AI面试评分标准设计

要解决的具体问题

手动设计AI面试评分标准时，工程师常面临四个实操痛点：评分维度易遗漏（如仅关注技术能力却忽视沟通协作）、权重分配缺乏数据支撑（拍脑袋定百分比）、通过阈值与岗位需求脱节（如初级岗设过高分数线）、合规风险隐性存在（未触发性别/年龄等敏感属性过滤）。这些问题可能导致初筛结果偏差，甚至引发劳动仲裁。

核心能力与工作步骤

该技能通过结构化输入提取+确定性计算流程解决上述问题，核心能力包括：

• 信息提取与最小追问：从用户自然语言（如“为Java开发岗设计AI初筛评分”）或上传文件中自动提取目标岗位、现有招聘数据、地区时间等最少必要项，仅对缺失字段（如岗位特殊要求）发起单次追问，不要求填写内部JSON或员工编号
• 结构化检查与参数计算：优先校验字段完整性（如招聘要求是否包含硬技能清单）、时间范围一致性（如避免将2020年旧标准套用于2026年岗位）、异常值（如历史数据中某项权重突然变为0%），随后生成包含评分维度（如技术能力30%+项目经验25%）、通过阈值（如总分≥75分）、人工复核触发条件（如候选人得分接近阈值±5%时）的标准化明细
• 可复核交付物生成：支持输出Markdown格式的评分标准文档（含维度定义/权重计算依据）、CSV格式的历史数据对比表（如各岗位平均分变化趋势）、Mermaid流程图（展示AI评分与人工复核的触发逻辑），并通过python scripts/run.py生成确定性计算结果（需将已确认信息写入内部临时JSON）

适用边界与注意点

• 不要求蚂蚁HR账号或员工编号，仅处理任务所需的最少个人信息（如候选人姓名/学历，但明确拒绝身份证号/密码等敏感信息）
• 不声称已执行发送/申报/审批等动作，除非宿主工具实际回读业务系统状态
• 外部数据引用需标明来源（如“基于2024年某行业薪酬报告”），无法核验时必须写明假设（如“假设某地区技术岗平均面试分为70分”）
• 禁止依据性别/年龄/婚育等敏感属性生成评分建议，合规校验会作为必选检查项输出
• 输入信息不足时，直接生成“待补充清单”（如缺失岗位描述文件），而非用猜测值填充结果