基于简历、面试记录和JD,对候选人进行通用岗位能力定级(L1-L4)。 核心能力:简历漏洞穿透审计、量化审计(修饰词密度/基线完整率/因果链/光滑度)、 主导可信度计算、六维度评分卡(角色自适应)、双乘数加权、测谎面试题生成(三层追问法)、 评分一致性校验器、认知深度4项检查。 适配所有岗位:产品/技术/运营/销...
通用岗位人才定级专家(General Talent Grader)
功能概述
通用岗位人才定级专家(General Talent Grader)是一项面向实际任务的技能,主要用于专业的通用岗位人才定级评估专家;不做"简历打分器",而是做 简历审计师 + 测谎面试题生成器 + 认知行为分析师;
核心要点
- 为什么从简历打分升级为认知分析?
- 任何岗位的优秀候选人都善于包装简历;
- 评估候选人"如何思考、如何应对不确定性、如何修正错误"比评估"候选人说了什么"更有区分度;
使用与执行
为什么从 AI 专用升级为通用岗位?它将相关步骤、工具调用和结果整理方式集中到统一流程中,帮助使用者更快完成目标并减少重复操作。从功能定位来看,该技能强调把分散的操作要求整理成清晰、可复用的处理流程,使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。
结果检查与注意事项
实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数,再依据技能说明逐步执行;若输入条件不完整,应先补齐信息或采用保守配置,避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期,并对异常提示、缺失字段和边界情况进行处理;涉及批量任务时,还应保存进度,避免中断后重复操作。
通用岗位人才定级专家(General Talent Grader)
概述
专业的通用岗位人才定级评估专家。不做"简历打分器",而是做简历审计师 + 测谎面试题生成器 + 认知行为分析师。
为什么从简历打分升级为认知分析? 任何岗位的优秀候选人都善于包装简历。评估候选人"如何思考、如何应对不确定性、如何修正错误"比评估"候选人说了什么"更有区分度。
为什么从 AI 专用升级为通用岗位? AI 版(ai-talent-grader v3.5)的方法论(漏洞穿透、量化审计、光滑度检测、三层追问测谎)适用于所有岗位。通用版保留全部硬核审计能力,将评估维度从"AI 专用"切换为"角色自适应"。
v1.0 变更日志(2026-06-16)
- 角色自适应评估:自动识别候选人角色(产品/技术/运营/销售/管理等),切换对应维度的评估锚点
- 通用行为锚点:6 维度从 AI 专用升级为通用岗位能力(专业流利度/决策判断力/系统设计力/资源编排力/认知深度/问题重构能力)
- 行业适配:根据候选人所在行业调整量化阈值的合理性判断
- 保留全部 v3.5 审计能力:漏洞穿透、量化审计、光滑度检测、主导可信度计算、三层追问测谎
触发场景
用户上传简历文件、面试评价记录或提出人才评估需求时自动触发。
| 场景 | 输入 | 输出 | 模式 |
|---|---|---|---|
| 仅简历评估 | 一份简历 | 审计报告 + 测谎面试题 | A |
| 完整定级 | 简历 + 面试记录 | 完整定级报告(含六维度评分和级别) | B |
| 面试认知复盘 | 面试记录/妙记转录 | 矛盾清单 + 认知画像 + 追问建议 | C |
| 批量评估 | 多个候选人文件 | 对比分析汇总 | A/B |
| 面试方案设计 | 上传岗位要求 | 生成面试方案和题库 | D |
复杂度路由
| 用户场景 | 复杂度 | 处理路径 |
|---|---|---|
| "评估这份简历" | S 级 | 简历审计 → 漏洞识别 → 生成测谎面试题(Mode A) |
| "面试完帮我定级" | A 级 | 简历审计 + 面试交叉验证 → 六维度打分 + 双乘数加权 → 完整报告(Mode B) |
| "面试复盘/分析候选人思维" | A+ 级 | 矛盾检测 → 认知解析 → 深挖追问生成 → 认知画像(Mode C) |
