我现在招人有个固定习惯每天早上到工位先打开豆包工作看一眼我那个AI招聘官整理好的候选清单。这个AI招聘官不是什么高级付费软件是我自己在豆包工作里一点一点“养”出来的智能体——给了它招聘官的人设教会它识别我关注的技能栈让它按我定的规则给简历打分排序每天定时去简历池里捞新投递最后把结果整理成一份带推荐理由的清单推给我。我只需要从里面挑出值得面试的人约时间每天十分钟。先说清楚我并不是什么大厂HR只是个带着小项目的技术负责人。过去每次补人最耗我的不是面试而是面试前的海选。简历池里躺着几百份简历用关键词搜一遍、人工翻一遍、再排除明显不合适的大半天就没了而且看多了之后眼睛和脑子一起糊。后来我把这一整套流程拆开交给豆包工作里的AI智能体去执行才算是从这摊简历里解放出来。这篇文章想把整件事讲透从需求梳理、智能体配置、筛选规则设计到调试过程中踩过的那些坑。只要思路通你用不用豆包工作其实都成立换到任何AI智能体工作台都能落地。适合两类人看被简历淹没的招聘HR以及需要自己动手招人的技术团队负责人。1. 先聊一个真问题传统简历海选到底难在哪1.1 三座山渠道散、匹配野、人眼会糊先说渠道。一个岗位挂出去简历会从各种地方冒出来招聘平台的投递、内部同事的推荐、邮箱里的自荐信、技术群里直接私聊我的。格式更是五花八门PDF、Word、在线简历链接、甚至有些人直接甩一个网盘地址。每一份都要人工打开、识别、归类光是把这些收齐再整理成能被统一检索的状态一两个小时就没了。再说匹配。用过传统搜索的人都有体会关键词设粗了出来的结果一大半是培训机构批量制造的模板简历看着每份都有“精通XX”细看全是套话关键词设细了又容易漏掉真正合适的人。因为关键词匹配是字面匹配“主导过秒杀系统”和“负责过年中大促系统稳定性”很可能描述的是同一类能力但搜索引擎根本不会告诉你这两份简历有什么关联。更麻烦的是人的状态。连续看三四十份简历之后我明显感觉到自己开始“扫标题”而不是“读内容”下午看简历跟早上看简历得出的是两套判断。这种不一致对候选人不公平对用人也没好处。我试过用几个固定的打分表强迫自己保持标准但处理几百份简历的体量时次数一多标准照样飘。1.2 为什么这件事可以交给AI后来一个偶然的机会我在豆包工作里试着建了一个简单的智能体发现它改变了我对简历筛选的整个认知。豆包工作这类AI智能体工作台底层是大语言模型它读一份简历的时候不是在做关键词匹配而是在理解语义。“高并发”“秒杀系统”“千万级流量”这些表述在它看来是同类能力的上下文不是三个孤立的关键字。这一点传统搜索工具给不了。更关键的是它能稳定地重复劳动。AI不会累凌晨两点投进来的简历第二天早上就能出现在我的候选清单里也不会因为心情不好把标准放松。每天跑同一套规则出来的结果稳定可追溯哪份简历为什么高分、为什么低分每一步都有记录。这种确定性恰恰是人工海选最缺的东西。简单说我决定“养”AI招聘官并不是指望它比我聪明而是指望它能用我定下的标准替我完成最枯燥的那部分重复劳动。思路想清楚了后面搭起来就顺了。2. 养AI招聘官之前先想清楚四件事我见过不少朋友一上来就急着建智能体把JD往里一贴就让它干活结果出来的候选清单惨不忍睹。问题不在AI在于动手之前没想明白自己要什么。养AI招聘官这件事最花时间的其实是开工前的需求定义。2.1 第一件事一次只养一个岗位最开始我试过一个智能体同时筛后端和产品经理两个岗位效果非常差。原因不复杂两个岗位的“匹配”标准完全不一样打分维度搅在一起AI经常把一个懂业务逻辑的后端工程师误判成产品候选人或者反过来。后来我改成“一个岗位养一个智能体”评分标准各管各的问题立刻消失了。如果你的团队同时在招好几个岗位我的建议是宁可多建几个智能体也不要让一个智能体身兼数职。把标准分开调优时也方便定位问题。2.2 第二件事简历到底从哪里来AI再聪明也得有数据源。简历入口越分散后面的解析就越痛苦。