HR用AI做简历初筛:岗位画像怎么写,才能让筛选口径统一、可复核
招聘专员每天早上打开招聘平台,几十条打招呼记录排在那里:学历、是否在校、到岗时间、实习周期、期望薪资,再翻工作经历看有没有写过推文、跑过社媒。看完分两拨,能聊的下载简历发给自己,不能聊的退回拒绝池。这套动作本身不难,难的是"像不像"这三个字只存在于某个人的经验里——换个人来看,同一份简历的结论可能就变了。
这也是「HR用AI做简历初筛:岗位画像怎么写」这个问题真正的难点所在。AI 读简历不是难事,难的是你有没有把"什么样的人算合适"从人的脑子里拿出来,写成一套人和机器能共用、事后能复核的口径。本文讲清楚三件事:岗位画像该分成哪几层、每层要写成什么样的字段才能被稳定判定、以及画像写完之后怎么用真实简历校准它。
一、先分清"JD"和"岗位画像"是两件东西
很多团队做 AI 初筛的第一步就偏了:把招聘网站上那份 JD 直接丢给 AI,让它"按这个筛"。结果筛出来的名单五花八门,用人方不认,HR 也不敢用。
JD 是写给候选人的,画像才是写给判定用的
- JD 的功能是吸引。它要 readable、要有吸引力、要体现团队氛围,所以天然会有"有责任心""抗压能力强""有良好的沟通能力"这类形容词。
- 画像的功能是判定。它要回答的是:看到简历上的哪一行字,算命中;看到哪一行,算不匹配;两条都能解释的,放哪里。
- 两者不能互相替代。JD 写得再好,也不能直接当规则用;反过来,画像写好了,也不该拿它去做招聘文案。
一句话:JD 是营销文本,岗位画像是判定文本。把这两件事分开,后面的工作才谈得上稳定。
二、AI 能读懂的岗位画像:两层结构,加一个待定带
一份能被稳定执行的岗位画像,结构上通常只需要三块:硬性门槛、核心能力、判定带。层级不多,但每一层写法的要求完全不同。
1. 硬性门槛层:写"字段 + 取值 + 是不是一票否决"
硬性门槛是那些"不符合就不用往下看"的条件,典型如学历、身份(在校/应届/社招)、到岗时间、实习周期、期望薪资、工作城市、必要证书。
写法上有三个要点:
- 每条门槛必须落到一个可读字段上。"本科及以上"能判定,"学历背景优秀"不能判定。
- 明确标注是否一票否决。同样是硬条件,学历门槛常常是一票否决项,薪资超预算则往往进待定池而不是直接淘汰——这两者的处理方式必须写清楚,不能留给执行环节临场决定。
- 写清证据从哪来。是简历上的"教育经历"栏,还是自我介绍里的一句"预计 2026 年 6 月毕业",来源不同,可信度不同。
在复现验证中出现过一个很典型的例子:一份简历技能项全部齐全、能力项得分很高,但学历不满足硬门槛,按规则被一票否决;另一份简历综合得分满分,但期望薪资超出预算 28.6%,按规则进入待定池而不是被直接淘汰。这两条结论之所以能稳定复现,靠的不是模型多聪明,而是画像里事先写清了"哪一条是一票否决、哪一条只是待定"。
2. 核心能力层:写"这项能力在简历上长什么样"
核心能力是加分项,是可累计、可比较的部分。多数岗位 3 到 6 项就够,多了反而互相稀释。
关键写法是:不要写能力名称,要写证据描述。
- 不要写"文案写作能力强",要写"简历中出现公众号推文、小红书笔记、短视频脚本等具体产出,且能看出是自己写的而不是转载"。
- 不要写"有内容运营经验",要写"出现账号运营、选题、涨粉、数据复盘等动作描述,并能对应到一个具体账号或项目"。
- 不要写"信息整合能力好",要写"出现资料搜集、竞品整理、行业研究、报告撰写等表述"。
- 不要写"专业匹配",要写清哪些专业、哪些课程、哪些项目算匹配。
这样写的好处是双向的:AI 有了明确的文本锚点,人也能一眼看出这条规则合不合理。一份 JD 拆下来,通常能得到四类结论——人才画像、搜寻方向与关键词、人才来源与渠道、面试评估重点。这四类结论各有用处,其中只有"人才画像"会被直接翻译成筛选口径,其余三类分别用于搜人、选渠道和设计面试题。
