⚡ 15+ HR全场景 · 即用提示词卡片集

HR全场景提示词卡片集

覆盖JD撰写、人才寻访、面试出题、薪酬分析、绩效反馈、员工关系等场景。
同时适配 DeepSeek(中文更强)和 ChatGPT(推理更强)。

💡 点击提示词框可展开全文 · 点击「复制」可直接粘贴使用
🟢 DeepSeek 更擅长中文场景、本土政策合规
🟡 ChatGPT 更擅长复杂推理、多步骤分析
📋 复制后把【括号内容】替换为真实信息
🔁 同一提示词可多次迭代优化输出
01
JD撰写
双模型
生成专业且有吸引力的岗位描述
【角色】你是一位资深HRBP,擅长撰写高转化率的JD。 【任务】为以下岗位撰写一份专业JD: 岗位名称:【如:AI产品经理】 所属部门:【如:技术中心】 汇报对象:【如:CTO】 薪资范围:【如:30-50K·14薪】 工作地点:【如:深圳】 【要求】 · 必须有3年以上【相关领域】经验 · 熟悉【关键技术/工具】 · 具备跨部门协作能力 【公司优势】 · 【公司规模/行业地位】 · 【团队氛围/技术栈】 · 【晋升通道/培训体系】 【输出格式】 1. 岗位标题(吸引人) 2. 公司介绍(50字内) 3. 岗位职责(5-8条,动词开头) 4. 任职要求(硬技能+软技能) 5. 我们提供(薪酬+成长+福利) 6. 如何申请(CTA)
💡 优化技巧:在「公司优势」部分加入具体数字(融资额、用户量),转化率提升30%+
02
人才寻访
DeepSeek
生成精准人才搜索指令与触达话术
【角色】你是资深猎头,擅长精准定位被动候选人。 【目标岗位】 · 岗位:【如:大语言模型算法工程师】 · 行业:互联网/AI · 级别:P7-P8 或等价级别 · 当前公司类型:【大厂/创业公司/外企】 【搜索指令生成】 请为以下平台生成搜索指令: 1. 猎聘/BOSS直聘关键词组合(中文) 2. LinkedIn/Indeed 搜索字符串(英文) 3. Github/技术社区搜索关键词 【触达话术】 请撰写3个版本的触达话术: · 版本A:直接型(适用于主动求职者) · 版本B:咨询型(适用于被动候选人) · 版本C:价值型(强调项目价值) 【筛选标准】 生成初筛问题清单(5个关键问题,用于验证匹配度)。
💡 DeepSeek 对中文求职平台的关键词组合效果更好,建议优先使用。
03
面试出题
ChatGPT
基于岗位要求自动生成结构化面试题
You are an expert interview designer for top-tier tech companies. 【Context】 Role: 【Job Title】 Seniority: 【Junior/Mid/Senior/Staff】 Team Culture: 【Collaborative/Autonomous/High-Paced】 【Requirements】 1. Generate 15 interview questions divided into: · 5 Behavioral questions (STAR method) · 5 Technical/Skills questions · 5 Culture-fit questions 2. For each question, provide: · The question · What a good answer should cover (scoring rubric) · Red flags to watch for 3. Suggest a 45-minute interview time allocation plan. 【Output Format】 Markdown table with columns: Type | Question | Key Points in Answer | Red Flags
💡 ChatGPT 在生成结构化评分标准(rubric)方面表现更优,建议英文提示词。
04
薪酬对标
双模型
生成薪酬对标报告与调薪建议
【角色】你是薪酬福利专家,熟悉中国互联网行业薪酬水平。 【任务】为以下岗位生成薪酬对标分析报告: 岗位信息: · 岗位名称:【如:Data Scientist, P7】 · 所在城市:【如:深圳】 · 公司阶段:【如:成长期创业公司,C轮】 · 当前薪资:【如:40K×14】 【对标要求】 请按以下维度生成报告: 1. 市场P25/P50/P75/P90分位薪资 2. 股票/期权典型授予范围 3. 奖金结构(年终奖/绩效奖比例) 4. 各城市差异系数(北上深杭) 5. 近2年薪酬趋势(涨薪幅度) 【输出】 · 表格:分位值对比 · 建议:该候选人调薪至多少可保留(保留价 vs 市场价) · 风险提示:如果调薪幅度>30%,注意事项
💡 在提示词后附上公司最近的薪酬调研数据(截图/文字),AI输出准确度显著提升。
05
绩效反馈
双模型
将粗放的绩效观察转化为结构化反馈话术
【角色】你是经验丰富的HRBP,擅长将绩效观察转化为建设性反馈。 【背景】需要提供绩效反馈的员工信息: · 员工姓名:【姓名】 · 岗位:【岗位】 · 绩效等级:【超出预期/符合预期/待改进】 · 关键观察:【3-5条具体行为观察,含具体事例】 · 反馈目标:【如:激励保留/改进提升/温和警示】 【任务】生成一份完整的绩效反馈脚本,包含: 1. 开场(建立安全感,3个选项) 2. 正面反馈(基于具体事例,SBI模型) 3. 改进建议(针对待提升项,含可落地的行动建议) 4. 结束(以积极展望收尾) 5. 注意事项(该员工性格特点对应的沟通禁忌) 【约束】 · 语气:【如:直接/温和/鼓励型】 · 长度:15分钟可完成的对话脚本 · 避免使用空洞形容词,每段反馈必须含具体事例
💡 附上该员工过去3个月的OKR完成记录,AI能生成更精准的反馈重点。
06
员工关系
DeepSeek
生成各类员工沟通场景的话术模板
【角色】你是资深员工关系专家,熟悉中国劳动法与组织沟通最佳实践。 【场景】需要处理以下员工关系场景的沟通话术: 场景类型:【如:绩效不达标需要PIP / 团队冲突调解 / 离职面谈 / 晋升未果情绪安抚】 员工背景:【工龄/级别/过往表现/性格特点】 事发经过:【简述事件经过】 【任务】 1. 生成3个版本的沟通脚本: · 版本A:直接清晰型(适用于理性型员工) · 版本B:共情倾听型(适用于情绪型员工) · 版本C:未来导向型(适用于成长型员工) 2. 每个版本包含:开场白 / 核心信息传达 / 倾听与回应 / 收尾与下一步 3. 附上:该场景的法律合规检查清单(避免违法解除/歧视表述) 4. 风险提示:哪些表述绝对不能使用(附替代说法) 【输出格式】逐字稿形式,可直接用于主管培训。
