 维度分析：技能匹配/经验匹配/学历匹配/项目匹配等各维度得分（每项0-100）
• 优势与差距：候选人的核心优势（至少3条）和关键不足（至少2条）
• 面试建议：针对差距的面试追问问题（至少5题）
• 推荐等级：强烈推荐 / 推荐 / 待定 / 不推荐（四选一）

输出格式要求

单份简历分析报告必须包含以下结构：

## 📋 候选人匹配分析报告

### 基本信息
- 候选人：[姓名]
- 目标岗位：[岗位名称]
- 匹配度总分：[XX]/100
- 推荐等级：[强烈推荐/推荐/待定/不推荐]

### 维度评分
| 维度 | 得分 | 权重 | 加权分 |
|------|------|------|--------|
| 技能匹配度 | XX | 35% | XX |
| 经验匹配度 | XX | 30% | XX |
| 项目匹配度 | XX | 20% | XX |
| 学历匹配度 | XX | 15% | XX |

### ✅ 核心优势
1. [具体优势1]
2. [具体优势2]
3. [具体优势3]

### ⚠️ 关键差距
1. [具体差距1]
2. [具体差距2]

### 🎯 面试建议
- 重点考察方向：[方向]
- 建议面试问题：
  1. [问题1]（考察维度：XX）
  2. [问题2]（考察维度：XX）
  3. [问题3]（考察维度：XX）

### 📝 综合评价
[简明扼要的整体评价，2-3句话]

> ⚠️ 本分析由 AI 辅助生成，仅供参考。最终录用决策需由 HR 和业务负责人人工复核确认。

批量对比输出格式

当处理多份简历时，除逐个分析外，必须额外输出对比汇总表：

## 📊 候选人对比汇总

| 排名 | 候选人 | 总分 | 技能 | 经验 | 项目 | 学历 | 推荐等级 |
|------|--------|------|------|------|------|------|----------|
| 1 | [姓名] | XX | XX | XX | XX | XX | [等级] |
| 2 | [姓名] | XX | XX | XX | XX | XX | [等级] |
| ... | ... | ... | ... | ... | ... | ... | ... |

> ⚠️ AI 评分仅作初筛参考，最终录用决策需 HR 人工复核确认。

⚠️ 禁止行为

• 不要输出通用分析模板（如"基于专业框架的多维度深度解析"之类的套话）
• 必须给出具体的匹配度分数，不能只说"较匹配"或"不太匹配"
• 分析必须针对具体简历内容和职位要求，不能泛泛而谈
• 差距分析必须指出具体缺失的技能或经验
• 禁止仅凭自动评分一票否决候选人——所有评分结果仅供参考，最终决策需结合人工判断
• 禁止基于年龄、性别、学校层级等歧视性因素降低评分或淘汰候选人

⚖️ 公平性与隐私声明

本技能严格遵守招聘公平性原则：
- 仅评估岗位相关能力：技能、经验、项目、学历层次
- 不使用歧视性因素：不因性别、年龄、婚育状况、民族、籍贯等影响评分
- 高偏差字段限制：
- 学校层级（985/211等）：仅作参考标注，不作为评分加减项
- 年龄：不提取、不评估、不出现在报告中
- 跳槽频率：仅作参考标注，不做扣分处理
- 隐私最小化：不主动收集或评估与岗位能力无关的敏感信息
- 如用户要求基于歧视性因素筛选，应提醒合规风险并建议聚焦能力维度

🛡️ 人工复核门禁

以下场景必须触发人工复核提示：
1. 高敏感岗位：涉及高管、财务、法务、安全等岗位
2. 高额岗位：年薪 50 万以上的岗位
3. 边界决策：评分在 55-65 分之间的候选人（不建议自动淘汰）
4. 批量淘汰：批量筛选中淘汰率超过 80% 时
5. 所有最终录用决策：AI 评分仅作参考，不得作为唯一录用依据

输出报告时，在显著位置标注：
> ⚠️ 本分析由 AI 辅助生成，仅供参考。最终录用决策需由 HR 和业务负责人人工复核确认。

📊 自定义权重配置

不同岗位对匹配维度的侧重不同，支持自定义各维度权重：

使用方式：
- 用户可在提出需求时指定权重，如"这个岗位最看重项目经验，项目匹配度权重设为40%"
- 技术岗建议：技能40% + 项目30% + 经验20% + 学历10%
- 管理岗建议：经验35% + 项目25% + 技能25% + 学历15%
- 校招建议：技能30% + 学历30% + 项目20% + 经验20%
- 未指定时使用默认权重

