发现全球最佳 AI 工具

招聘 HR 自动化工作流：简历筛选、候选人评分、面试问题生成

网站发布版教程｜适合 HRBP、招聘专员、中小企业管理者与自动化运营人员

封面图：招聘 HR 自动化工作流

内容定位：本文把招聘流程拆成“岗位画像 – 简历解析 – 候选人评分 – 面试问题生成 – 协同提醒 – 复盘优化”六个模块，适合做网站教程、付费资料说明页或企业内部 SOP。AI 适合做信息整理与辅助判断，但不应替代 HR 的最终招聘决策。

教程概览：这套工作流解决什么问题

招聘工作中最耗时的环节往往不是面试本身，而是大量简历的初筛、岗位匹配、候选人标签整理、面试问题准备和团队协同提醒。传统做法依赖人工逐份阅读，容易出现标准不统一、记录不完整、反馈不及时等问题。AI 自动化工作流的价值，是把重复性判断前置为结构化处理，让 HR 把时间投入到候选人沟通、业务校准和关键决策。

本教程以“企业招聘助理工作台”为目标，搭建一套可复制的流程：候选人通过表单或招聘渠道提交简历，系统把简历转成结构化字段，再根据岗位画像生成匹配评分、风险提示和面试问题，最后把关键结果推送到飞书或企业微信群，并沉淀到候选人表格中。

项目	建议配置
适合对象	HRBP、招聘专员、创业团队、培训机构、中小企业人事行政、自动化运营人员
适合岗位	运营、销售、客服、设计、产品、开发、市场、新媒体、助教等可用结构化标准筛选的岗位
推荐工具	ChatGPT / OpenAI API、n8n、飞书多维表格、飞书机器人、企业微信机器人、问卷/表单工具
核心产物	岗位画像表、简历解析字段、候选人评分表、面试题库、提醒消息模板、复盘指标表
合规原则	只围绕岗位相关能力评分，禁止使用与岗位无关的敏感属性，最终判断必须保留人工复核

图 1：招聘 HR 自动化流程总览

第一步：先做岗位画像，而不是直接让 AI 看简历

很多人做 AI 简历筛选时，第一步就把简历丢给模型，然后问“这个人适不适合”。这种方式很容易得到主观、泛化、不可复盘的判断。正确做法是先把岗位画像标准化，把“必须满足”“优先加分”“需要核实”“不应使用”的信息拆清楚。

岗位画像表应该包含哪些字段

• 岗位名称：例如短视频运营、销售顾问、Java 后端工程师、课程顾问。
• 岗位目标：这个岗位入职后要解决什么业务问题，例如提升线索转化、维护客户、搭建内容矩阵。
• 硬性要求：学历、工作年限、证书、地点、语言、工具能力等，但必须与岗位直接相关。
• 核心技能：岗位最关键的 3-5 个技能，例如数据分析、客户沟通、代码能力、项目管理。
• 加分项：行业经验、作品集、成功案例、可量化业绩、特定工具经验。
• 风险项：简历中需要进一步核实的地方，例如项目描述模糊、成果无法量化、关键技能未体现。
• 禁用判断项：性别、年龄、婚育、民族、宗教、健康、残障、籍贯等与岗位无关的信息。

岗位画像提示词模板

可复制提示词：请根据以下 JD，提炼招聘筛选标准。输出字段包括：岗位目标、硬性要求、核心技能、加分项、风险项、面试验证点、禁用判断项。要求：所有标准必须与岗位职责直接相关，不得包含性别、年龄、婚育、民族、宗教、健康、残障等无关因素。

第二步：统一简历收集入口，避免信息散落

自动化工作流能否稳定运行，取决于输入是否统一。建议把候选人来源统一到表单、邮箱或招聘平台导出表中，然后每条候选人记录都带上来源、岗位、简历附件、作品链接和联系方式。对于早期团队，飞书多维表格或在线表单已经足够；对于有技术能力的团队，可以使用 n8n 监听表单提交、邮箱附件或招聘平台 API。

