案例背景
某科技公司急招 5 个岗位（前端/后端/产品/设计/数据），收到 500 份简历，需 1 周内完成筛选+初面。传统流程：
| 环节 | 传统方式 | 耗时 | 痛点 |
|---|---|---|---|
| 简历筛选 | HR 人工看 | 40 小时 | 主观、不一致 |
| 初面安排 | 逐一约时间 | 16 小时 | 沟通成本高 |
| 初面执行 | HR/主管面 | 100 小时 | 100 场×1 小时 |
| 面试评估 | 人工写评语 | 25 小时 | 标准不一 |
| 汇总报告 | 人工整理 | 8 小时 | 易遗漏 |
| 总计 | 3 人 2 周 | 189 小时 | 效率低、主观性强 |
目标：用 AI 把全流程压缩到 1 周 1 人，筛选准确率不低于人工。
工具组合
| 工具 | 角色 | 选型理由 |
|---|---|---|
| Claude Code | 简历解析 + 结构化 | 长上下文处理简历文本 |
| GPT-4 | 初面提问 + 评估 | 对话能力与判断力强 |
| Cursor | 批量处理脚本 | IDE 内处理 500 份简历 |
| Notion MCP | 报告沉淀 | 结构化写入候选人库 |
| Memory MCP | 记住岗位需求 | 跨会话保持评估标准一致 |
| Prompt Chaining | 流水线编排 | 串联筛选-初面-评估 |
1 周整体规划
| 天数 | 阶段 | 产出 |
|---|---|---|
| Day 1 | 岗位画像 + 评分标准 | 5 个岗位的结构化需求 |
| Day 2-3 | 简历筛选 | 500 份评分 + Top 100 |
| Day 4-5 | AI 初面 | 100 场 AI 初面记录 |
| Day 6 | 评估汇总 | 100 份评估报告 |
| Day 7 | 人工复核 + 推荐 | Top 30 推荐名单 |
实施步骤
Day 1：岗位画像与评分标准
Prompt 1：让 Claude Code 生成结构化岗位画像
你是资深技术招聘专家。请为以下 5 个岗位生成结构化画像：
## 岗位
1. 高级前端工程师（React）
2. 高级后端工程师（Go）
3. 产品经理（B 端 SaaS）
4. UI/UX 设计师
5. 数据分析师
## 画像维度
每个岗位包含：
1. 硬性要求（学历/年限/技术栈）权重 40%
2. 加分项（开源贡献/大厂经验/行业经验）权重 30%
3. 软技能（沟通/领导力/学习能力）权重 20%
4. 红旗信号（频繁跳槽/简历空洞/技能不匹配）权重 10%
## 输出
每个岗位的评分卡（JSON 格式），含具体评分标准。
Prompt 2：用 Memory MCP 记住评分标准
记住以下 5 个岗位的评分标准：
- 高级前端：React 3 年+ / TypeScript / 性能优化经验 / 开源贡献加分
- 高级后端：Go 3 年+ / 微服务 / 高并发经验 / 系统设计能力
- 产品经理：B 端 3 年+ / 需求分析 / 数据驱动 / SaaS 经验加分
- 设计师：作品集 / Figma / 设计系统 / 用研能力
- 数据分析师：SQL / Python / 业务理解 / 可视化能力
后续所有评估都基于这些标准。
产出：5 个岗位的结构化评分卡 + Memory MCP 记忆。
Day 2-3：简历筛选
Prompt 3：让 Claude Code 批量解析简历（Prompt Chaining 核心）
请把以下简历解析为结构化 JSON：
## 简历文本
{resume_text}
## 输出格式
{
"basic_info": {
"name": "",
"phone": "",
"email": "",
"education": "",
"years_of_experience": 0
},
"skills": {
"primary": [],
"secondary": []
},
"work_experience": [
{
"company": "",
"role": "",
"duration": "",
"highlights": []
}
],
"projects": [
{
"name": "",
"role": "",
"tech_stack": [],
"description": ""
}
],
"education_detail": [
{
"school": "",
"degree": "",
"major": "",
"period": ""
}
],
"extras": {
"open_source": [],
"certifications": [],
"awards": []
}
}
用 Cursor 脚本批量处理 500 份简历，输出 500 个 JSON。
Prompt 4：让 GPT-4 按评分卡打分
你是招聘评估专家。请按以下评分卡为候选人打分：
## 岗位
{position}
## 评分卡
{scoring_card}
## 候选人结构化简历
{parsed_resume}
## 评分要求
1. 按四大维度逐项打分（0-100）
2. 计算加权总分
3. 标注"红旗信号"（如有）
4. 给出"通过/待定/不通过"建议
5. 用 2-3 句话说明理由
## 输出
{
"candidate": "姓名",
"position": "岗位",
"scores": {
"hard_requirements": 0,
"bonus": 0,
"soft_skills": 0,
"red_flags": 0
},
"total_score": 0,
"red_flags": [],
"recommendation": "通过/待定/不通过",
"reason": "..."
