首页行业百科简历筛选的三种做法对比与合规提醒:从人工逐份翻看到 AI 智能体执行

简历筛选的三种做法对比与合规提醒:从人工逐份翻看到 AI 智能体执行

2026-11-20 01:19:42

招聘专员每天早上打开招聘平台,一条条点开打招呼记录:看学历、看是否在校、看到岗时间、看实习周期、看期望薪资,再翻工作经历里有没有写过软文、跑过社媒。看完分两拨,能聊的下载简历转给自己,不能聊的退回拒绝池。这套动作熟练的人一天能处理几十份,但口径藏在脑子里,换个人就换一套标准,出了问题也说不清当时为什么这么判。

这正是做这篇简历筛选的三种做法对比与合规提醒的出发点。企业在这个环节上通常有三种选择:纯人工翻看、关键词与规则过滤、由 AI 智能体按岗位要求生成标准并执行完整动作链。它们不是新旧替代关系,而是各自适配不同的规模、岗位和风险等级。下面把三种做法逐一拆开,再讲清楚 AI 参与简历筛选时,哪些合规底线必须先划好。

简历筛选的三种做法对比与合规提醒:从人工逐份翻看到 AI 智能体执行_图1

一、先把问题说清楚:简历筛选到底难在哪

在比较做法之前,需要先明确这项工作的三个真实约束,否则很容易把“筛得快”当成唯一目标。

  • 输入是非结构化文本。简历来自招聘平台导出件、邮箱附件、PDF、图片扫描,字段位置五花八门,同一段经历有人写成一句话,有人写成五行。
  • 判断标准是复合的,且分层次。学历门槛、身份状态、到岗时间、实习周期、薪资预期属于硬性条件,通常是一票否决;文案写作、内容运营、信息整合、专业匹配属于能力项,需要综合权衡。两类条件混在一张 Excel 里用同一套分数处理,几乎必然出错。
  • 结果要能答复候选人,还要能对内解释。一个候选人被排除,招聘专员要能说清为什么;用人方问“这个人为什么进待定”,也要有据可查。

三种做法真正的差别在于:标准由谁定义、边缘候选人怎么处理、筛完之后的动作由谁接着做。这三点决定了效率上限,也决定了合规风险的大小。

二、做法一:人工逐份翻看——判断力最好,口径与可追溯最弱

典型流程

招聘专员从打招呼记录或邮箱开始,逐份阅读,按自己的经验判断是否符合岗位,然后把结果分成“能聊”和“不能聊”两拨,能聊的下载简历转给用人方,不能聊的退回拒绝池。

优势在哪里

  • 对模糊信息的容忍度最高。一份简历里“参与过公众号运营”到底是独立写稿还是排版转发,人一眼能问出来。
  • 能即时调整。前五份看完发现岗位要求写得不准,人可以马上修正判断尺度。
  • 不需要任何系统改造。招聘平台、邮箱、协同办公工具都是现成的。

局限在哪里

  • 口径依赖个人。同一个岗位,两个专员筛出来的名单可能差异明显,且这种差异不会被记录,也无法复盘。
  • 规模一上涨就失效。一天几十份还能撑,一周上百份就会出现“先扫一眼标题、再决定要不要点开”的粗糙判断,边缘候选人被误伤的概率迅速上升。
  • 动作链条全靠手工搬运。下载、转 PDF、发送、退回、核对发送状态,每一步都是重复操作,也都是容易漏掉的环节。
  • 过程不留痕。被排除的候选人为什么被排除,事后基本查不到。这在合规上是一个明显缺口,后文会展开。

三、做法二:关键词与规则过滤——快,但容易把“能力”错认成“词”