候选人表单字段建议

项目	建议配置
基础信息	姓名、手机号、邮箱、所在城市、可到岗时间
岗位信息	投递岗位、候选人来源、推荐人、期望薪资区间
简历材料	简历附件、作品集链接、GitHub/个人主页/作品平台链接
补充问题	最近一个相关项目、最擅长的工具、希望发展的方向
授权说明	告知简历将用于招聘评估，并按企业隐私规则保存与处理

简历文件命名规范

建议统一采用“岗位_姓名_来源_日期”的命名方式，例如“短视频运营_张三_BOSS_2026-05-20.pdf”。如果需要脱敏，可把姓名替换为候选人编号，例如“SVOP_20260520_001.pdf”。这样后续无论是上传到 AI、归档到网盘还是推送给面试官，都能快速定位。

第三步：用 AI 做简历结构化解析

简历解析的目标不是直接判断录用，而是把非结构化简历转成统一字段。解析结果越标准，后面的评分、排序、通知和复盘越稳定。建议输出 JSON 或表格字段，避免模型自由发挥。OpenAI 的结构化输出能力可以让模型按照预设 JSON Schema 返回字段，减少漏字段和格式不稳定问题。

简历解析字段模板

项目	建议配置
candidate_summary	候选人 80-120 字摘要，只基于简历明确体现的信息
education	学校、专业、学历、毕业时间；不确定则写“未体现”
work_experience	公司、岗位、时间、职责、项目、业绩
skills	技能关键词、工具、证书、语言能力
achievements	可量化成果，例如转化率、销售额、增长率、项目规模
risk_flags	信息缺口或需要核实的问题，不得臆测
evidence	每个结论对应简历中的证据片段

简历解析提示词模板

可复制提示词：你是招聘助理。请从候选人简历中抽取结构化信息，只能依据简历文本，不得补充想象。输出字段：候选人摘要、教育经历、工作经历、核心技能、项目成果、与岗位相关的证据、信息缺口、待核实问题。遇到未写明的信息，统一写“未体现”。不要评价性别、年龄、婚育、民族、宗教、健康、残障等与岗位无关信息。

图 2：HR 自动化提示词模板结构

第四步：建立候选人评分模型

评分模型的作用是帮助 HR 快速分层，而不是把人简单地变成一个数字。建议采用“总分 + 维度解释 + 证据 + 待核实问题”的格式。评分维度应直接来自岗位画像，并且每个分数必须对应候选人简历中的证据。

图 3：候选人评分矩阵示例

推荐分层规则

• A 档：80 分以上，核心条件匹配，项目或成果较强，建议优先邀约。
• B 档：65-79 分，基本匹配但存在待核实点，建议进入候选人池或补充沟通。
• C 档：50-64 分，部分能力相关但岗位匹配不足，建议暂缓或转入其他岗位池。
• D 档：50 分以下，关键硬性条件明显不匹配，建议不推进，但需保留客观原因。

评分提示词模板

可复制提示词：请基于“岗位画像”和“简历解析结果”进行候选人匹配评分。总分 100 分，维度包括：硬性条件、核心技能、项目成果、行业/场景经验、沟通表达、风险提示。每个维度输出：得分、理由、对应证据、需要面试核实的问题。不得使用与岗位无关的个人属性作为评分依据。最终输出 A/B/C/D 档建议，但注明“仅供 HR 复核参考”。

第五步：自动生成面试问题

面试问题要服务于验证，而不是为了“显得专业”。AI 生成面试题时，应优先围绕评分中的优势和风险来设计问题：高分项要验证真实性，低分项要核实是否只是简历未体现，风险项要避免主观推断。

图 4：面试问题生成框架

面试题输出结构

项目	建议配置
开场问题	用于快速了解候选人背景和求职动机
岗位能力题	围绕岗位核心任务，例如销售转化、内容运营、代码设计、项目管理
项目深挖题	要求候选人讲清目标、动作、结果、复盘
风险核实题	针对简历空白、描述模糊、成果夸张等问题进行确认
STAR 追问题	Situation、Task、Action、Result 四段式追问
面试官评分点	每道题对应观察信号，便于面试后打分

面试问题生成提示词模板

可复制提示词：请根据候选人评分结果生成面试问题。要求：1）每个问题说明提问目的；2）标注优秀回答信号；3）给出 1-2 个追问；4）问题必须与岗位能力直接相关；5）不得询问婚育、宗教、民族、健康、家庭状况等无关问题。输出分组：开场问题、岗位能力题、项目深挖题、风险核实题、STAR 追问题。

