HR人力简历自动化配对

要解决什么问题

招聘团队往往要从论文、公开资料里找潜在候选人，再对照 JD 做学历与经历核验，最后起草外联邮件并跟进回复。手工流程里，证据分散、匹配口径不一，还容易在「信息不足」时误推进，或在发信环节缺少可审计的审批链。

本技能把采集、证据归档、语义评估与草稿准备串成一条可复现流水线，但明确保留一条原则：录用决策、补全个人隐私、自动发信都不交给模型或脚本自行完成。

技能如何工作

首次使用前需在 config/jobs.yaml 为每个岗位维护独立映射，在 config/settings.yaml 填写外联邮箱与署名，并配置运行环境中的 DEEPSEEK_API_KEY（模型为 deepseek-v4-pro）。SQLite 库默认落在 data/recruitment.db。

典型运行顺序如下：

• 用户指定明确的起止日期后，按 config/sources.yaml 逐源采集（不做定时任务）。
• 缺关键词时运行 enrich_keywords.py，生成词与原始词分开标注。
• match_jobs.py 用 DeepSeek 做语义判断：高度匹配 / 可能匹配 进入作者调查，信息不足 进人工复核，不匹配 仅留审计。
• investigate_authors.py 只查第一作者、共一与通讯作者；证据用 add-evidence 落库，不推断邮箱或受保护属性。
• 学历硬条件与优选条件对照后，证据不足标记为 待人工核验；用户批准后写入 approve_candidate，再 prepare_outreach 生成 Lark 草稿。
• 首信、第 7 天与第 21 天跟进、以及回复，均须预览后单独审批再 authorize-send 发送；回复线程用 lark-mail +thread 拉全量后由 process_replies.py 处理。

审批动作（如 send_initial、send_followup-1、close_candidate 等）必须写入 SQLite；会话里口头同意不能替代发信授权。

适用边界与注意点

• 只纳入有正式录用或发表证据的论文；邮件仅使用完整公开职业邮箱。
• 身份冲突、证据不足、进入外联列表、任意发信或退订/删数等模糊操作前，流程会停住并交还人工。
• 外联前需先读 lark-shared、lark-mail 相关说明；默认建草稿、禁止批量发送；退订 视为全局终止联系。
• 采集前读 references/data-sources.md，调查与筛选前读 references/screening-policy.md；邮件规范见 outreach-guidelines.md 与 reply-classification.md。
• 数据保留默认 180 天，retention-review 只列清单不自动删除；删数需单独批准。