💡 DeepSeek 对《劳动合同法》相关条款的引用更准确,建议涉及合规场景优先使用。
07
离职面谈
ChatGPT
生成结构化离职面谈提纲与洞察提炼框架
Act as an expert retention analyst and exit interview facilitator. 【Context】 Departing Employee: · Role: 【Job Title】 · Tenure: 【X years】 · Performance: 【Exceeds/Meets/Below】 · Departure Reason (self-reported): 【e.g., Better Offer / Career Pivot / Work-Life Balance】 【Task】 1. Design a 30-minute exit interview guide with: · Opening script (setting safety) · 12 questions across 4 dimensions: - Role & Tasks (was the work meaningful?) - Manager & Team (psychological safety?) - Company & Culture (what broke?) - Future & Growth (why now?) · Probing techniques for each question · Closing script (keeping the door open) 2. Create a template for classifying the real reason for leaving (the self-reported reason is often not the real reason). 3. Suggest 3 warning signals that, in hindsight, should have been caught earlier. 【Output】Markdown format, suitable for training HR generalists.
💡 将过往5份离职面谈记录匿名化后附给AI,可训练出本公司的「离职原因分类模型」。
08
培训需求
双模型
从绩效数据/能力测评中提炼培训需求矩阵
【角色】你是组织发展与培训需求分析专家。 【输入数据】(请附上以下数据,或描述数据特征) · 过去12个月各部门绩效分布(Excel/CSV格式或描述性统计) · 最近一次能力测评结果(全员/抽样) · 员工敬业度调研中「培训与发展」维度得分 · 业务战略重心(未来12个月业务重点) 【任务】 1. 识别 Top 3 能力缺口(用数据支撑,而非拍脑袋) 2. 生成培训需求优先级矩阵: · 横轴:影响业务战略的程度(高/中/低) · 纵轴:当前能力缺口严重程度(高/中/低) · 每个象限对应的培训策略建议 3. 为 Top 3 能力缺口分别设计: · 培训目标(SMART格式) · 推荐交付形式(内训/外训/在线/On-the-Job) · 预算估算(如需外聘讲师) · 效果评估方法(Kirkpatrick四级模型) 【输出】可直接呈报管理层的1页PPT大纲。
💡 培训需求分析的核心陷阱是「凭感觉」。务必附上真实数据,AI才能给出有说服力的优先级。
09
组织设计
ChatGPT
基于业务战略生成组织架构调整方案
You are an organizational design consultant who has worked with top tech companies. 【Current State】 · Company stage: 【Series B / Public / Growth】 · Current org structure: 【Functional / Divisional / Matrix / Network】 · Team size: 【Total HC, and breakdown by function】 · Key pain points: 【3-5 specific problems, e.g., slow decision-making, unclear ownership】 【Target State (Strategy)】 · Business strategy for next 18 months: 【e.g., Expand to Enterprise market / AI-First transformation】 · Speed requirement: 【How quickly must the org adapt?】 · Constraints: 【e.g., Cannot hire >50 people in 12 months】 【Task】 1. Propose 2 alternative org designs: · Option A: Evolutionary (minimal disruption) · Option B: Revolutionary (optimized for new strategy) 2. For each option, provide: · Org chart (text description or ASCII art) · Pros & Cons · Migration cost (HC movement, role changes, timeline) · Risk assessment 3. Recommend which option + why. 4. Create a 90-day implementation roadmap. 【Output】Executive-ready slide deck outline (max 8 slides).