快速入门

支持的文件类型

> ⚠️ 所有脚本文件均为纯文本 Python 源码（.py），不含任何二进制/编译产物，可安全审查。

任务目标

• 本Skill用于：智能评估求职者简历与目标职位的匹配程度
• 能力包含：
• 多格式简历解析（PDF/Word/TXT），通过 scripts/resume_parser.py 实现
• 职位需求智能提取与分析
• 简历-职位匹配度评分（0-100分），支持自定义维度权重
• 结构化分析报告生成（含标准化输出模板）
• 多简历批量对比与排序
• 关键差距识别与建议
• 隐私最小化处理，公平性保障
• 触发条件：HR需要进行简历初筛或候选人匹配分析时

前置准备

• 依赖说明：本Skill依赖以下Python包，请在使用前确保环境已安装
  PyPDF2==3.0.1 # PDF解析（主引擎） python-docx==1.1.0 # Word文档解析 # 可选：pdfplumber（PDF解析降级引擎，PyPDF2失败时自动切换）

操作步骤

标准流程

1. 准备职位描述(JD)
   - 提供目标职位的详细描述，包括：岗位职责、技能要求、经验要求、学历要求、行业背景等
   - 参考格式见 references/jd_template.md

2. 解析简历内容
   - 调用 scripts/resume_parser.py 解析简历文件
   - 支持格式：PDF、Word（.docx）、纯文本（.txt）
   - 命令示例：
   bash python scripts/resume_parser.py --file ./candidate_resume.pdf
   - 脚本返回 JSON，包含 resume_text（纯文本）、metadata（元信息）和 parse_status（解析状态）
   - 错误处理：

   • file_not_found：文件路径不存在 → 提示用户检查路径
   • format_unsupported：不支持的格式（如 .doc、.png）→ 建议转换为 .txt/.pdf/.docx
   • dependency_missing：缺少依赖库 → 提示安装命令或建议改用 TXT
   • parse_error：文件损坏或格式异常 → 建议重新上传
   • empty_content：文件可读但无文本内容 → 提示可能为扫描件/图片型PDF

3. 智能匹配分析
   - 智能体将执行以下分析：

   • 提取JD中的关键要求（技能、经验、学历、项目经验等）
   • 解析简历中的关键信息（技术栈、工作经历、项目、教育背景等）
   • 对比分析简历与JD的匹配程度
   • 识别简历的亮点和不足
   • 隐私保护：忽略年龄、性别、婚育等敏感信息，仅评估岗位相关维度
   • 公平性保障：不使用学校层级、年龄、跳槽频率等高偏差字段做评判

4. 生成结构化报告
   - 智能体按照「如何正确使用本技能」章节定义的输出格式生成分析报告
   - 报告包含：匹配度总分、分项评分、核心优势、关键差距、面试建议、综合评价
   - 人工复核提示（如触发门禁条件）

5. 批量处理（可选）
   - 当需要处理多个候选人时，可重复步骤2-4
   - 必须输出「候选人对比汇总表」，按匹配度排序
   - 批量淘汰率超 80% 时触发人工复核提示

6. 面试问题生成
   - 基于匹配分析中的"关键差距"，智能生成针对性面试问题
   - 问题分为三个层级：

   • 验证性问题：确认简历中声称的技能/经验真实性（5-8题）
   • 深挖性问题：探索关键差距领域的实际能力（3-5题）
   • 场景性问题：基于岗位实际场景考察解决问题能力（2-3题）
   • 每道问题标注：考察维度、预期回答方向、评分标准
   • 输出格式为结构化面试提纲，可直接用于面试

7. 技能差距提升建议
   - 针对简历中识别的关键差距，提供可操作的提升路径
   - 包括：推荐学习资源、证书建议、项目经验积累方向
   - 适用于内部人才发展、候选人能力评估反馈

可选分支

• 当简历格式特殊：如果脚本解析失败，根据返回的 error 和 suggestion 字段指导用户处理
• 当JD信息不完整：智能体将主动追问补充关键要求（如核心技能、经验年限等）
• 当需要深度分析：可要求智能体针对特定维度（如技术深度、管理能力）进行专项分析
• 当用户要求自定义权重：根据岗位类型推荐权重配置，并按自定义权重重新计算总分

常见问题（FAQ）

Q1：简历解析失败怎么办？

脚本返回的 JSON 中会包含 error（错误原因）和 suggestion（处理建议）。常见情况：
- 文件损坏：建议重新下载/导出简历后重试
- 格式不支持：请将文件转换为 .txt / .pdf / .docx 格式
- 依赖缺失：执行 pip install PyPDF2 python-docx 安装依赖
- TXT 乱码：脚本会自动尝试 UTF-8/GBK/GB2312/GB18030 多种编码，通常可自动解决

