100 份简历初筛：用豆包按 3 条硬指标出淘汰理由

一个岗位挂了十天，收到 100 份简历。让 AI「帮我筛出合适的」是最省事也最危险的做法——它会给你一份看起来很专业的排序，但排序依据里可能混着学校层次、性别暗示、空窗期长短，而这些恰好是不能作为筛选依据的东西。

一句话结论

AI 在初筛里只能做一件事：按写死的硬指标提取事实，不做综合判断。硬指标必须满足三条——可核验（简历里有原文）、与岗位直接相关、能写成是/否。淘汰的每一份都要带原文引用，供人工复核。实测 100 份简历、3 条硬指标，分出明确不符 61 份、待人工确认 22 份、进入下一轮 17 份，抽 20 份复核发现 2 份误判，全程 95 分钟，其中复核占了四成。

这篇解决什么问题

三种情况最常见。一是让它排序：你问「谁最合适」，它按「整体感觉」打分，而整体感觉来自简历的写法质量，不是岗位匹配度——写得漂亮的排前面，做过实事但写得糙的被埋掉。二是指标写成软判断：「沟通能力强」这类，AI 只能靠猜，结论既不可复核也不可解释。三是淘汰理由只有结论：一句「经验不匹配」退掉一份，候选人追问时拿不出依据。

根子是把初筛当成「判断谁合适」，而它其实是「把不符合硬条件的先挑出去」。判断合适与否是面试的事，初筛只该做排除。这个定位一变，指标怎么写、结果怎么出，全都清楚了。

开始前要准备什么

• 岗位的三条硬指标，每条都能写成是/否。判断标准：换一个人来看简历，得出的结论必须一样。做不到就说明它不是硬指标。
• 100 份简历的纯文本，PDF 转文本后去掉图片版页眉页脚。图片简历要先 OCR，否则 AI 读到的是空白。
• 一条红线清单：年龄、性别、婚育、籍贯、院校层次不许作为任何指标或理由。写进提示词，并且要在输出里检查一遍。
• 批次上限：一次喂不超过 20 份。100 份一次喂进去，模型会开始「平衡」——前后标准漂移，前面的严后面的松。

具体怎么做

第一步：把三条硬指标写成是/否题

硬指标要写成能在简历里找到答案的判断题，不是评分题。「2 年以上同类岗位经历」可判断，「经验丰富」不可判断。这次三条是：2 年以上同类岗位经历、掌握某工具且有使用场景、4 周内可到岗。

最容易犯的错是把偏好写成指标，比如「有大厂经历」——不是岗位要求，是用公司名做筛选。检验方法：这条不满足，他能不能干好这个岗位？答不上来就删。

我要招一个岗位（JD 附后），现在有 100 份简历要初筛。我先定 3 条硬指标，请你帮我检验它们是否成立。

我的 3 条：①有 2 年以上同类岗位经历；②掌握某工具并有具体使用场景描述；③可到岗时间在 4 周内。

请逐条检验：
1. 它是否可核验——简历里能不能找到明确原文支撑？
2. 它是否与岗位直接相关——不满足这条，会不会导致干不好这个岗位？请具体说明影响哪个工作内容；
3. 它是否可写成是/否——有没有模糊地带？如果有，边界应该怎么划（比如「2 年」是否含实习、是否要求连续）。

另外指出：我这 3 条里有没有哪条其实是我的偏好，而不是岗位要求？如果有，直接说。
注意：不要建议增加院校、年龄、性别、婚育、地域相关的任何指标。

第二步：只提取字段，不判断通过与否

让模型做提取而不是裁定，是这一步的核心。输出是结构化字段：同类岗位经历年数、工具使用证据（原文引用）、最早到岗时间，以及「未提及」标记。通过与否由规则算，不由模型说。

这样做的好处是可复核：模型只负责把文字搬成字段，搬错了能一眼看出；一旦让它判定，出错时你只能看到一个结论，说不出错在哪。

这是 20 份简历的纯文本（附件）。请只做信息提取，不要判断谁合适、不要排序。

对每份简历提取以下字段：
1. 编号（我给的简历文件名）；
2. 同类岗位经历：列出所有相关工作经历（公司 / 岗位 / 起止年月 / 月数），并算出总月数；
3. 工具使用证据：原文里与目标工具相关的句子，逐句引用（最多 3 句）。如果只写了「了解」「熟悉」而没有场景描述，照原文引用并标注「无场景」；
4. 最早到岗时间：原文表述（如「一个月内」「随时」），并换算成周数；
5. 缺失项：上面任何一项在简历里找不到，写「未提及」，不要推测。

硬性要求：
– 不许出现对候选人的评价性描述（如「经验丰富」「背景不错」）；
– 不许引用年龄、性别、婚育、籍贯、院校名称；
– 每一条提取都必须能在原文里找到对应句子。

第三步：按规则算结果，出淘汰清单带原文

字段提完，用规则算，不用模型判。三条全满足进下一轮；任一条明确不符淘汰；任一条「未提及」进待确认，不直接淘汰。实测 100 份里淘汰 61、待确认 22、进下一轮 17，正好对应三种情况。

