输入候选人简历文件与目标岗位JD，关键操作是通过结构化提示词引导AI提取履历中的直接证据并脱敏处理，最终产出仅包含事实映射的匹配表。此方法旨在将重复性的阅读与填表工作自动化，避免主观打分或自动淘汰，确保筛选过程基于可验证的履历细节。
准备原始素材与明确边界
在开始之前，需将待处理的候选人简历（pdf或word格式）与对应的岗位职责描述（jd）整理在同一文件夹中。明确ai的任务边界：它不进行主观评分，也不做“通过/拒绝”的二元判断，而是专注于建立“岗位要求”与“简历事实”之间的逻辑连接。所有涉及个人隐私的信息如身份证号、具体住址需在后续步骤中剔除，仅保留与工作技能相关的客观经历。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
参考图示中的对比场景，传统方式需要HR逐一打开文件手动摘录，耗时且易出错。现在的核心差异在于利用AI一次性读取多份文档，并将非结构化的文本转化为结构化的对照表。这种转变的关键不在于让AI替你做决定，而在于让它替你完成信息的提取与对齐工作。
编写精准的结构化提示词
提示词的质量直接决定输出表的可用性。不要使用模糊的指令如“帮我看看谁合适”，而应指定具体的输出格式和提取维度。你需要告诉AI如何定义“匹配度”——即寻找简历中与JD关键词直接对应的项目符号、项目名称或职责描述。同时，必须强调脱敏要求，禁止输出任何个人联系方式或敏感身份信息。
请根据提供的[岗位JD]和[候选人简历列表]，为每位候选人生成一份匹配分析表。 要求： 1. 仅提取与JD中核心职责直接相关的履历事实，忽略无关经历。 2. 对个人信息进行脱敏处理，不显示姓名、电话、邮箱等隐私数据，可用“候选人A”代替。 3. 输出格式为Markdown表格，列包括：【JD要求项】、【简历对应证据】、【证据类型】（如项目经验/技能证书/工作职责）。 4. 不做总分打分，仅罗列事实映射关系。 5. 若某项JD要求在简历中无直接体现，标记为“未提及”。
上述提示词模板可根据实际岗位调整。例如，对于技术岗位，可增加“技术栈匹配”列；对于管理岗位，可增加“团队规模”或“预算管理经验”列。关键在于将JD拆解为可被简历验证的具体条目，而非抽象的能力形容词。
执行分析与结果校验
将提示词与文件上传至AI工具后，观察生成的表格内容。重点检查“简历对应证据”一栏是否准确引用了原文，是否存在幻觉或过度推断。例如，如果JD要求“具备Python数据分析能力”，而简历仅提到“熟悉Office软件”，AI不应强行关联。此时需人工介入，修正错误的映射关系。
- 核对脱敏是否彻底：确认表格中无任何可直接识别个人身份的信息。
- 验证证据相关性：随机抽取几行，回溯原简历确认AI提取的内容确实存在且语境正确。
- 检查覆盖完整性：确认JD中的所有核心职责项都在表格中有对应的行，未被遗漏。
经过校验后的表格可作为面试前的快速预览工具。面试官无需通读全文，只需关注表中列出的具体证据点，即可在面试中针对性地提问。这种方法将筛选效率从小时级提升至分钟级，同时保留了人类对复杂情境的最终判断权，实现了人机协作的最优解。