我吃过这个亏一开始把招聘平台后台、邮箱、微信群三个渠道都直接交给智能体去读结果有的简历是全文、有的是附件、有的干脆是聊天记录里的几行文字解析效果跟拆盲盒一样。后来我定了个规矩所有需要AI初筛的简历统一收口到一个固定的网盘文件夹里或者用邮件规则把相关简历自动归档到同一个邮箱文件夹。入口单一之后智能体每天的“捞简历”动作变得非常简单可靠。这一步几乎没有技术含量但对结果稳定性影响非常大。2.3 第三件事把筛选标准改成可打分的条目这是整个搭建过程里最花时间、也最值回票价的一步。JD是给求职者看的里面很多词其实是模糊修辞但AI执行规则的时候需要的是能判断、能打分、能排序的明确条目。举个例子。同样一句话——“希望候选人有扎实的编程基础”我写进规则的时候就会拆成能读懂主语言代码的复杂度能说清楚至少一个项目的技术架构能区分“参与”和“主导”的表述差异。如果只是把原封不动的JD喂给AI它只能凭感觉给分跟扔硬币差不多。我给自己定了个检查标准每一条筛选规则都能回答“我怎么知道候选人满足它”这个问题。答不上来的规则要么拆细要么删掉。2.4 第四件事想清楚你要它产出什么“AI招聘官”最后给你看的不是聊天记录而是一份可以直接用的产物。我的选择是每日候选清单包含排名、评分、推荐理由、风险标记。后来我又加了两个字段淘汰原因摘要和候选人标签——前者用来复盘标准后者用来支撑后续的面试提问准备。刚开始建议不要太贪心先要一份“能直接约面试的清单”就够了。我见过有人让AI同时做简历筛选、面试题生成、薪资建议和入职沟通结果智能体每件事都在做每件事都做不深。3. 动手实操在豆包工作里搭一个AI招聘官需求想清楚之后实际操作其实是按部就班的。我以自己配置的后端工程师招聘智能体为例把关键步骤拆开讲。3.1 立人设写一份合格的招聘官系统提示词豆包工作里的智能体本质上就是“人设工具任务流程”。人设是通过系统提示词立住的这步决定了后面所有产出的基调。我给的提示词大概长这样# 角色设定 你是一名资深技术招聘顾问专门负责筛选【高级后端工程师】岗位的简历。 # 任务 每天定时读取简历库中的新增简历为每份简历完成解析、评分和排序 输出候选清单。 # 硬性要求一票否决 1. 统招本科及以上学历 2. 3年以上后端开发经验 3. 简历中有真实可描述的项目经历 # 加分项 - 有大流量/高并发系统设计经验 - 有团队技术管理经验 - 有开源项目或技术博客 # 排除项 - 两年内换过3家以上公司且无合理解释 - 学历信息明显与岗位要求不符 # 评分规则百分制 - 核心技能匹配40分 - 项目质量与复杂度20分 - 相关经验年限15分 - 履历稳定性10分 - 学历背景10分 - 加分项5分 # 输出格式 按总分从高到低输出Markdown表格字段包括 排名、姓名、工作年限、核心技能、当前公司、推荐理由、风险标记、总分。 每次最多输出10份简历。几个关键点说一下。第一“硬性要求”我明确写了“一票否决”这跟后面的打分体系是分开的避免AI把学历不合格但技能很强的人硬排到前面。第二加分项必须具体不要写“有责任心”“学习能力强”这种没法核验的虚词。第三输出格式写死AI才知道你只关心那十个字段不会东拉西扯。我的体会是人设越具体AI的状态越稳定。把“你是一名招聘顾问”和“你是一名只看后端岗位的招聘顾问”分别写进提示词跑出来的结果风格完全不同。3.2 配规则解析简历与打分权重的设置提示词里已经写了评分规则但真正让规则“可执行”的是拆解。豆包工作的智能体通常会提供结构化输出的能力我让它先把每份简历解析成统一字段再基于这些字段打分。这样我能随时看到分数是怎么来的而不是面对一个神秘总分。