💡 组织架构设计没有标准答案。AI的价值是「生成你没想到的选项」,而非直接给答案。
10
候选人评估
双模型
将面试记录整合为结构化评估报告
【角色】你是科学面试官,擅长将多方面试反馈整合为客观、不留于表面的评估报告。 【输入】以下为【候选人姓名】的面试记录,来自4位面试官: (粘贴每位面试官的反馈,含评分和问题观察) 【任务】 1. 整合分析:识别面试官之间的评价分歧,标注需要追问的点 2. 生成结构化评估报告,含: · 候选人核心竞争力(Top 3,附具体事例) · 潜在风险点(Top 2,含缓解建议) · 文化匹配度评估(1-5分 + 理由) · 薪资建议(基于市场和当前团队薪资带) · 最终推荐意见:Strong Hire / Hire / No Hire / Strong No Hire 3. 生成一份「面试官校准会议」的15分钟讨论提纲 【输出格式】 Markdown报告,可直接粘贴到ATS系统或分享给 hiring manager。
💡 此方法可大幅降低「群体思维」偏差。AI会主动标注面试官之间的分歧点,这是人类容易忽略的。
11
薪酬调整
DeepSeek
基于绩效、市场、内部公平生成调薪建议
【角色】你是薪酬调整决策支持专家。 【背景】年度/半年度调薪周期,需要为以下员工生成调薪建议: 员工信息(可批量处理多份): · 姓名/级别/当前薪资/入职时间 · 最近一次绩效评级 · 市场薪酬分位(P25/P50/P75) · 内部相对公平系数(与同级别同事相比) · 保留风险评级(高/中/低) 【任务】 为每位员工计算: 1. 建议调薪幅度(%):综合考虑绩效(40%权重)、市场分位(30%)、内部公平(20%)、保留风险(10%) 2. 调薪理由(用于与员工沟通的版本,正面表述) 3. 如果预算有限,生成优先级排序(先保哪些人) 4. 异常检查:调薪后是否造成新的内部不公平(提醒DRI处理) 【输出】 Excel格式的建议表格(可直接用于薪酬审批流程)+ 与员工一对一沟通的话术建议。
💡 调薪沟通的话术质量直接影响保留效果。让AI生成「正面表述版本」,避免员工聚焦在「只涨了X%」。
12
满意度调研
双模型
设计高信度的员工满意度调研问卷与分析框架
【角色】你是组织心理学专家,擅长设计高信度的员工满意度调研。 【调研目标】 · 目的:【如:年度敬业度基线 / 组织变革前的感知摸底 / 新员工体验诊断】 · 目标人群:【全员 / 新入职0-12个月 / 特定部门】 · 调研方式:【匿名在线问卷 / 抽样访谈 / 混合】 · 希望发现的洞察:【如:离职风险预警信号 / 管理效能短板 / 文化契合度】 【任务】 1. 设计调研问卷(15-20题),覆盖以下维度: · 工作意义感与成就感 · 直接上级的管理效能 · 团队协作与心理安全感 · 公司方向与战略清晰度 · 成长与晋升通道感知 · 工作负荷与 burnout 风险 2. 每题提供:题干 + 量表类型(Likert 5点/7点/NPS)+ 该题能揭示的核心问题 3. 设计调研后续动作框架: · 如何向全员透明化地反馈调研结果? · 如何在30天内基于调研结果启动可感知的改变? · 如何避免「调研疲劳」(这是本年第三次调研)? 【输出】可直接导入问卷星的问卷 + 后续行动SOP。
💡 满意度调研最大的失败是「只调研不行动」。在提示词中明确要求AI设计「后续行动框架」,而不只是问卷。
13
人才盘点
ChatGPT
生成九宫格人才地图与继任计划建议
Act as an expert talent review facilitator for a Fortune 500 company. 【Input】(Paste your talent data or describe the population) · Team/Department: 【e.g., Engineering, 85 people】 · Performance data: 【Recent cycle ratings】 · Potential assessment: 【High/Potential/Stable for each person】 · Retention risk flags: 【High/Medium/Low】 · Diversity considerations: 【Gender, ethnicity — for fair review】 【Task】 1. Generate a 9-Box talent matrix: · Map each person to the 9-box (Performance × Potential) · Highlight: High Performers (Top-Right), High Potentials, Key Contributors, Low Performers 2. For the Top-Right (High Perf × High Pot): · Proposed development plan (stretch project / experential rotation) · Succession plan (who can replace whom in 12 months?) 3. For the Low Performers: · PIP (Performance Improvement Plan) recommendation · Or, respectful exit plan 4. Generate a 1-on-1 talent calibration meeting guide for the leadership team. 【Output】Slide-ready talent map (text description) + action plan for top 20% and bottom 10%.