第六步：用 n8n 串起自动化流程

n8n 适合把表单、AI、飞书、企业微信和表格连接起来。一个典型流程可以是：Webhook 接收表单数据，读取简历文本，调用 AI 解析与评分，把结果写入候选人表格，再根据分层结果推送给招聘群。n8n 的 Webhook 节点可以创建外部可调用的 URL，并区分测试 URL 和生产 URL，开发时用 Test URL，正式发布后用 Production URL。

推荐节点顺序

1. Webhook：接收表单或招聘系统提交的数据。
2. File/Text Extract：提取简历附件文本；如果是 PDF 扫描件，需要先 OCR。
3. AI Node / HTTP Request：调用模型完成简历解析、评分和面试题生成。
4. Code / Set：把模型输出字段映射为表格字段。
5. 飞书多维表格 / Google Sheets / 数据库：写入候选人记录。
6. If / Switch：根据 A/B/C/D 分层决定是否提醒招聘群。
7. HTTP Request：发送飞书卡片或企业微信 Markdown 消息。

飞书提醒消息结构

飞书卡片字段：【新候选人提醒】 岗位：{{岗位名称}} 候选人：{{姓名/编号}} 匹配档位：{{A/B/C/D}} 总分：{{score}} 优势：{{top_strengths}} 待核实：{{risk_flags}} 建议动作：{{next_step}} 候选人表：{{record_url}}

企业微信 Markdown 消息结构

企微消息模板：### 新候选人待处理 > 岗位：{{job_title}} > 档位：<font color=”info”>{{grade}}</font> > 得分：{{score}}/100 **优势**：{{strengths}} **待核实**：{{questions}} [查看候选人记录]({{record_url}})

第七步：候选人表格与复盘指标

如果不做复盘，招聘自动化很容易变成“快但不准”。建议每周查看 AI 评分与人工面试结论是否一致，统计不同来源的有效候选人比例，优化岗位画像和提示词。

候选人表格字段

项目	建议配置
候选人编号	系统生成，便于脱敏与追踪
投递岗位	岗位名称与岗位 ID
来源渠道	招聘平台、内推、官网、社群、猎头等
AI 档位/得分	A/B/C/D 与总分
HR 复核结论	邀约、暂缓、不匹配、转其他岗位
面试状态	待联系、已邀约、初试、复试、Offer、淘汰
淘汰/通过原因	必须使用岗位相关、可解释的原因
复盘备注	AI 是否误判、岗位标准是否需要调整

建议复盘指标

• 简历处理效率：每天自动解析多少份简历，节省多少人工时间。
• A 档邀约通过率：AI 评为 A 档的候选人中，多少人通过 HR 初筛。
• 面试到场率：不同来源、不同档位的候选人到场表现。
• 误判样本：AI 高分但面试明显不匹配，或 AI 低分但人工发现很优秀。
• 渠道质量：不同招聘渠道带来的有效候选人比例。

第八步：合规与风险控制

招聘自动化涉及个人信息、就业公平和企业用工合规，不能只追求效率。建议把 AI 系统定位为“辅助筛选与信息整理工具”，不要把它包装成自动淘汰或自动录用系统。尤其在候选人评分、面试问题和淘汰原因环节，要保留人工复核和可解释记录。

图 5：AI 招聘合规复核清单

不要让 AI 做这些事

• 不要让 AI 根据照片、声音、年龄、性别、婚育、家庭情况等做候选人优劣判断。
• 不要要求 AI 推测候选人的健康状况、性格缺陷、家庭责任或稳定性。
• 不要把模型分数直接作为淘汰依据，必须由 HR/业务面试官复核。
• 不要在未经授权或没有必要的情况下长期保存简历和联系方式。
• 不要把候选人简历原文随意上传到多个第三方工具，尤其是包含身份证、住址、联系方式等敏感信息时。