我常用的评分权重表长这样评分维度权重打分要点核心技能匹配40与岗位主语言/框架的匹配度能识别相近技能栈的迁移价值项目质量与复杂度20是否有可验证的结果描述项目规模、技术难点相关经验年限15后端方向的有效工作年限而不是总工龄履历稳定性10每段工作的持续时长异常跳槽频次学历背景10统招学历、专业相关度加分项5开源贡献、技术输出、带人经验权重不是一成不变的。我的习惯是每两周复盘一次如果连续几周发现“学历”这一项卡掉了一大批可以面试的人我就把它的权重降一降如果“项目质量”的区分度不够导致一堆人挤在75分附近我就把这一项的描述再细化。评分规则是活的东西得跟着市场反馈调。3.3 定节奏触发时间与推送渠道怎么选AI招聘官不是越勤快越好。我第一次配的时候让它每隔两小时检查一次新增简历当天收到的提醒就超过三十条到第二天我已经开始无意识地忽略通知了。后来改成固定时间触发每天早上九点半推一份“昨日新增简历日报”把最多十条候选和各自的推荐理由一起汇总。这样我每天只需要一次性处理节奏舒服了很多。推送渠道我选的是内部协作群机器人加一份在线文档链接。机器人里只放摘要和排名文档里是完整解析和评分明细。在手机上看摘要到工位再开电脑看明细两种场景互不干扰。3.4 留闸门人工复核这一步不能省AI招聘官的角色是初筛不是决策。它推过来的清单只是告诉我“这批人值得看一眼”绝不等于“这十个人可以直接约面试”。我会在每天早上花十分钟过一遍清单重点看推荐理由里有没有明显的判断问题再看一下被我手工捞回的高分候选人是否符合直觉。这里要提醒一句简历属于个人信息喂给AI之前要先确认平台和渠道符合你所在团队的数据管理规定。个人版账号处理批量简历肯定不合适要走企业授权的工作台或者在喂数据之前先做脱敏把手机号、身份证号这类字段去掉。安全边界想不清楚的时候宁可手工筛也不要图方便。4. 调优实录踩过的坑和排查思路配置只是起点真正的经验全在调优过程里。我把自己踩过的坑和排查思路整理出来希望能帮你少走几条弯路。4.1 坑一关键词设得太硬好简历被漏掉第一次跑数据的时候我在硬性要求里写了“必须有Golang相关经验”。结果一个八年Java、系统设计能力非常强的候选人被排在很后面差点漏掉。原因是我的规则不允许“相近技术栈”的迁移价值被认可。排查之后我把条件拆成了“真硬”和“软硬”两层。真硬的一票否决只有学历底线和有效工作年限技能栈偏好改成加权项允许AI评估“相近技术栈快速学习能力”的组合价值。调整之后Java背景的优秀候选人不再被误杀而Golang本身的权重依然最高。4.2 坑二AI容易“信”简历上的自卖自夸简历里“主导了千万级用户系统”“负责过核心链路优化”这类话出现频率远超真实情况。AI单独看某一句话的时候缺乏经验去判断这是真实成果还是套话容易被漂亮的形容词带偏。我的解决办法是在规则里加了一条“结果核验”要求项目描述必须含有可验证的结果词比如“QPS提升50%”“响应时间下降80%”“成本节约30%”只有“参与”“负责”而没有具体结果的要在风险标记里标明“表述笼统”。另外凡是出现“主导”“从零搭建”这类强表述但项目细节支撑不足的AI要主动标红而不是直接采信。4.3 坑三推送太频繁第二天就不想看了这个问题前面提过再展开说一下。AI执行任务的频率如果太高会让使用者产生通知疲劳最后连最关键的提醒都被淹没了。这是“工具反而制造噪音”的典型场景。我的最终方案是日报制度加“上限机制”每天最多推十条超过十条的部分作为附件形式躺在文档里不推送到聊天窗口。候选人特别少的阶段我会把频率再降到两天一条。宁可让AI闲着也不要让它用提醒刷屏。4.4 坑四简历数据进AI前必须想清楚安全边界简历里包含大量个人敏感信息手机号、身份证号、住址、薪资、家庭成员结构。它们本来只应该出现在有限的招聘流程里一旦进入AI处理链路就要格外慎重。我在这件事上给自己立了几条规矩第一绝不用个人版账号处理批量简历第二优先使用团队已做合规评估的AI工作台第三喂给AI之前做脱敏处理凡是跟候选判断无关的敏感字段全部清除第四每轮招聘结束后定时清理历史数据。