常见形态

招聘平台自带的筛选器、ATS 的关键词匹配、Excel 公式打分,以及用简单脚本或 RPA 抓取列表后按字段过滤。

适用场景

  • 硬性门槛清晰且字段结构化的岗位,例如明确要求某个学历层级、某个证书、某个工作年限区间。
  • 投递量极大、只需要快速缩小范围的初筛环节。

需要警惕的三个问题

  • 关键词不等于能力。简历里出现“内容运营”四个字,可能是主导过账号增长,也可能只是协助排版。规则过滤无法区分这两种情况,容易把“会写这个词的人”当成“会做这件事的人”。
  • 硬性条件与能力项被混在一起打分。一旦放进同一个总分里,就会出现“技能满分但学历不符”的候选人被高分误放,或者“学历达标但技能薄弱”的候选人被低分误杀。
  • 筛完就停了。规则过滤输出一份名单,后面的下载、发送、退回、回读状态仍然要人工接手,跨系统搬运的工作量并没有减少。
一个实用的判断:如果贵司的筛选规则写不满一页纸,或者规则已经两年没更新过,那它大概率已经不是在做筛选,而是在做随机排除。

四、做法三:AI 智能体按岗位要求生成标准并执行完整动作链

这是与前两种做法逻辑上不同的一类:不是把人的判断挪到规则里,也不是让人更快地翻简历,而是先由岗位描述生成可执行的判断标准,再按标准逐份判断,判断完直接接上后续动作。

关键差别一:筛选标准从岗位描述里读出来,而不是凭经验想出来

以实习岗为例,标准通常分成两层:

  • 硬性门槛层:学历、身份状态(是否在校)、到岗时间、实习周期、期望薪资。
  • 核心能力层:文案写作、内容运营、信息整合、专业匹配度。

两层的处理方式不同:硬性门槛触发一票否决,能力项用于排序和判定待定。把“一票否决项”和“权衡项”分开,是口径能不能统一的前提。在 Soiawork 中,岗位描述可以放进知识库作为标准来源,筛选口径作为技能沉淀下来,换岗位时替换知识条目即可,不必重新教一遍。

关键差别二:输出三分类,而不是二分类

二分类(过/不过)是把判断压力全部压在一瞬间,三分类(命中/待定/不匹配)则给边缘候选人留出一个人工确认的缓冲带。

在一次复现验证场景中,系统从邮箱读取 24 份格式各异的简历,逐份判定后得到命中 12 份、待定 6 份、不匹配 6 份。其中有两个值得注意的判定:

  • 一份简历技能项齐全,但学历不符合硬性门槛,触发一票否决,进入不匹配。
  • 另一份综合得分满分,但期望薪资超出预算 28.6%,判为待定而非直接排除。

第二例说明了三分类的价值:超出预算不等于不合格,它属于需要人来做取舍的情形。需要说明的是,上述内容属于复现验证场景(演示环境)的结果,用于说明判断逻辑,不作为客户成效或准确率数据引用。

关键差别三:判断之后,动作连续执行

这是与前两种做法差距最大的一环。名单确定后,动作不是交回给人,而是接着走完:

  • 合格候选人的简历下载并转为 PDF,经协同办公平台发给用人方;
  • 已排除的候选人批量退回拒绝池;
  • 最后回读发送状态,确认哪些已送达、哪些需要重发。

在 Soiawork 中,这条链路由连接器接入招聘平台与邮箱取数,由设备(Soia Worker)在授权范围内操作网页后台完成点击与下载,由工作流固定“取数—判定—下载—发送—退回—回读”的步骤顺序,需要每天固定时间发生时再建立自动任务。动作的连续性,比单点的判断速度更能减少总工时。

关键差别四:口径可沉淀、可复用

人工做法的经验留在人身上,规则做法的经验留在某个脚本里,而标准化的做法可以留在组织层面:判断口径沉淀为技能,岗位要求沉淀为知识条目,动作顺序沉淀为工作流。换一位招聘专员接手,用的是同一套标准。

需要明确边界:这类能力在招聘场景中属于通用能力,不宜宣称差异化优势;上述复现验证也未给出耗时或准确率的量化结论,因此本文不做任何数字层面的效果承诺。

五、三种做法横向对比

  • 口径一致性:人工依赖个人经验;规则依赖规则维护者;标准化的 AI 智能体依赖岗位描述与沉淀口径。
  • 处理规模:人工在每天几十份量级开始衰减;规则可批量但精度下降;智能体适合持续、稳定量级。
  • 边缘候选人:人工能识别但无记录;规则通常直接误杀;三分类可保留待定并交人确认。
  • 动作闭环:人工与规则都需人工接手后续动作;智能体可连续执行取数、判定、下载、发送、退回、回读。
  • 可追溯性:人工最弱;规则可留日志但难解释语义;智能体可保留判定依据与动作记录。
  • 上线成本:人工最低;规则中等;智能体需要账号权限、规则确认与试跑。
  • 适合场景:人工适合小批量、高判断复杂度岗位;规则适合硬性门槛明确的大批量初筛;智能体适合高频重复、动作链长、需要口径统一的岗位。