建议保留的审计记录

• 岗位画像版本：每次岗位要求变更都记录版本。
• 提示词版本：不同岗位使用的解析、评分、面试题提示词要存档。
• 评分依据：每个分数对应简历证据或“未体现”。
• 人工复核人：记录是谁确认邀约、暂缓或淘汰。
• 候选人数据保留期限：过期后清理或脱敏。

可直接复制的完整工作流提示词

1. 简历解析 Prompt

Prompt：你是企业招聘助理。请根据候选人简历文本，抽取结构化信息。要求：只使用简历明确提供的信息，不要推测；未写明的信息写“未体现”；输出字段包括候选人摘要、教育经历、工作经历、技能、项目成果、证书、作品链接、与岗位相关的证据、信息缺口、待核实问题；不得评价或使用性别、年龄、婚育、民族、宗教、健康、残障等无关因素。

2. 候选人评分 Prompt

Prompt：请基于岗位画像和简历解析结果，为候选人做岗位匹配评分。总分 100 分，维度：硬性条件 25、核心技能 25、项目成果 20、行业/场景经验 10、沟通表达 10、风险提示 10。每个维度输出得分、理由、简历证据、待核实问题。最后给出 A/B/C/D 档建议和 HR 下一步动作。说明：评分仅供人工复核，不作为自动录用或淘汰依据。

3. 面试问题生成 Prompt

Prompt：请根据候选人评分结果生成结构化面试问题。输出：开场问题 2 个、岗位能力题 5 个、项目深挖题 3 个、风险核实题 3 个、STAR 追问题 4 个。每个问题要包含提问目的、优秀回答信号、追问方向。问题必须与岗位能力相关，不得询问与岗位无关的个人隐私或敏感属性。

4. 飞书/企微提醒 Prompt

Prompt：请把候选人评分结果整理为一条招聘群提醒消息。包含岗位、候选人编号、档位、总分、前三个优势、前三个待核实问题、建议动作、候选人记录链接。语气简洁，适合 HR 和业务面试官快速阅读。不要包含候选人隐私敏感信息。

FAQ：常见问题

AI 可以自动淘汰候选人吗？

不建议。AI 可以做辅助分层、摘要、风险提示，但最终淘汰或推进应由 HR/业务面试官复核，且原因必须与岗位要求相关。

简历评分越细越好吗？

不是。过细的评分容易制造“精确幻觉”。建议保留 5-8 个维度，并要求每个分数有证据。

候选人照片要不要给 AI 看？

一般不建议。照片通常与岗位能力无关，容易引入外貌、年龄、性别等偏差。

哪些岗位适合先做自动化？

简历量较大、岗位标准相对明确、需要快速初筛的岗位最适合，例如销售、运营、客服、内容、初中级技术岗位。

如果 AI 判断和 HR 判断不一致怎么办？

把它作为复盘样本：检查岗位画像是否模糊、简历信息是否不足、评分权重是否不合理、提示词是否引入偏差。

能不能把候选人简历直接上传到各种 AI 工具？

不建议无控制地上传。应先确认企业隐私政策、候选人授权、工具数据使用条款，并尽量脱敏和最小化处理。

面试问题能否全部由 AI 生成？

可以辅助生成，但面试官应结合业务真实需求修改。尤其是技术题、案例题和薪酬沟通，不应完全依赖模板。

如何证明 AI 评分是公平的？

保留岗位画像、评分规则、提示词版本、候选人证据和人工复核记录，并定期检查不同来源和人群是否出现异常差异。

参考资料与延伸阅读

• OpenAI Help Center：Projects in ChatGPT，用于理解项目文件、说明和重复工作流组织方式。
• OpenAI API 文档：Structured Outputs，用于理解 JSON Schema 结构化输出。
• n8n Docs：Webhook 节点与 Test URL / Production URL 的区别。
• 飞书开放平台：自定义机器人与消息卡片相关文档。
• 飞书帮助中心：多维表格自动化流程 Webhook 触发相关说明。
• 中国网信网：《人工智能生成合成内容标识办法》。
• EEOC：Employment Discrimination and AI for Workers，用于了解 AI 招聘场景下的反歧视风险提示。

免责声明：本文为内容创作与流程设计教程，不构成法律意见、招聘承诺或人力资源管理制度。实际使用前，请结合所在地区法律法规、企业隐私政策和招聘合规要求进行审核。