waterdjiang/wattter_openskills/wtt-resume-screener

简历筛选 (Resume Screener)

把一批简历扔进来，AI 扮演资深 HR 经理 + 业务负责人双重角色，按岗位级别动态调整评估标准，输出可直接拿去开会的筛选报告。

工作流程

┌────────────┐    ┌────────────┐    ┌────────────┐    ┌────────────┐    ┌────────────┐
│ 1. 输入 JD │ →  │ 2. 解析 JD │ →  │ 3. 解析简历 │ → │ 4. 结构化  │ → │ 5. AI 评估 │
│  (或提问)  │    │  + 推断级别 │    │ (PDF/DOCX)  │    │   输出     │    │ + 渲染报告 │
└────────────┘    └────────────┘    └────────────┘    └────────────┘    └────────────┘

步骤 1：获取 JD

按以下顺序处理：

1. 用户提供 JD 文本 → 直接进入步骤 2
2. 用户没提供 → 用 JD 提问清单 引导：

• 岗位名称 & 团队
• 实习 / 校招 / 社招？什么级别？
• 核心职责 3-5 条
• 必备技能 vs 加分项
• 学历/经验硬性要求
• 业务背景、关键挑战
• 团队规模、汇报关系
• 薪资预算范围

每次只问 2-3 个问题，避免一次性轰炸。

步骤 2：解析 JD & 确定岗位级别

# 解析 JD 文本
python3 scripts/parse_jd.py --input ./jd.txt
 
# 或直接传文本
python3 scripts/parse_jd.py --text "$(cat ./jd.txt)"

输出包含：

• level：intern / fresh_grad / junior / mid / senior / staff / manager / director
• education、years、salary
• skills：从 JD 抽取的关键技能
• responsibilities：从 JD 抽取的职责短句

如需强制覆盖检测结果，使用 screener.py --level senior

步骤 3：解析简历

# 解析单个/多个简历
python3 scripts/parse_resume.py ./resumes/a.pdf ./resumes/b.docx

支持 PDF / DOCX / Markdown / TXT。输出每位候选人的：

• 基础信息（姓名、邮箱、电话）
• 教育背景
• 工作/项目经历
• 技能清单

步骤 4：生成结构化筛选上下文

python3 scripts/screener.py \
  --jd ./jd.txt \
  --resume ./resumes/*.pdf \
  --output ./context.json

这一步会：

1. 加载 config/evaluation_standards.yaml 中当前岗位级别对应的 weights / hard_requirements / soft_focus
2. 为每位候选人估算 0-100 的维度分 + 综合分
3. 计算技能命中 & 短板
4. 按综合分降序排列

步骤 5：AI 双视角评估 + 渲染报告

读取 context.json 与 双视角评估模板：

1. 扮演 HR 经理：关注动机、稳定性、文化匹配、薪资、风险信号
2. 扮演业务负责人：关注技术深度、项目复杂度、解决复杂问题的能力、团队 influence
3. 微调维度分（如硬性条件缺失、过人之处、明显风险）
4. 把评估内容填充到骨架报告的 <!-- AI_REVIEW_HERE --> 位置

生成最终报告：

python3 scripts/render_report.py ./context.json --output ./screening_report.md

AI 在末尾追加 ## 📌 综合招聘建议（Top 3 / 重点面试 / 渠道建议）。

评估标准（按岗位级别差异化）

不同级别关注点截然不同，详见 config/evaluation_standards.yaml。要点：

权重总和 = 100。综合分按 Σ(weight_i × score_i) / Σ(weight_i) 计算。

推荐结论阈值

默认阈值（可在 evaluation_standards.yaml 调整）：

• 🟢🟢🟢 强烈推荐 ≥ 85
• 🟢🟢 推荐 ≥ 70
• 🟡 待定 ≥ 55
• 🔴 不推荐 < 55

输出报告结构

完整 Markdown 报告包含：

1. 报告抬头 — 时间、岗位级别、简历总数
2. JD 摘要 — 解析后的关键信息
3. 评估标准 — 当前级别的维度权重表 + 硬性条件 + 可放宽项
4. 候选人总览表 — 排名、姓名、综合分、推荐结论、学历、经验数、技能命中
5. 候选人详情（每位）

• 联系方式、综合分、推荐结论
• 各维度得分表
• 技能命中 / 短板
• 教育背景
• 🧑‍💼 HR 视角点评（亮点 / 风险 / 动机匹配 / 沟通表达）
• 👔 业务负责人视角点评（技能匹配 / 项目深度 / 解决问题 / influence）
• 📊 调整后评分 + 关键优势/风险 + 面试重点

1. 📌 综合招聘建议 — Top 3、面试重点、渠道补充建议

关键设计原则

• 配置驱动：evaluation_standards.yaml 改一行就能调权重，无需动代码
• 岗位级别自适应：用同一份代码评估实习生和总监
• 双视角独立：HR 看人，业务看事，避免一方噪声污染另一方判断
• 不替代面试：报告只做初筛，最终决策必须由用人经理 + HRBP 共同完成

依赖

pip install -r requirements.txt

Python 3.8+，无外部 LLM 依赖（AI 评估由 Claude/Trae 自身完成）。

常见问题

Q: 简历格式乱 / OCR 质量差？ A: 优先让用户提供 Markdown 或纯文本版本；PDF 扫描件会被 pypdf 跳过。

Q: JD 写得很模糊，没有级别关键词？ A: 默认按 mid 处理，并显式询问用户确认。

Q: 候选人简历里没有学校/公司名怎么办？ A: parse_resume.py 会尝试从上下文推断；推断失败时评估分会更保守（55 分起步）。

Q: 能不能输出 JSON 给 ATS？ A: 报告中已含候选人卡片（emit_candidate_cards: true），可直接结构化提取。

References

• [references/jd_interview_questions.md](references/jd_interview_questions.md) — 引导用户描述 JD 的提问清单（步骤 1 必读）
• [assets/prompts/dual_role_review.md](assets/prompts/dual_role_review.md) — AI 双视角评估的完整 Prompt 模板（步骤 5 必读）
• [config/evaluation_standards.yaml](config/evaluation_standards.yaml) — 8 种岗位级别的评估权重与硬性条件
• [config/screener_config.yaml](config/screener_config.yaml) — 全局行为开关