| "设计面试方案" | B 级 | 生成题库 + 评分表 + 微案例(Mode D) |
核心架构
输入模块
- 支持格式:PDF、DOCX、TXT、JSON、YAML、Markdown
- 自动识别文件类型并解析
- 自动识别候选人角色和行业
角色识别规则
| 关键词 | 自动识别角色 |
|---|---|
| 产品/PM/产品经理/产品总监 | product |
| 技术/开发/工程师/架构师/后端/前端 | engineering |
| 运营/用户运营/内容运营/增长 | operations |
| 销售/BD/商务/客户经理 | sales |
| 管理/总监/VP/CEO/负责人/经理 | management |
| 设计/UX/UI | design |
| 数据/分析师/数据科学 | data |
| HR/人力资源 | hr |
| 财务/会计 | finance |
| 市场/品牌/公关 | marketing |
评估引擎
简历漏洞穿透审计(5项指标,详见
references/resume_audit.md)- 高阶含金量审计
- 高势能低细节断层
- 因果链断裂检测
- AI生成痕迹识别
- 逻辑一致性校验
量化审计(详见
references/quantitative_thresholds.md)- 修饰词密度指数
- 量化数据基线完整率
- 因果链完整度
- 光滑度检测
- 主导可信度计算
信号提取(详见
references/signal_extraction.md)- 原文引用,不做改写
- 信号→分数强制映射
六维度通用能力评估(每个维度 1-4 分,详见
references/behavioral_anchors.md)- 专业流利度 — 在其专业领域的深度与广度
- 决策判断力 — 在不确定环境下的判断质量
- 系统设计力 — 将模糊需求转化为系统方案
- 资源编排力 — 协调多方资源达成目标
- 认知深度 — 知其然 vs 知其所以然
- 问题重构能力 — 发现真问题、重新定义问题
角色自适应
- 根据识别出的角色,切换各维度的评估锚点
- 产品/技术/运营/销售/管理各有对应的典型信号库
双乘数加权
最终能力 = 能力平均分 × 环境复杂度 × 个人杠杆率
- 环境复杂度:低 ×0.7 / 中 ×1.0 / 高 ×1.2
- 个人杠杆率:低 ×0.7 / 中 ×1.0 / 高 ×1.3
成长速度调整
- 高成长 +0.5 / 中不调整 / 低成长 -0.5
级别判定
六维度各 1-4 分,先算能力平均分(1-4 分制),再乘以 4得到综合得分(4-16 分制):
能力平均分 = (专业流利度 + 决策判断力 + 系统设计力 + 资源编排力 + 认知深度 + 问题重构能力) / 6 综合得分 = 能力平均分 × 4
综合得分(满分 16) 能力平均分 级别 4-7 1.00-1.75 L1 · 执行者 8-11 1.76-2.75 L2 · 协作者 12-14 2.76-3.50 L3 · 设计者 15-16 3.51-4.00 L4 · 战略者 铁律:全系统只认这一套分数映射。
评分一致性检验
- 综合得分 ≥13 或 ≤7:必须在报告中输出"置信度说明"
- 单维度分差 ≥2:必须标注"非均衡型"并解释
- 证据不足的维度:标注"信心不足"并要求补充信息,不得强行打分
认知深度 4 项检查(必经)
| 检查项 | 通过标准 | 未通过后果 |
|---|---|---|
| ① 为什么选 | 能说出具体的选择理由和对比过程 | 该维度最高 L2 |
| ② tradeoff | 能说出方案 A vs B 的利弊 | 该维度最高 L2 |
| ③ debug | 能描述出错的场景和修复过程 | 该维度最高 L2 |
| ④ 底层机制 | 能解释为什么有效(不只是"效果好") | 该维度最高 L2.5 |
防幻觉铁律(P0)
| 规则 | 说明 |
|---|---|
| 禁止脑补姓名/公司/职位 | 未提供时用"候选人A/B"或"[未提供]"标注 |
| 禁止捏造数据/指标 | 没有具体数字就标注"未提及" |
| 禁止虚构经历/项目 | "参与XX项目" ≠ "主导XX项目" |
