AI简历筛选靠谱吗？能用与不能用的清楚边界

有人给你演示过一次：把两百份简历拖进去，喝一杯咖啡的时间，出来一张按分数排好的名单，第一名九十二分，第二名八十九分。演示的人很客气，说这只是辅助，最后还是您来决定。你当时点了点头，回到座位上却一直在想同一个问题——这个分数，我到底能信到什么程度？

这个问题不好回答，是因为它其实是三个问题混在一起：机器有没有把简历读对、有没有按我的标准去比、给出来的名次能不能当结论。三个问题的答案完全不一样，而卖工具的人通常只回答第三个。

还有一件事让这个问题更难查。你用中文去搜这件事，搜出来的东西一大半不是写给你的。排在前面的文章在教求职者怎么写简历才能被机器挑中：多放行业术语、职位名称照抄招聘广告、别用花哨的排版、表格和图片会被读成空白。那些文章有它们的道理，只是站在你的对面——它们在教对手怎么过你这一关。

所以这一篇把立场先摆明：这是写给要用 AI 读简历的人看的，不是写给求职者的。写给在新加坡和马来西亚招人的公司——一年招十几到几十个人，HR 只有一两位，简历从几个渠道同时进来，有中文的、有英文的、也有马来文夹杂的。文章要回答的只有一件事：这套东西哪些地方能用、哪些地方不能用，那条线画在哪里。

AI 简历筛选靠谱吗：一段话的版本

下面这张图把三件事摆开。值得留意的是每一格最后那一行：三件事坏掉的症状完全不一样，所以你只要看症状，就知道该去查哪一步。

换成表格再看一遍，你大概能立刻对上号：

步骤	它在做什么	坏掉的时候你看到什么	能不能自己查
一 提取	把文件里的内容变成字段：年限、学历、技能、待过哪些公司	某几份简历分数低得反常，点开一看字段几乎都是空的	能，随手抽十份对着原文看一遍
二 对照	拿字段去比你写下的岗位标准，逐条打分	你觉得明显合适的人排在中间，说不出理由	能，看它给的每一条评分依据
三 排序	把逐条得分合成一个总分和名次	排最前面的人，面完你就摇头	能，但只有面完几个人之后才看得出来

还有一句要在开头说清楚，免得你带着错的期待往下读：这套东西省的是读的时间，不是判断的时间。它把你从翻五百个文件里捞出来，让你有力气去做只有人做得了的那一部分——看懂行业、认出转行的人、闻出写得漂亮但站不住的经历，以及最后决定要不要请这个人来聊一次。如果你指望它替你把人选好，那不管买哪一家，三个月后都会失望。

如果你还没搞清楚这类系统的整体样子，可以先看 招聘系统是什么？它到底帮HR省下哪些时间和成本；如果你想要的是一套不依赖任何工具的人工筛选流程，那篇 简历筛选怎么做？五百份简历的三层筛选法 更对路。这一篇假设你已经在考虑用机器读，只讲边界。

为什么中文搜出来的答案，一半是写给对面的

先花一小段说这件事，因为它会直接影响你怎么读接下来的内容。用中文搜这个题目，排在前面的结果大致分成三类。

第一类是教求职者的。标题写着简历怎么写才能通过机器初筛，内容是一串很具体的技巧：把招聘广告里的职位名称原样抄进简历、技能栏平铺直叙不要玩花样、别用两栏排版和图表、页眉页脚里的信息很可能读不出来、尽量交文字版的文件而不是扫描件或者图片。这些建议在技术上大多是对的，只是它们服务的是投简历的那一方。

第二类是技术文章。讲怎么用程序把简历解析成结构化字段，怎么算相似度，怎么训练一个打分模型。写得很认真，但它假设读者要自己动手做一套。你要的不是做一套，你要的是判断买来的那一套能不能用。

第三类是产品文章。大多来自中国大陆的招聘软件公司，把自己的功能列一遍。问题不在于它们讲得不好，而在于那些产品的服务器、发票、客服、招聘渠道对接，全部围着另一个市场转。你在吉隆坡或者新加坡按下试用按钮，多半会发现连注册的手机号格式都对不上。