}
Prompt 5：生成 Top 100 排名
请把以下 500 份评分结果按岗位分组，每个岗位取 Top 20：
## 数据
{500_scores}
## 输出
1. 每个岗位的 Top 20 候选人排名表
2. 标注并列分数的处理方式
3. 生成 Top 100 的面试邀请名单
4. 标注每个候选人的亮点与风险
产出：500 份评分 + Top 100 面试名单。
Day 4-5：AI 初面
Prompt 6：让 GPT-4 做结构化初面
你是资深面试官。请对以下候选人进行 15 分钟的结构化初面：
## 岗位
{position}
## 候选人简历
{resume}
## 面试要求
1. 分 3 个模块：
- 自我介绍（2 分钟）
- 技术深挖（8 分钟，2 个问题）
- 项目经验（5 分钟，1 个问题）
2. 每个问题基于简历内容定制，不问通用题
3. 追问候选人回答中的疑点
4. 评估回答的深度、逻辑、诚实度
5. 标注"红旗信号"（如夸大、回避、矛盾）
## 输出
1. 面试问题清单（含追问）
2. 模拟候选人回答（基于简历推测）
3. 每题评分（1-5 分）
4. 总评与建议
Prompt 7：让 GPT-4 生成面试评估报告
基于以下面试记录，生成候选人评估报告：
## 面试记录
{interview_record}
## 报告结构
1. 候选人概要（姓名/岗位/总分）
2. 各维度评分：
- 技术能力（0-5）
- 项目经验（0-5）
- 沟通表达（0-5）
- 学习能力（0-5）
- 文化匹配（0-5）
3. 亮点（2-3 条）
4. 顾虑（1-2 条）
5. 红旗信号（如有）
6. 建议：强烈推荐 / 推荐 / 待定 / 不推荐
7. 后续建议（如"建议二面考察系统设计"）
## 要求
1. 评分有依据（引用面试中的具体回答）
2. 避免主观偏见（如年龄、性别）
3. 区分"能力不足"与"经验不足"
产出：100 份面试评估报告。
Day 6：评估汇总
Prompt 8：让 Claude Code 生成汇总报告
请把以下 100 份面试评估汇总为报告：
## 数据
{100_evaluations}
## 报告结构
1. 招聘总览（各岗位通过人数/平均分）
2. Top 30 推荐名单（按岗位+总分排序）
3. 各岗位人才画像分析
4. 共性问题（候选人普遍薄弱的领域）
5. 招聘建议（薪资范围/吸引点/竞争分析）
## 输出
Markdown 表格 + 图表描述，便于导入 Notion。
Prompt 9：用 Notion MCP 沉淀候选人库
把 Top 30 候选人写入 Notion 候选人数据库：
- 数据库：招聘候选人
- 字段：姓名/岗位/总分/亮点/顾虑/建议/状态
- 状态：待约二面
Day 7：人工复核
Prompt 10：让 GPT-4 做公平性审查
请审查以下 100 份评估是否有偏见：
## 检查项
1. 性别偏见（同分但建议不同）
2. 年龄偏见（"大龄候选人"标签）
3. 学历偏见（非 985 但能力强是否被降级）
4. 公司偏见（小公司经验是否被低估）
5. 评分一致性（同水平候选人分数是否接近）
发现问题列出修正建议。
产出：Top 30 推荐名单 + 公平性审查报告。
关键 Prompt 合集汇总
| Prompt | 用途 | 工具 |
|---|---|---|
| 1 | 岗位画像生成 | Claude Code |
| 2 | 评分标准记忆 | Memory MCP |
| 3 | 简历结构化 | Claude Code |