六、合规提醒:AI 参与简历筛选,这几件事必须先定

这部分比效率更重要。三种做法在合规上的风险点并不相同,AI 参与的方案因为涉及自动化处理,需要额外注意。

1. 先认清法律定位:简历筛选属于自动化决策场景

《中华人民共和国个人信息保护法》(2021 年 11 月 1 日施行)第二十四条对自动化决策提出了明确要求:应当保证决策的透明度和结果公平、公正;通过自动化决策方式作出对个人权益有重大影响的决定,个人有权要求说明,并有权拒绝仅通过自动化决策的方式作出决定。

落到操作上就是两件事:一是要能解释“为什么这么判”,二是要保留人工复核通道,不能让系统单独决定一个候选人的去留。录用与否的最终决定,始终由用人方和 HR 作出。

2. 就业歧视是绝对红线,不能进入筛选维度

《中华人民共和国就业促进法》《中华人民共和国妇女权益保障法》以及《网络招聘服务管理规定》(人力资源社会保障部,2021 年 3 月 1 日施行)均对招聘环节的歧视性内容作出禁止性规定。修订后的《妇女权益保障法》明确,用人单位在招录过程中不得限定男性或者规定男性优先,不得进一步询问或者调查女性求职者的婚育情况。

这意味着一件事:性别、婚育、民族、宗教、地域、年龄、健康状况等,既不能作为筛选字段,也不能作为模型特征。在实践中,还要防止这些信息通过“毕业年份推算年龄”“工作年限推算婚育阶段”等间接方式重新进入判断。

3. 个人信息处理要守住最小必要与期限

简历包含姓名、联系方式、教育经历、工作经历等个人信息,处理时需要满足合法性基础,遵循最小必要原则,并明确保存期限。需要注意的具体问题包括:

  • 简历来源是否合法,是否取得候选人授权;
  • 内部谁可以访问简历库,访问是否有记录;
  • 未录用候选人的简历保存多久、到期如何清理;
  • 是否存在把简历数据传输出境或用于其他用途的情形。

在 Soiawork 中,这些可以通过账号权限范围、知识库与文件空间的访问控制、以及处理过程的留痕来约束;但规则本身需要企业自己确认,平台不会替企业决定保存期限和授权范围。

4. 判定过程要留痕,异常要能复核

合规上最难应对的不是“判错了”,而是“说不清为什么这么判”。可追溯至少包括三层:标准是谁定的、依据哪一版岗位描述;某份简历为什么判待定或不匹配;发出、退回、回读这些动作是否完成。

三分类机制在这里的价值不只是效率:“待定”本身就是为人工复核设计的位置,它把最需要人判断的部分显式地交还给了人。

5. 高风险动作必须由人确认

涉及淘汰候选人、发出面试通知、修改候选人状态这类动作,建议采用“系统给出建议 + 人工确认后执行”的方式起步,而不是直接全自动。这与 Soiawork 的落地建议一致:可以从只读、建议或人工确认开始控制风险,试跑验证后再决定是否放开。

6. 如对外提供生成式 AI 服务,还需另行参照专门规定

《生成式人工智能服务管理暂行办法》(2023 年 8 月 15 日施行)针对向境内公众提供生成式 AI 服务的情形提出要求。企业内部用于 HR 辅助的场景与之不完全对应,但其中关于数据来源合法、内容安全、个人信息保护的原则,仍可作为内部规范的参照。

七、从一项重复工作开始试跑,而不是一次性改造招聘流程

看到这里,很多管理者的第一反应是“那我们把整个招聘流程重做一遍”。这个思路风险很高。更稳妥的路径是先用一项重复工作验证判断口径和动作链条是否可靠,再谈扩大。

具体分三步:

  • 选一项重复工作。说清现在怎么做、谁来做、想得到什么结果。例如“每天早上处理实习岗的打招呼记录”,就是一个合格的起点:它重复发生、有明确结果接收人(用人方)、当前人工方法可描述。
  • 确认资料、规则和权限。准备一组实际简历,确认账号能访问招聘平台和邮箱、按什么规则判定硬性门槛与能力项、哪些环节需要人工确认。这一步决定了试跑结果是否有参考价值。
  • 试跑后再扩大范围。检查结果和异常是否处理到位,把确认有效的口径留下来,再交给其他岗位使用。

试跑样例建议至少覆盖以下几类,否则容易只验证了“顺利情况”:

  • 正常输入与常见任务;
  • 关键字段缺失(如简历未写期望薪资、未写到岗时间);
  • 权限与规则边界(如候选人已在他岗流程中);
  • 多步骤复杂情况(如一人投递多个岗位);
  • 过去发生过的错误与人工纠正记录;
  • 业务高峰与临近截止的任务。

上线后用相同周期和相同对象做对比,避免把招聘市场的自然波动当成 AI 的贡献。这也是 Soiawork 在场景落地中反复强调的一点:先确认基线,再判断改进。

在 Soiawork 中,这套试跑可以这样搭起来:用连接器接入招聘平台与邮箱获取简历,把岗位描述与筛选口径放进知识库,把“取数—两层判定—三分类—下载转 PDF—发送—退回—回读”的顺序固定为工作流,由设备(Soia Worker)在授权范围内完成网页后台操作,验证稳定后再建立自动任务按日运行。判断标准与异常处理经验则沉淀为技能,供其他岗位复用。

结语

回到简历筛选的三种做法对比与合规提醒这个主题,结论并不复杂:人工的判断力不可替代,规则的速度有边界,AI 智能体的价值在于把标准显性化、把动作连起来、把过程留下来。但这一切都建立在合规底线之上——不得歧视、最小必要、可解释、人在环。建议从一项重复工作开始试跑,核对结果与异常,再决定是否扩大范围。让每家企业,都能轻松构建自己的 AI 组织,起点往往就是这样一个具体的、每天都在发生的筛选动作。

常见问题解答

要不要改造现有的招聘系统或 ATS?

通常不需要。多数场景下,招聘平台、邮箱、协同办公工具保持原样,通过连接器取数、通过设备(Soia Worker)在授权范围内操作现有网页后台即可。前提是账号权限范围要事先确认清楚,避免超出授权访问。

候选人数据和权限怎么控制?

建议从三个层面设定:账号层面限定能访问哪些平台与邮箱;数据层面明确简历存放在哪个文件空间、谁可读;动作层面区分“只读”“给出建议”“人工确认后执行”三档,试跑阶段先用前两档。保存期限与清理规则需要企业根据自身合规要求确定,平台不会代为设定。

AI 判错了、误杀了候选人,谁负责?

责任主体是企业。因此设计上必须保留人工复核环节:硬性门槛的一票否决和所有“待定”结论,都应交由 HR 或用人方确认后再执行后续动作;录用决定始终由人作出。同时保留判定依据,使每个结论可以被解释和追溯。

和招聘平台自带筛选器、现有 RPA 是什么关系?

三者定位不同。平台自带筛选器主要做字段级过滤,适合快速缩小范围;RPA 擅长按固定规则搬运数据,但难以处理语义判断;AI 智能体更适合处理“读岗位描述生成标准、按语义判断、再接着执行动作”的复合任务。实际使用中三者常常并存,各管一段。

从哪个场景开始比较合适?

优先选择重复发生、有明确结果接收人、当前人工方法可描述、必要账号与规则能取得的环节。实习岗的每日打招呼记录处理、单一岗位的邮箱投递初筛,都是常见起点。判断标准是否成熟,比岗位是否重要更值得优先考虑——先跑通一项,再复制到其他岗位。

立即领取行业头部企业 AI 应用案例

资深 AI Agent 技术专家将为您定制数字员工解决方案

立即获取方案