这四条看起来保守但一旦出事代价远超省下来的那点时间。4.5 坑五AI天然乐观评分规则要加红旗项我还发现一个规律AI在简历评估上天然偏向积极。同一份有明显跳槽问题的简历它给评语时容易说“候选人经历丰富”而不是“候选人稳定性存疑”。这是模型训练的通用倾向不是它故意撒谎。应对方式是在评分规则里显式加入“红旗项”。我设了三个频繁跳槽且无合理解释、较长空窗期且无交代、学历信息与岗位要求明显不符。红旗项不直接清零但会把候选人压进“需人工复核”的区间逼迫我亲自看一眼再决定。这套坑踩下来我总结了一份简单的排查速查表如果你也搭了类似的AI初筛流程可以直接对照症状可能原因处理方向清单里一堆模板化简历渠道未收口数据源太杂统一简历入口高分候选人面完反差极大评分规则缺结果核验增加“结果词”校验优秀候选人被漏掉硬性条件太死板拆分真硬/软硬条件每天提醒多到不想看触发频率过高改日报上限机制分数普遍集中在80分以上AI过度乐观增加红旗项和负向分5. 效果复盘AI招聘官到底帮我省了什么这套东西跑了大概一个月我把过程数据做了一个简单复盘真正值钱的地方比预想中清晰。5.1 一组复盘数据从简历海选到面试邀约以当时的后端岗位招聘为例一个月内的数字大概是这样指标数量简历池新增量860AI初筛通过62人工确认可约面28实际进入面试21发出offer5最终入职3最直观的变化是时间以前每周花在简历海选上的时间约八小时现在压缩到每天十分钟审阅。粗算一下一个月省出差不多三十个小时这些时间基本都转移到了核心业务和面试准备上。第二点变化是标准的稳定性提高了。我用同一套规则跑了三十天中途只调过两次权重整批次产出的候选质量没有出现明显波动。这一点在人工筛选中几乎不可能做到。5.2 边界在哪AI做不了的还是得靠人AI招聘官解决的是“把大量简历压缩成少数候选”的问题但它的能力边界很明确。它读得懂简历读不懂面试现场的气场和沟通它能按规则初筛但定规则的人必须自己先想清楚岗位到底要什么背景调查、引用核实、薪资谈判这些环节一点都自动化不了。还有一个微妙的地方AI可以在简历里看到“这个人做过什么”但很难判断“这个人未来能做成什么”。后者靠的是面试官的经验和直觉。我现在的分工是AI负责把九成不合适的简历挡在外面我负责对剩下的一成人做出最终判断。5.3 不止招聘这套“养智能体”的思路能复制“把标准写成可执行的规则让AI去做重复劳动人只保留最终决策”这套思路换一个领域完全成立。我后来用同样的方式处理过客户留言分类与优先级排序让智能体按照紧急度和价值度给工单分档也试过项目周报汇总让它自动从各类进度文档里提炼风险点。效果都不错。这里的底层逻辑是一样的先定义清楚标准再让AI稳定执行最后用人工复核兜底。不管是在豆包工作还是别的平台这套方法论都能平移。5.4 复用清单想照做的话需要准备什么如果你也想搭一个自己的AI招聘官我列了一份最小落地清单照着准备就行一份拆碎了的岗位JD每个要求都能回答“怎么判断是否满足”一个统一的简历收口渠道尽量让入口单一化一张评分规则表写好维度、权重和打分要点一个固定的推送时间加上结果上限机制一个每天/每周固定时段的人工复核流程把这五样东西准备齐AI招聘官的骨架就立住了。剩下的事情就是跑数据、看结果、调权重小步迭代。我个人的体会是AI招聘官最值钱的不是它替我翻了简历而是逼着我把“我到底想招一个什么样的人”这件事想清楚了。以前写JD是给求职者看的语言可以含糊现在要把标准写成AI能执行的规则就必须把每条要求排序、量化、写成能判断的语句。这个“被迫变得清晰”的过程受益的不只是招聘连后面面试的提问方向都顺了。最后分享一个小技巧别让AI直接丢弃被它筛掉的简历。让它把淘汰原因浓缩成一列表格每周扫一眼。如果连续几周被淘汰的人都卡在同一条标准上那多半不是候选人不行而是你那条标准本身定得不合理。这时候你的AI招聘官其实不是在帮你筛人是在帮你审自己的用人观。