AI简历初筛实操：怎么搭一套不误杀人的筛子

不要问AI「这个人合适吗」

让AI给一个总分，看起来效率最高，实际上有三个问题：

• 分数不可解释。85分和82分的差距在哪，你不知道。候选人问起来你也答不上。
• 分数不可比。不同岗位的评分尺度不一样，跨岗位横向比较没有意义，但系统往往会诱导你这么做。
• 不确定性被藏进了分数。一份信息不全的简历和一份信息充分的简历，AI可能给出同样自信的分数。

正确的提问方式换一下：这份简历里，有没有 X 的具体证据。

区别在哪：前者是让AI做判断，后者是让AI找证据。判断留给人。这个区别决定了后面出问题的时候，你能不能追溯。

三层筛法：把决策权切开

两个关键设计：

• 第一层的条目要少。每加一条淘汰项，都在扩大那片你看不见的损失。写之前先问：不满足这条的人，有没有可能干好这活。
• 第三层的区间宽度是管理决策。带宽越宽，人看得多，误杀少但成本高。建议从「中段30%」起步，再按实测误杀率调。

提示词：只要证据，不要结论

你是招聘助理，负责从简历中提取证据，不做录用判断。

【岗位要求】
（只贴硬门槛和评分维度，不要贴整份JD）

【简历】
（粘贴简历文本）

对每个维度，按下面格式输出：
- 维度名：
- 简历中的依据：（原文引用，不要改写；没有就写「未提及」）
- 证据强度：强 / 弱 / 未提及
- 需要人工确认的点：（如果有）

约束：
1. 不要给出总分、排名，也不要给出「是否建议进入面试」的结论。
2. 不要用简历里没有的信息做推断。
3. 如果简历中的表述与岗位要求的用词不同，但很可能指向同一件事，明确指出并说明理由，不要直接判为不匹配。
4. 如果简历存在解析异常（时间线断裂、字段缺失、排版导致的信息错位），标记为「需人工确认」，不要按缺失处理。

第3条约束是整段提示词里最重要的。它专门针对下一节要讲的词汇错配。

第4条是针对解析失败的防御。简历解析出问题的时候，系统默认的表现是「这个人没有相关经验」，而不是「我看不清」。这两者对候选人的结果一样，但后者你还有机会补救。

词汇错配：误杀的主要来源

机制很简单：同一件事在不同公司有不同叫法。项目管理、项目交付、项目集管理，指的可能就是同一类工作。基于关键词匹配的系统会把它当成三件事，然后判其中两件为不匹配。

哈佛商学院 Fuller 团队的研究里有一个典型例子：退伍军人被系统性过滤，原因是他们的技能描述方式与雇主搜索的关键词不匹配，而不是能力不匹配。同一份研究指出，美国约半数公司的筛选规则会排除简历有6个月以上空档的人。

两类误杀要分开处理：

• 词汇错配：做过，但用的词不一样。防御靠同义词表和提示词里的显式要求。
• 路径错配：能力够，但路径不是标准路径。非科班、转行、自学、职业中断后回归。这一类比词汇错配更难发现，因为它不会触发任何「用词不同」的信号。

防御动作有三个，按成本从低到高：

• 在提示词里显式要求AI报告「用词不同但很可能指向同一件事」的情况，这一步零成本。
• 按岗位维护同义词表，每次发现误杀就补一条。
• 把误杀样本定期回流，检查是不是同一类背景的人反复被过滤。这一步能发现系统性偏差，而不只是个别案例。

误杀率怎么测：固定比例抽样回评

具体动作，四步：

• 每周从被AI拒绝的简历里随机抽10%，样本量不少于20份。少于20份的统计说明不了任何问题。
• 由不参与初筛的人独立看一遍，通常是招聘经理或另一位招聘官，判断「该不该进入面试」。
• 计算：认为该进但被AI拒绝的条数 ÷ 抽样总数，得到误杀率。
• 每个误杀样本都要归因，四选一：词汇错配、路径错配、维度定义有问题、AI误读。

误杀率的目标定在多少，是管理决策不是技术常数，取决于这个岗位的人才稀缺程度和你的招聘产能。但有两条纪律不能破：

• 上线后前三个月必须每周测。不能只在「感觉最近候选人质量不对」的时候才测，那时候你已经损失了三个月的人。
• 误杀率上升时先查维度定义，不要急着调AI。多数情况下问题出在你给的标准本身，不在模型。

合规边界：什么算自动化决策工具，什么不算

纽约市2021年第144号地方法（Local Law 144）的官方常见问题解答，给了一条对实操非常有用的分界线。

不属于（不需要偏见审计和通知）：

• 用工具扫描简历库
• 向潜在候选人做外呼
• 邀请他人申请

属于（需要年度独立偏见审计，并提前通知候选人）：

• 用工具评估或筛选候选人，包括用简历筛选软件决定谁进入面试

判断「实质性协助或替代人工判断」的三种情形，满足其一即落入范围：工具输出是决策的唯一依据；工具输出的权重高于其他任何因素；工具被用来推翻人工已经做出的判断。

这一条对实操的意义很直接：很多团队以为「最后人看一眼就不算自动化决策」，但如果AI排序在最终决策里的权重最高，仍然落在监管范围内。人在环路里（human in the loop）不等于人在做决策。

另外三个执行细节：

• 偏见审计必须由独立审计方执行，不能是使用或开发该工具的主体。
• 审计有效期一年，到期要重做。
• 需提前10个工作日通知候选人（适用于纽约市居民）。

上线节奏：前八周怎么跑

• 第1至4周：AI只做标注，不做决策。人做全部判断，系统记录AI与人的每一次分歧。
• 第5至8周：AI只过滤第一层的淘汰项，其余全部给人。
• 第9周起：按实测误杀率决定是否扩大AI的过滤范围。

前四周的分歧记录是这套方法里最值钱的资产。它直接告诉你AI在哪些维度上跟你不一致，而这些维度就是后面需要重点校准的地方。跳过这一步直接全量上线，等于放弃了唯一一次低成本了解系统行为的机会。

事实与数据来源

• 自动化决策工具的适用边界：纽约市消费者与劳动者保护局（DCWP），Local Law 144 of 2021 官方常见问题解答：扫描简历库、向潜在候选人外呼、邀请他人申请不属于需要审计的用途；用于评估或筛选候选人则属于。审计须由独立审计方执行、有效期一年、需提前10个工作日通知。「实质性协助」的三种情形：输出为唯一依据、权重高于其他因素、用于推翻人工判断
• 词汇错配与路径错配造成的系统性过滤：Fuller, J. B. 等，《Hidden Workers: Untapped Talent》（哈佛商学院与 Accenture，2021）：退伍军人因技能描述方式与雇主关键词不匹配被系统性过滤；约半数美国公司设置排除简历空档超6个月者的规则
• 三层筛法、抽样比例、上线节奏：本文作者基于招聘实践的整理，抽样比例与上线节奏为操作建议而非实证结论