候选人体验优化清单

招聘流程中的隐性体验损耗

在招聘周期中，候选人往往需要经历投递、筛选、面试、背调、入职等多个环节。任何一个触点的信息断层、反馈延迟或流程断层，都会导致候选人体验劣化，进而引发人才流失或毁约。然而，HR团队通常缺乏系统性的审计手段，难以从结构化数据和现有文档中准确定位这些痛点，往往只能依赖主观印象进行局部修补。

全触点审计与结构化分析

该技能通过自然语言交互或文件上传，对候选人从投递到入职的全链路体验进行系统性审计。核心执行流程分为三步：

1. 事实提取与参数校验：从用户原话或上传文件中提取已确认事实（如目标岗位、招聘场景、适用地区与时间），仅追问完成任务所缺的最少必要项。随后，脚本会对输入的字段、口径、时间范围和异常值进行校验。
2. 确定性计算与依据分离：在需要结构化检查时，技能会将确认信息写入内部临时 JSON，并调用 python scripts/run.py --input <file> --output <file> 进行计算。输出结果严格区分事实、计算参数、判断依据、待确认项和下一步行动。涉及外部基准时，会明确标注来源、样本时间及适用范围。
3. 多维交付物生成：在对话中优先给出结论与关键明细，随后按需生成可下载的 Markdown、CSV、XLSX、DOCX、PDF、Mermaid 图表或图片，直接用于招聘复盘或流程改造。

边界与合规约束

在处理企业招聘数据时，必须严格控制权限与合规边界：

• 零侵入与最小数据：不强制要求蚂蚁HR账号或内部员工编号，仅处理任务所需的最少个人信息，绝不索要无关的身份证号、账号密码或完整病历。
• 决策合规：严禁依据性别、年龄、婚育、籍贯、民族、健康等敏感属性作出任何人员决策。
• 状态真实：除非宿主工具实际执行并回读结果，否则不声称数据已发送、申报、审批或写入业务系统。若输入信息不足，将直接输出待补充清单，绝不用看似精确的内容掩盖未知事实。