💡 人才盘点的核心价值不是「分类」,而是「对话质量的提升」。用AI生成的结构化框架,让校准会议从「晒人」变成「做决策」。
14
HR数据分析
双模型
将原始HR数据转化为洞察报告与可视化建议
【角色】你是HR数据分析师,擅长从HR数据中提炼业务洞察。 【数据】 (请粘贴CSV前20行,或描述数据字段) 典型字段包括: · 员工ID / 部门 / 级别 / 入职日期 · 最近一次绩效评级 · 最近一次薪酬调整幅度与日期 · 是否主动离职(及日期) · 晋升记录 · 培训完成小时数 【任务】 1. 提出针对这组数据的5个最有价值的分析角度 (不要泛泛的「离职率分析」,要具体到业务问题,如: 「校招P5晋升到P7的平均周期是否在延长?这反映了什么?」) 2. 对每个分析角度,说明: · 需要计算什么指标? · 如何可视化(柱状图/热力图/生存曲线/桑基图)? · 这个洞察能支持什么HR决策? 3. 识别数据中的异常值(outliers)和可能的数据质量问题 【输出】 每个分析角度对应「洞察陈述 + 可视化建议 + 决策建议」三段式输出,共5组。
💡 数据分析的瓶颈往往不是「工具」,而是「提出好问题的能力」。让AI帮你生成分析角度,而不是只让它帮你算指标。
15
组织效能
ChatGPT
生成组织效能诊断框架与改进优先级
You are an organizational effectiveness diagnostician who has designed operating models for multiple scaled tech companies. 【Current State - Quantiative Signals】 (Provide whatever data you have — even partial data is OK) · Headcount: 【Total, and by function】 · Revenue per HC (or budget per HC): 【$X】 · Span of control: 【Average reports per manager】 · Layers between CEO and individual contributor: 【X layers】 · Time-to-decision on cross-functional projects: 【X days on average】 · Employee Net Promoter Score (eNPS): 【Score】 · Voluntary turnover rate (last 12 months): 【X%】 【Current State - Qualiative Signals】 · Top 3 organizational frustrations (from employee feedback/surveys): 1. 【e.g., "Decisions take too long"】 2. 【e.g., "I don't know how my work lins to company strategy"】 3. 【e.g., "Too many meetings"】 · What has already been tried to fix these problems? 【Task】 1. Diagnosis: For each quantitative and qualitative signal, diagnose the underlying organizational design problem. 2. Benchmark: Compare each metric against high-performing tech companies (reference: reference class forecasting). 3. Recommendations: Propose 5 specific organizational changes, ranked by: · Impact (how much will this improve effectiveness?) · Feasibility (how hard is this to implement?) · Speed (how fast will we see results?) 4. Implementation: For the #1 recommendation, create a 90-day rollout plan. 【Output】A 2-page diagnostic report (markdown) suitable for sharing with the executive team.
💡 组织效能诊断最容易陷入「列清单」而不「做判断」。明确要求AI对每项指标做出「诊断判断」(而不仅是描述),输出质量显著提升。
AIHR数智引擎公众号二维码

用完别忘了关注 AIHR数智引擎
更多 AI+HR 即用工具,在公众号持续更新