智能招聘

要解决什么问题

招聘链路里常见两类失误：一是没有先对齐岗位标准就开始比简历，导致排序口径漂移；二是把解析器或模型的推测当成事实，用在硬淘汰或风险定性上。多人协作时，JD、简历字段质量、评分依据和人工决策点也容易散落在对话里，事后难以复核。

技能如何工作

本技能把流程固定为「基线 → 解析 → 质控 → 评估 → 产物」，并按任务类型只加载对应的 reference，而不是一次性读完全部文档。

• 建立岗位基线：有 JD 时按 jd-parsing.md 提取职责、必备/加分项、硬门槛与权重；无 JD 时用 position-requirement.md 补齐，关键标准缺失会先向你确认。
• 解析与去重：按 resume-parsing.md 调用 scripts/batch_processor.py；批量场景先用 scripts/dedup_checker.py 保留重复判断证据，不自动删档。
• 解析质量门禁：核对时间线、公司/岗位、项目、教育、技能与联系方式，记录 parse_confidence；低置信度字段不得用于硬淘汰。
• 证据化评估：结合 evaluation-dimensions.md 动态配权，按 risk-detection-guide.md 标出需面试核验的矛盾；评分、风险与建议都引用简历/JD/面试片段。
• 结构化输出：以 _evaluation.json 为真值，再生成与之一致的 _evaluation.md；批量任务额外给出对比表，展示岗位、评分版本、证据覆盖率与不确定性。

边界与注意点

默认对手机号、邮箱、住址与证件信息脱敏；不使用年龄、性别、婚育等受保护或与岗位无关特征做筛选。风险线索是核验方向，不是欺诈定论；录用、淘汰、背调与薪酬审批仍由授权人员决定。OCR 与复杂版式可能错位，解析失败时应粘贴文本而非凭文件名评估；薪酬与法规类结论需结合权威来源并注明日期。