淘汰清单每份必须带一条原文引用，指向不满足的那条指标。它是候选人追问时唯一的依据，也是复核时唯一能查的东西。

这是 100 份简历的提取结果（表格，附后）。请按以下规则算结果，不要自己调整规则：

规则：
– 三条指标全部为「是」→ 进下一轮；
– 任何一条为「明确否」→ 淘汰；
– 任何一条为「未提及」且其余不是「明确否」→ 待人工确认。

注意：只做规则计算，不要因为「整体感觉不错」就破例，也不要因为「学校一般」就降级。

输出三张清单：
1. 淘汰清单：编号 / 不满足的指标 / 简历原文引用（必须能支撑「否」的判断）/ 判定是「明确否」还是「推断否」；
2. 待确认清单：编号 / 缺哪一项 / 建议向候选人确认的具体问题；
3. 进下一轮清单：编号 / 三条指标的满足情况。

最后做一次偏见自查：淘汰的 61 份里，有没有某个特征集中出现（同一所学校、同一段空窗期、同一个前公司）？如果有，指出来并说明它是否与指标本身相关。

第四步：抽 20 份复核，专查误杀

复核要只查淘汰的，不查通过的——漏掉一个好候选人的代价远大于多看几份。抽样按「推断否」优先，因为「明确否」通常不会错，「推断否」是模型自己理解出来的，最不可靠。实测抽 20 份（含 12 份推断否、8 份明确否），查出 2 份误判，都是把「了解某工具」判成了不掌握，而简历后面其实写了一个使用场景。

这是淘汰清单里的 20 份，请帮我做误杀复核，一份一份过。

对每份回答：
1. 判断是否成立？不成立的话，简历里哪句话被漏掉了；
2. 如果成立，这个「否」是明确否（简历写了不具备）还是推断否（简历没写）？
3. 是否存在「信息在简历其他位置」的情况——比如技能写在项目描述里而不是技能栏？

要求：
– 只判断这一条指标，不要评价候选人整体是否合适；
– 拿不准的标「存疑」并说明需要什么信息，不要为了给出结论硬判；
– 最后统计：20 份里误判几份、误判都发生在哪条指标上。

实测记录

素材是 100 份真实投递简历，岗位是运营专员。预处理 15 分钟，主要是 PDF 转文本和清页眉页脚，其中 4 份是图片简历，OCR 后仍有 2 份关键信息缺失，直接进待确认。

定指标 20 分钟。第一版四条，第四条「有内容平台运营经验」卡在可判断性：「内容平台」范围模糊，公众号算不算？改成「有公众号或小红书账号运营经历，且能说出具体数据」才可用，最后合并成三条。

提取 15 分钟，分 5 批、每批 20 份。批与批之间要检查一次标准有没有漂移——第二批把「实习」也算进了同类岗位经历，第三批纠正回来，前面两批重跑了一遍。

算结果 5 分钟，淘汰 61、待确认 22、进下一轮 17。偏见自查时发现淘汰名单里有一所学校出现 6 次，查下来是因为该校课程设置偏理论、简历里普遍没有实操项目描述，属于指标本身导致的相关性，不是筛选偏见。

复核 40 分钟，抽 20 份查出 2 份误判，都在「工具掌握」这条：简历技能栏写「了解 X」，但在项目描述里写了用 X 做过什么。改法是把提取提示词里那条「工具使用证据要扫全文，不只扫技能栏」写死。全程 95 分钟，其中复核占了四成。

最容易错的 3 个地方

第一，让它给排序或打分。一问「谁最合适」，它就会按简历的写作质量排序，写得漂亮的人排前面。这不是岗位匹配度，是文字水平。初筛只做排除，排序留到面试。

第二，把偏好写成硬指标。「大厂经历」「名校」「连续无空窗」都是偏好。检验方法只有一句：这条不满足，他能不能干好这个岗位？答不上来就删。写进指标里，等于用背景做筛选，既不准也有风险。

第三，信息缺失直接当不符合。简历没写不等于没有，很多人把技能写在项目描述里而不是技能栏。所以要有「待确认」这一档，并且要在提取提示词里明确要求扫全文。这次 2 份误判全是这个原因。

可复用的东西

硬指标三条件：可核验（简历有原文）、与岗位直接相关（不满足就干不好）、可写成是/否。缺一条就不是硬指标。

提取而非裁定：模型只把文字搬成字段，通过与否由规则算。可复核性全靠这一条。

三档结果：全满足进下一轮、明确否淘汰、未提及进待确认。少了「待确认」，误杀率会明显上升。

批次上限 20 份，批间检查标准漂移。一次喂 100 份，前后判断尺度必然不一致。

复核只抽淘汰的，优先抽「推断否」。漏掉好候选人的代价大于多看几份。

如果你也经常要做这件事，欢迎在评论区说说你的卡点和做法；也可以留言告诉我，你想看哪个岗位的哪件活怎么用 AI 拆。

admin 普通

收藏 海报 链接