设计师作品集视觉评估

要解决的问题

设计师岗位的简历往往能筛出一半合格的人，剩下的一半只能从作品集里看出来。HR 和招聘官面对的实际麻烦是：一份 PDF 几十页，排版、配色、交互描述混在一起，手工翻一遍要十几分钟，看完也很难用统一的标准给候选人分层。结果就是初筛容易靠第一印象，既漏掉「封面页做得漂亮、正文页一团糟」的候选人，也容易把「简历一般、作品扎实」的人误杀。

cv-portfolio-review 解决的是招聘漏斗 L2 层这一段的评估标准化问题。它和 L1 层的 cv-hunter（简历文本评估）配套，把「简历能聊」和「作品能用」拆成两个独立但连续的评估动作。

技能如何工作

输入是候选人作品集 PDF 或页面截图（PNG / JPEG / WebP），每张截图视为一个独立评估任务，由 Gemini 3.6 Flash 视觉模型分析。

评估维度分为两块：

• 视觉质量（visual_score）：版式与信息层级、字体与留白、色彩与风格一致性、组件一致性、视觉动线
• 交互深度（ux_score）：页面流程与交互逻辑、B 端 / 控制台场景适配、案例叙事完整度、组件复用与设计规范、业务转化意识

工作流程大致是：把作品集 PDF 放进 resumes/ 目录，由 PyMuPDF 渲染成页面图片，Python 3.9+ 做本地预处理，再交给 LoomLoom CLI 调云端视觉模型，逐页出分，最后聚合成候选人级别的报告。

输出包括三类文件，写在 ../output/ 目录：

• portfolio-assessment-report.md：候选人排名报告，含评分、分层、亮点、风险与面试建议
• result-rows.json：云端返回的原始结果
• local-audit.json：本地审计结果

分层规则基于总分和问题严重度：

• strong：总分 ≥ 80 且无 P0/P1 问题
• medium：60–79，或存在少量 P2 问题
• weak：总分 < 60，或存在 P0/P1 问题

评估不是只看分数，报告里要求带证据：每页的 visual_score 和 ux_score 背后要指向具体的版式、组件或叙事问题，面试官拿到的是可以直接追问的素材。

适用边界

先要明确它不做什么。 这个技能不做作品集内容真实性验证，不查版权归属，也不判断候选人的工程实现能力——它看的是页面本身呈现出来的视觉质量和交互案例深度。

页面选择是最大的坑。 分数异常低通常是因为选了封面、目录或个人履历页。评估对象必须是产品设计页（控制台、界面、模块），否则分数会严重偏离真实水平。

输入有硬限制。 图片格式只接受 PNG / JPEG / WebP，单文件需小于 10MB，超出时上传会失败。

成本按任务计费。 每张页面截图算一个任务，建议定价 ¥0.10/任务（成本约 ¥0.08）。批量盘点多位候选人时，费用随页数线性增长，挑选有代表性的页面比全量跑完更划算。

API 限额需要提前确认。 运行依赖 LoomLoom CLI 登录状态和 Gemini API 限额，中途配额耗尽会让批量任务中断。

它更适合初筛阶段，不适合作为最终录用依据。 L2 的作品集评估给出的是排序和风险提示，设计负责人的终面判断仍然不可省。