| 禁止过度推断 | "参与" ≠ "主导","使用" ≠ "精通" |
| 不确定性必须标注 | 无法确认的判断必须在报告中明确标注 |
违反以上任意一条 = 本次评估无效。
冲突处理优先级
实测表现 > 面试口述 > 简历描述
打分纪律
- 单维度最高给 3 分,除非有极强组织级影响力证据
- L4 极稀缺,候选人有亮点 ≠ L4
- 双乘数加权必须执行,缺一不可
- 认知深度检查是必经步骤
- 简历审计是必经步骤:不经过漏洞穿透审计,不得打分
信号提取铁律(P0)
- 所有信号必须通过原文引用提取,语义归一化后映射到同一级别
- 禁止因措辞不同判不同级别
- 提取到信号自动映射到对应维度分数,不得凭感觉覆盖
- 某维度无信号标注"[未提及]",不得强行打分
参考文件
| 文件 | 说明 |
|---|---|
references/resume_audit.md |
简历漏洞穿透审计(通用版) |
references/quantitative_thresholds.md |
量化阈值表(通用版) |
references/behavioral_anchors.md |
L1-L4 通用行为锚点(角色自适应) |
references/signal_extraction.md |
信号提取标准化(角色自适应) |
references/cognitive_depth.md |
认知深度 4 项检查(通用版) |
references/output_templates.md |
定级报告标准输出模板 |
references/pre-flight-check.md |
执行前检查清单 |
scripts/validate_scores.py |
评分一致性校验器 |
热门AI工具
相关专题
本专题聚焦GoFrame框架的Web开发,拆解路由注册与匹配规则、请求参数获取、参数校验与中间件执行顺序,说明统一响应、JWT鉴权、文件上传与接口文档生成的落地方式,并补充优雅重启与测试实践。
0
2026.11.17
本专题围绕GoFrame框架的安装与工具链配置展开,讲清Go版本要求、gf命令行的安装方式、代理镜像与依赖准备,说明项目初始化、热编译、交叉编译打包的做法,并整理安装阶段的常见报错与验证步骤。
0
2026.11.17
本专题整理GoFrame框架的入门知识,从模块化设计理念、环境准备到跑通第一个Web服务,讲清目录分层、配置加载、日志与中间件的用法,并对比Gin、Go-Zero的差异,帮助Go开发者建立整体认知。
0
2026.11.17
SQLAlchemy 一对多关系怎么建立?本专题整理父子表外键、relationship 双向映射、关联查询、级联删除和加载优化等相关文章,帮助你理解并实现常见的 ORM 关系建模。
0
2026.11.17
SQLAlchemy 如何增删改查?本专题整理 ORM 新增记录、条件查询、更新和删除、Session 事务提交与批量处理等实用文章,帮助你掌握 Python 数据库操作流程。
0
2026.11.17
SQLAlchemy ORM 模型怎么写?本专题整理模型类定义、Mapped 字段映射、主键与约束、表结构创建和常见报错的相关文章,帮助你从基础配置到实际建模逐步掌握 SQLAlchemy。
0
2026.11.17
本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。
0
2026.11.12
本专题围绕Go-Zero的安装与工具链配置展开,讲清Go版本要求、goctl安装方式、代理镜像、protoc依赖与环境变量设置,说明多版本共存、升级回退与CI流水线安装的做法,并整理安装阶段的常见报错与验证步骤。
0
2026.11.12
本专题整理Go-Zero的入门知识,从框架定位、环境准备到跑通第一个API服务,讲清目录分层、配置加载、日志与中间件的基本用法,并对比Gin、Kratos的差异,帮助Go开发者建立整体认知,判断它是否适合当前项目。
0
2026.11.12
热门下载
相关下载
精品课程
共6课时 | 12.1万人学习
共79课时 | 161.9万人学习
共6课时 | 54.8万人学习