福桃九分饱1. 简历筛选环节：从"看运气"到"看体系"的AI重构
先说个我最近复盘招聘流程时的真实感受：团队每次开放一个高级开发岗位，HR筛完一轮简历，能递到技术负责人手里的可能还有三五十份，而这三五十份里，真正值得约面试的往往不到十个。大多数简历看下来就是三个问题——项目经验写得像流程清单、技能栈堆得毫无重点、隐藏的实际贡献根本看不出来。传统简历筛选本质上是"猜"，猜哪个人可能有潜力，猜哪些描述背后是真实能力。而AI能做的，是把"猜"变成"量化比对"，这也是"AI人才简历评估"这个方向真正有价值的地方。
1.1 筛选逻辑的转变：关键词匹配已经不够用了
早期很多团队用简单的关键词过滤，比如简历里必须包含"Java"、"微服务"、"Kubernetes"，命中几个才过初筛。这种方式在岗位要求极其明确的场景下有一定效率，但缺陷也摆在明面上：候选人可以堆关键词，而简历里真正体现能力的是项目描述和成果数据。这里推荐用语义向量检索的方式替代纯关键词。具体做法是把简历文本切分成段落，用嵌入模型（Embedding Model）转成向量，再和岗位要求文本的向量做余弦相似度计算。相似度高的简历优先进入人工初筛。
选模型方面，我建议优先考虑开源的中文场景适配好的嵌入模型（如基于BERT系微调的简历语义模型），或者直接用主流大模型平台的Embedding API。实际测试下来，对中文简历的语义理解要比纯关键词召回高不少。比如一份简历写"负责订单系统的性能优化，QPS从800提升到3000"，如果岗位要求是"高并发系统调优"，关键词匹配大概率抓不到，但语义检索能把这类简历顶上来。
1.2 技能图谱与经验量化：让简历"开口说话"
简历筛选里最容易被人忽略的是技能之间的关联性。一个人的能力不是孤立技能点的叠加，而是技能组合后能解决的问题。我建议在筛选阶段构建一个简单的"技能图谱"：把候选人简历中出现的技能实体抽取出来，再通过预设的岗位技能权重矩阵进行综合打分。
举个例子，一个后端岗位的技能权重可以是这样的：
- 编程语言（Java/Go/Python）占20%，其中并发编程能力权重最高
- 中间件（Redis、Kafka、MySQL）占25%，重点看是否处理过数据一致性、消息积压等真实问题
- 架构设计能力占20%，从简历中的系统设计描述里提取
- 工程质量与运维意识占15%，看CI/CD、监控、日志相关经验
- 软技能与协作占10%，从项目协作描述中提取
- 业务理解与产品思维占10%，看是否主动思考业务指标
AI抽取技能实体并不难，用大模型的Function Calling或者信息抽取Prompt就能实现。更关键的是定义每项技能的"年份"和"深度"描述。很多简历会写"熟悉Kafka"，但使用者可能只是写了个生产者消费者demo。判断深度要靠项目描述里的细节。比如"处理过Kafka分区扩容带来的消息乱序问题"这种表述，就能大大加分。综合评分时，我给每项技能的深度划分了等级：了解（2分）、应用（5分）、调优（8分）、源码级理解（10分），然后结合项目数量取加权平均。
注意：AI筛简历只能做冷启动的初筛，不能直接替代面试官。它最大的价值是把明显不匹配的简历过滤掉，把有潜力的简历捞出来，最终决策必须由人来做。
1.3 模型选型的成本与效果权衡
简历筛选用到的AI方案大致分几类：
- 纯规则/关键词系统：成本低，但精度有限，适合岗位描述极度标准化的批量招聘
- 大模型API调用：将简历文本和岗位JD输入给大模型，让它输出结构化评分和原因。这种方式效果最好，但单份简历成本在几分钱到几毛钱之间，大批量筛选时需要考虑预算
- 本地部署开源模型：适合有隐私要求、简历数据不能出内网的团队，但需要GPU资源和工程维护成本
以我实践的经验，最务实的路径是"混合模式"：先用关键词和规则把完全不符合的简历粗筛掉（比如学历硬性要求、五年以下经验等），再对剩余简历调用大模型API做深度语义评估。这样能把成本控制在合理范围，又能保证评估质量。这里要特意提醒，不要一开始就追求部署最贵的模型。很多情况下，一个70亿参数级别的开源模型在简历信息抽取和评分任务上已经够用，关键是设计好Prompt和评分规则。
筛选阶段的产出物应该是一份结构化的候选人等级表，包含：匹配度评分、技能亮点提取、风险点标注（比如频繁跳槽、技能描述过度包装）。有了这个表格，后续的技术面试、代码评审和项目复盘就能有的放矢。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术面试设计：从"背八股"到"探测能力边界"
简历筛选只是第一步。真正决定候选人是否合适，还得靠面试环节。但传统的技术面试存在一个老大难问题：问题设计随机，评价标准模糊，面试官个人偏好影响过大。AI在这里的价值不是替代面试官，而是帮面试官把问题设计得更系统、评价更客观。结合很多团队在实践的"技术面试六步法"，下面拆解一下AI如何融入每一步。