3. 判定带:一定要有"待定",不能只有"过"和"不过"
- 命中:硬门槛满足,核心能力有明确证据。
- 待定:硬门槛有争议(比如毕业时间在边界、薪资略超预算),或能力证据部分成立。
- 不匹配:硬门槛明确不满足,或核心能力完全无证据。
待定池不是系统的中间状态,它是给人用的缓冲区。边缘候选人一刀切掉,是 AI 初筛最容易挨骂的地方;把"拿不准"的单列出来交给 HR,规则才有被修正的机会。
三、画像怎么写出来:五步成稿法
结构清楚了,具体怎么落笔?实践里比较稳的做法是五步。
第一步:从 JD 出发,先拆不写
拿到一份 JD,先别急着写规则,先让它拆出四类结论:这个人大概是什么画像、该去哪里搜、搜的时候用什么关键词、面试时重点问什么。这一步用 Soia 做很轻——粘贴一份 JD,就能拿到这四类拆解结论,作为后续写画像的原材料。
第二步:把画像翻译成字段和证据
对着拆出来的画像逐条问两个问题:这条在简历上会以什么形式出现?如果出现了,我能确定它成立吗?答不上来的,说明这条还不能进画像。
第三步:给每条规则标优先级和例外
- 哪些是一票否决,出现了就直接出局。
- 哪些是加权项,可以累计但不能单独决定结果。
- 哪些是例外通道,比如学历不满足但有强相关项目经历时,允许进待定而不是直接淘汰。
例外条款要不要留、留几条,是业务判断而不是技术判断。写清楚,比留给执行的人临场发挥要可靠得多。
第四步:用一组真实简历回测
拿一批已经处理过的历史简历跑一遍,看三件事:结论和当时人工判断差在哪里、差的那几份是谁对、规则要不要改。试跑样本最好覆盖正常投递、关键字段缺失、明显不匹配、以及过去真实发生过误判的那几类。
第五步:把确认有效的口径沉淀下来
跑通之后,把这份画像存成模板。同一类岗位(比如内容运营实习、渠道销售、生产计划)下次开招时,不必从零写起,改几个字段就能用。在 Soiawork 中,这类口径可以沉淀为可复用的技能,也可以放进知识库作为判定依据被反复调用,而不是每次重新跟 AI 口述一遍。
四、几个最常见的写法陷阱
规则写不好,通常不是想得不够多,而是写得太"像人话"。
- 拿形容词当标准。"沟通能力强""有责任心""抗压"——这类词在简历上人人都有,写进画像等于没写。
- 用内部黑话。"熟悉中台""理解业务闭环""有全链路经验",公司内部的人听得懂,简历上不会出现,AI 更无从判断。
- 把"必须"和"最好"混在一段里。结果是执行时全凭手感,有的人按必须执行,有的人按最好执行,口径又散了。
- 一条规则里塞多个条件。"本科以上、三年经验、有电商背景且能出差"——四条独立条件绑在一起,任何一条存疑,整条规则就失效,也没法定位问题出在哪。
- 只写门槛不写证据。门槛能筛掉人,但筛不出人;没有证据描述的画像,最终会退化成"学历+年限"两刀切。
- 画像写完就锁死。业务在变、渠道在变、候选池也在变,一份半年不更新的画像,判定质量会自然下滑。
五、画像跑起来之后,初筛只是第一棒
岗位画像解决的是"怎么判断",但 HR 的真实工作量远不止判断。
- 取数:确认招聘平台的账号连接、在招岗位范围,把打招呼记录、投递简历拉进来,去重后再进入判定环节。这一步在 Soiawork 中通过连接器完成,不需要人工一条条点开复制。
- 判定:按画像的两层结构逐份给结论,输出命中、待定、不匹配三档,并附上判定理由。
- 动作:命中的人下载简历、转成 PDF、发给用人方;不匹配的批量退回拒绝池;需要沟通的按画像生成个性化开场,而不是同一句模板群发。在复现验证中,曾对一个岗位确认过对 5 位候选人发起沟通、每人 2 条消息、全流程 3 分 39 秒的执行过程,这类连续动作适合用工作流固定下来,把"看—判—发—记"串成一条链。
