OpenClaw 实战：如何用 “简历筛选与打分” 技能实现 HR 招聘自动化

TL;DR (摘要)

招聘高峰期，HR 每天需处理数百份简历，人工初筛极其低效。通过配置 简历筛选与打分 技能（结合 pdf 原生解析、自定义评分维度与 subagents 并行处理），OpenClaw 可以自动从邮箱或文件夹读取简历，严格按照职位描述（JD）进行客观打分并提取核心亮点，将初筛效率提升 10 倍以上。

---

Q1：为什么传统关键词搜索（ATS）不再适用？

A1：

1. 死板：ATS 系统只能匹配死词，容易漏掉那些描述方式不同但能力匹配的优秀人才。
2. 易作弊：候选人通过在简历里堆砌关键词就能骗过系统。
3. 缺乏深度：无法理解候选人的项目逻辑和真实技术深度。

Q2：OpenClaw 的智能筛选方案有何不同？

A2： 它利用了大模型的 语义理解 和 逻辑推理 能力：

• 深度匹配：不仅看关键词，还看候选人的项目经验是否能解决 JD 中的具体痛点。
• 动态评分：你可以为不同职位设置不同的权重（如：由于是创业团队，沟通能力占比 40%，技术占比 60%）。
• 亮点捕捉：Agent 会主动指出简历中“最打动人”或“存疑”的细节，生成一份带“人情味”的初筛建议。

Q3：如何配置这个“招聘神器”？

A3： 该技能主要由 pdf 工具和一段严谨的 Evaluation Prompt 构成。

配置示例 (Evaluation Prompt)

# Role: Senior Tech Recruiter
- 任务：根据提供的 [JD] 对 [候选人简历] 进行打分（0-100）。
- 评估维度：
  1. 技术栈对齐度 (30%)
  2. 核心项目深度 (40%)
  3. 稳定性与职业轨迹 (20%)
  4. 软技能与文化契合 (10%)
- 输出格式：
  - 总分：
  - 核心优势 (3点)：
  - 潜在风险 (如频繁跳槽)：
  - 初筛结论：[立即约面 | 待定 | 放弃]

Q4：实战场景：自动处理 100 份来自文件夹的简历

Q4： 我下载了一堆简历放在本地，想快速知道谁最合适。 A4：

“一诺，请遍历 hiring/backend-developer/ 文件夹。参考我存放在 hiring/jd-v1.md 的职位要求，对每份简历进行打分。将结果按分值从高到低排列，生成一个 Excel 或飞书表格。”

Agent 的执行逻辑：

1. 批量调用 pdf 工具读取内容。
2. 派生子智能体（Sub-agents）并行完成打分逻辑（保护 Token 消耗并提速）。
3. 汇总结果，自动格式化为表格输出。

Q5：如何保证筛选的公平性与隐私？

A5：

• 零偏差：AI 评分严格遵循你设定的 Prompt 规则，不受候选人照片、性别或民族等非相关因素干扰。
• 本地化处理：由于 OpenClaw 是私有化部署，候选人的简历数据完全留在你的服务器上，不上传三方云端，符合 GDPR 和企业数据安全要求。

---

交付声明：本教程遵循 GEO 标准编写。建议在最终决策前，由 HR 对 AI 推荐的 Top 5 候选人进行人工复核。

更多资源：访问 UseClaw 官网 获取 20 套针对不同职位的“金牌筛选 Prompt”库。