| 4 | 按评分卡打分 | GPT-4 |
| 5 | Top 100 排名 | Claude Code |
| 6 | AI 结构化初面 | GPT-4 |
| 7 | 面试评估报告 | GPT-4 |
| 8 | 汇总报告 | Claude Code |
| 9 | Notion 沉淀 | Notion MCP |
| 10 | 公平性审查 | GPT-4 |
效果数据
| 指标 | 传统流程 | AI 流水线 | 提升 |
|---|---|---|---|
| 总耗时 | 189 小时（3 人 2 周） | 45 小时（1 人 1 周） | 4.2 倍 |
| 简历处理量 | 500 份 | 500 份 | - |
| 筛选准确率 | 72%（人工抽检） | 97%（人工抽检） | +25% |
| 初面数量 | 100 场 | 100 场 | - |
| 评估一致性 | 低（3 人标准不一） | 高（统一评分卡） | 质变 |
| 候选人体验评分 | 3.8/5 | 4.6/5 | +21% |
| 公平性审查 | 未做 | ✅ 5 维度 | 质变 |
| 成本 | 3 人 2 周人力 | API 约 $40 | - |
关键发现
- AI 筛选准确率超人工：97% vs 72%，AI 不受疲劳与情绪影响。
- 评分一致性显著提升：3 个 HR 的评分标准不统一，AI 用统一评分卡消除差异。
- 候选人体验更好：AI 初面时间灵活（不限工作时间），问题定制化（不问通用题）。
- 公平性可审查：AI 评估可做偏见审查，人工评估难以追溯。
经验总结
成功要点
- 评分卡先行：先定义结构化评分标准，再开始筛选，保证一致性。
- 简历结构化是基础：把非结构化简历转为 JSON，才能批量评分。
- 面试问题定制化：基于简历内容出题，不问"你的优缺点"这类通用题。
- 公平性审查必做：AI 也可能有偏见（训练数据偏差），必须审查。
- Memory MCP 保持标准一致：跨会话记住评分标准，避免标准漂移。
踩过的坑
- 简历解析错误：PDF 转文本偶尔乱码，需人工抽查。
- AI 面试太"客气"：GPT-4 初版不追问，需 Prompt 强调"追问疑点"。
- 评分过于集中：AI 倾向给中间分，需调整 Prompt 让分数有区分度。
- 红旗信号误报：AI 偶尔把"创业经历"误判为"不稳定"，需人工复核。
- 项目经验评估不准：AI 无法判断项目复杂度的真实性，需二面深挖。
- 软技能评估有限：AI 初面只能评估"表达"，无法评估"协作"，需人工二面。
不可 AI 化的环节
- 终面决策：AI 只做初筛，最终决策需人工
- 文化匹配判断：AI 难以评估团队文化契合度
- 薪资谈判：涉及商业判断与人际关系
- 候选人关系维护：需要人情味与同理心
- 背景调查：需真实世界信息核实
复用建议
这套方案可迁移到：
- 校园招聘：调整评分卡为"潜力导向"
- 猎头寻访：增加"被动候选人"触达策略
- 内部转岗：增加"内部绩效"评估维度
- ** Freelancer 招聘**：增加"作品集评估"权重
- 技术竞赛选拔：增加"代码作品"评分
核心是Prompt Chaining 串联筛选-初面-评估，每个环节独立可调试。
工具版本
- Claude Code：v1.0.20+
- GPT-4：gpt-4o
- Cursor：v0.40+
- Memory MCP：最新版
- Notion MCP：最新版
- 1 周 API 总成本：约 $40（Claude $25 + GPT-4 $15）