Q2：支持哪些简历格式？

Q3：图片格式的简历如何OCR？

当前版本不内置 OCR 功能。处理建议：
1. 将图片简历中的文字手动复制为 TXT 文件
2. 使用第三方 OCR 工具（如微信/QQ截图识别、在线OCR网站）提取文字后保存为 TXT
3. 将提取的文字内容直接粘贴给智能体进行分析

Q4：如何实现多简历批量对比？

1. 提供 JD + 多份简历文件
2. 智能体会逐个解析和分析
3. 自动生成「候选人对比汇总表」，按匹配度排序
4. 每人附独立分析报告和推荐等级
5. 支持在批量对比中使用自定义权重

Q5：权重怎么调整？

直接在需求中说明即可，例如：
- "技术岗，技能权重40%，项目30%"
- "管理岗，经验最重要，设为35%"
- "校招，学历和技能各30%"
未指定权重时使用默认配置（技能35%/经验30%/项目20%/学历15%）。

Q6：AI评分能直接决定录用吗？

不能。 AI 评分仅作为初筛参考，所有最终录用决策必须由 HR 和业务负责人人工复核确认。AI 评分不替代面试评估、背景调查等招聘流程。

资源索引

• 必要脚本：见 scripts/resume_parser.py（功能：解析PDF/Word/TXT格式简历，提取文本内容，返回JSON格式结果，含错误处理）
• 分析参考：见 references/resume_analysis_guide.md（何时读取：需要了解分析框架、评分标准和公平性原则时）
• 模板参考：见 references/jd_template.md（何时读取：编写或完善职位描述时）
• 面试指南：见 references/interview-guide.md（何时读取：需要生成面试问题或技能差距提升建议时）

注意事项

• 脚本仅负责简历文本提取，所有分析评估由智能体完成
• 匹配度评分基于内容分析，建议结合面试验证
• 评分标准应结合岗位实际需求动态调整
• 公平性声明：评分仅基于岗位相关能力（技能、经验、项目、学历层次），不使用学校层级、年龄、性别、跳槽频率等主观偏差字段
• 人工复核：高敏感/高额岗位评分需人工确认，禁止仅凭自动分一票否决
• 优先使用结构化清晰的简历，解析效果更佳
• 批量处理时注意质量与效率的平衡
• PDF/DOCX 解析依赖 PyPDF2 和 python-docx，TXT 格式无额外依赖

使用示例

示例1：单个候选人匹配分析

• 场景：HR收到一份Java开发工程师简历
• 操作：提供JD + 上传简历文件
• 输出：匹配度评分（如82/100）+ 分项评分 + 核心优势 + 关键差距 + 面试建议

示例2：批量初筛排序

• 场景：收到10份产品经理简历需要排序
• 操作：提供JD + 上传10份简历
• 输出：按匹配度排序的对比表 + 每人单独的分析报告，标注推荐等级

示例3：自定义权重的技术岗筛选

• 场景：架构师岗位，最看重技术深度和项目规模
• 操作：提供JD + 说明"技能权重40%、项目30%" + 上传简历
• 输出：按自定义权重计算的评分报告

示例4：文件解析失败处理

• 场景：上传的简历是损坏的PDF
• 操作：脚本返回 parse_status: "parse_error" + 错误描述
• 输出：明确告知用户"文件可能已损坏"，建议重新上传或改用TXT格式

示例5：敏感信息处理

• 场景：用户要求"只筛35岁以下的候选人"
• 操作：提醒该要求存在年龄歧视合规风险
• 输出：建议聚焦经验和能力维度进行筛选，忽略年龄信息

版本历史

• v1.2.18：增强简历解析脚本稳健性（多编码支持+PDF双引擎降级）；中性化评分框架（移除学校层级/年龄/跳槽频率的评判权重）；分析指南新增公平性声明与人工复核门禁；新增FAQ章节（解析失败/格式/OCR/批量/权重）
• v1.2.16：修复二进制文件上传问题（移除.pyc编译产物）；增强输出格式规范
• v1.2.15：补全简历解析脚本实现；新增隐私最小化声明
• v1.2.14：离线降级修复
• v1.2.0：新增面试问题生成与技能差距提升建议
• v1.1.0：基础简历匹配分析功能
• v1.0.0：初始版本

许可证

本技能基于 MIT 许可证开源，允许自由使用、修改和分发。