- 排期与归档:按面试官可面时段排期、写人才库、发面试通知、更新看板。这类按时间触发的动作可以交给自动任务,比如每天早上把新增投递跑一遍,HR 到岗时看到的是结论而不是原始列表。
- 本机软件操作:有些招聘平台没有开放接口,需要在浏览器或客户端里点选、翻页、下载。这类动作由设备(Soia Worker)在本机完成,人保留中止权与终审权。
需要说明的是,这些场景在场景库中标注为复现验证,即在受控环境中跑通过、过程可复核,但不构成对准确率、覆盖率、节省比例的承诺。每个团队的简历结构、渠道特征、用人偏好都不同,效果必须自己在试跑里量。
六、边界:AI 给建议,人做决定
写岗位画像这件事,本质上是在替组织做一次显性化的判断,所以边界要一开始就说清楚。
- 一票否决由规则定,例外由人定。规则负责一致,人负责例外,两者不能互相顶替。
- 待定池必须有人看。如果待定池长期无人处理,说明画像写得过严,该修的是规则,不是让 AI 硬判。
- 不宣称替代面试判断。简历初筛只能回答"值不值得聊一次",回答不了"这个人能不能用"。
- 录用与淘汰的责任仍在业务责任人。AI 输出的是带理由的建议,签字的是人。
- 候选人数据按内部规范管理。简历属于个人信息,取哪些字段、存多久、谁能看,走企业既有制度,不因为引入了 AI 就放宽。
结语
岗位画像的价值,不在于让 AI 替你决定要谁,而在于把"什么样的人算合适"从个人经验变成组织资产——写得清楚,判断才一致;判断一致,复盘才有依据。建议不要一上来就覆盖所有岗位:先挑一个正在招、投递量中等、用人方愿意一起看结果的岗位,带上一份 JD、一组历史简历和现有筛选口径,跑一遍小样本,重点核对命中名单和待定池里的异常项,确认规则站得住、异常有人接,再决定是否扩大到其他岗位。这也是「HR用AI做简历初筛:岗位画像怎么写」这件事最务实的起点:口径先行,工具随后;小步试跑,再谈规模。
常见问题解答
1. 做 AI 初筛要不要改造现有的招聘系统?
通常不需要。多数团队的起点是"系统不动,先接上":通过连接器读取招聘平台上的在招岗位与投递记录,判定结果回写到表格、协同文档或人才库。真正需要改造系统的,往往是后期要把筛选结论和入职数据打通的时候,而不是第一步。
2. 候选人简历数据放在哪里,权限怎么控制?
边界应该由企业既有制度定义,平台负责执行。实践上建议:只取判定必需的字段,不把完整简历无差别扩散;账号权限按岗位分配,谁能看命中池、谁能看待定池分开设置;试跑阶段优先用只读方式接入,确认规则可靠后再开放写操作和批量动作。
3. AI 判错了谁负责?
责任在流程设计的人,不在工具。可控的做法有三条:一是每条判定必须带理由,能回溯到简历上的哪一行;二是设置待定池,把"拿不准"显性交给人;三是保留人工覆盖和终止的权利,任何一份结论都可以被 HR 或用人方改掉,改掉的原因回流去修画像。
4. 从哪个岗位开始试比较合适?
选投递量中等、硬条件比较清晰、用人方愿意一起看结果的岗位。硬门槛明确(比如学历、到岗时间、实习周期)的实习岗或标准化职能岗,通常比高级别、综合判断为主的岗位更适合做第一轮试跑。反过来,如果某个岗位连业务负责人自己也说不清要什么样的人,先别上 AI,先把画像讨论清楚。
5. 和现有的招聘系统、RPA 是什么关系?
不冲突,位置不同。招聘系统是记录系统,负责存岗位、存流程、存状态;RPA 擅长在界面之间搬数据;AI 智能体多出来的一层是"按口径做判断并给出理由",并且能把这套判断沉淀成可复用的技能、按固定步骤编排成工作流、按时间触发成自动任务。三者可以叠在一起用:系统存数据,RPA 或 Worker 做界面操作,AI 负责判定与沟通,人负责把关。



