HR SaaS 场景下的
简历筛选 LLM 评分 · 初筛工时怎么降

场景对象是一家做招聘管理系统的 HR SaaS 公司。这类公司的产品负责人最常问的一句是——「招聘官每天都在翻简历，但好的人还是漏」。拆开看是四件事：热门岗位单条 JD 一天涌入几百份简历，招聘官只能粗扫前几十份；不同招聘官、不同心情下初筛口径不一，同一份简历命运全看谁先看到；优质候选人因为初筛排队，平均要等 4 天才被联系，其中不少已被别家抢走；招聘官把大半精力耗在重复的简历对照上，真正该做的电话沟通和判断反而被挤掉。问题不在招聘官不专业，在于初筛这道工序没有被规模化。

这类场景的落地路径里，不急着搭模型。要做的是先和招聘业务负责人一起把「一份简历怎么被判定为值得面试」的隐性标准画成评分图谱，再抽样复盘近半年约 1,100 份已走完流程的简历，对照招聘官初筛判断与最终录用结果的偏差。结论很清楚：能 AI 化的是「岗位匹配 + 多维打分 + 排序提速」，不能 AI 化的是「文化契合 + 面试评估 + 录用决策」。招聘官要的不是被替代，是把翻简历的时间还给与候选人真正的对话。

这一方案按双周迭代上线，每两周和招聘业务负责人对齐一次。第一段是 岗位画像建模——把 JD 拆成硬性条件、加分项、排除项三类，由招聘官在配置后台确认；第二段是 候选人 LLM 评分——每份简历按岗位画像从经验匹配、技能契合、稳定性、成长性四个维度打分并给出可读理由；第三段是 评分结论回流 ATS——分数与理由按候选人写回自研 ATS，招聘官打开就看到带排序的候选人列表；第四段是 偏差监测看板——持续比对 AI 评分与招聘官实际推进的一致性，发现系统性偏差及时校准画像。

• 模块 1 · 岗位画像建模（硬性 / 加分 / 排除 三类 · 招聘官后台确认）
• 模块 2 · 候选人 LLM 评分（经验 / 技能 / 稳定性 / 成长性 四维 · 带可读理由）
• 模块 3 · 评分结论回流 ATS（按候选人写回自研 ATS · 自动排序）
• 模块 4 · 偏差监测看板（AI 评分 vs 实际推进 一致性 · 画像校准）

这类场景里有三个值得主动划出的「不做」：不做自动淘汰，AI 只做打分与排序，低分简历依然进列表供招聘官查看，是否淘汰由人决定，避免一次模型偏差埋掉一个合适的人；不让性别、年龄、籍贯、婚育等与岗位无关的字段进入评分，评分前先做敏感字段屏蔽，把招聘公平作为系统底线；不做黑盒分数，每个分数都附四维拆解和理由，招聘官能质疑、能修正，画像也会随之迭代。这三个边界是这类方案能稳定上线、招聘官愿意信任评分的关键前提。