还有第四类，藏在前三类中间：论坛和问答里的经验帖。这一类其实最接近真实，因为写的人是同行，说的是自己踩过的坑。但它有两个问题。一是碎，一条讲提取失败，一条讲某家产品客服不接电话，拼不成一个能照着做的流程；二是背景对不上，帖子里的招聘量、岗位类型、法律环境，多半和你差得很远。你可以拿它当线索，但不能拿它当依据。

四类都不回答你的那个问题：这个分数我能信到什么程度。这一篇补的就是这一段。

不过，第一类文章你反而要认真看

这里有一个反直觉的地方，值得单独说：教求职者的那些文章，是你判断这套工具能不能用的重要材料。原因很简单——如果一篇教人怎么骗过机器的文章能排在前面，说明它教的那些办法真的有效；而那些办法之所以有效，是因为很多系统的打分方式还停留在数关键词。

换句话说，那些文章是一面镜子。它照出来的不是求职者不老实，而是市面上有相当一部分打分逻辑，本来就经不起有准备的人对付。你在挑工具的时候，可以直接拿那些文章里的技巧当测试题：

• 如果一份简历把岗位描述里的词原样抄一遍，它的分数会不会明显上去？
• 如果两份简历讲的是同一段经历，一份写得很朴素、一份堆满行业术语，机器会不会偏心？
• 如果某个技能只在兴趣爱好那一栏出现过一次，机器会不会当成会用？

这三个问题，等到第九节讲打分方式的时候会展开。现在只要先记住一件事：能被简历写作技巧轻易推高的分数，本身就不牢靠。

新马这边，还有几件当地才有的事

接下来的内容会不断回到这几条，先在这里摆出来：

当地情况	它会怎么影响机器读简历
一份简历里混着两三种语言	中文段落、英文职位名、马来文的公司全称同时出现。提取的时候如果按单一语言处理，容易漏字段
学历来自很多个体系	本地大学、英国联合培养、澳大利亚分校、中国大陆本科、专业资格证书混在一起，很难用一条规则排高低
公司名字外面的人不认识	很多本地中型公司在网上几乎查不到，机器没有任何背景知识可以借力，只能看简历上写了什么
候选人身份类型多	本地公民、永久居民、各类工作签证、需要办理配额的岗位——这一栏填错，后面全白做
个人资料保护有明文规定	收集、使用、保留简历都要有依据，不能收进来就一直放着。第十一节专门讲这一条

这五条里，前三条是技术问题，第四条是流程问题，第五条是法律问题。而没有一条会在系统里报错。它们只会安静地让某一批人排在后面，或者让你在三个月后接到一通不好回答的电话。

第一件事：提取——最先坏，也坏得最安静

提取的意思是把一个文件变成一堆可以比较的字段。人做这件事是不自觉的：你眼睛扫过一页纸，脑子里已经有了“做了六年、在两家公司、最近一份是团队负责人”这几个结论。机器做这件事要一步一步来，而每一步都有可能卡住。

它要从一份简历里拿出什么

不同产品拿的字段不完全一样，但核心的那几类是共通的：

• 基本信息：姓名、联系方式、所在城市、身份或者签证类型（这一项在新马非常关键）。
• 工作经历：每一段的公司、职位、起止时间、做过什么。时间要能算出年限，还要能识别出中间的空档。
• 教育背景：学校、专业、学位、毕业年份，有时还包括专业资格证书。
• 技能：软件、工具、语言能力、行业专有的操作能力。
• 其他：期望薪资、可到岗时间、推荐人——写了才有，多数简历上没有。

看起来很直白，但每一类都有各自的坑。

五种最常见的提取失败

下面这五种，你在自己的简历堆里几乎一定会遇到：

失败情况	为什么会发生	你看到的现象	怎么处理
扫描件和图片简历	文件里根本没有文字，只有一张照片	整份简历所有字段都是空的	系统要能明确标出读不出来，而不是给零分
两栏排版和表格	阅读顺序被打乱，左右两栏的内容串在一起	公司名和职位对不上，时间乱跳	抽查排版花哨的那几份
时间写法五花八门	有人写年月，有人只写年份，有人写至今，有人用英文月份缩写	年限算错，六年变成六个月	看它算出来的总年限对不对
中英文混排	公司全称是英文或者马来文，职位是中文，机器按一种语言切词	公司名被切成几段，或者整段被跳过	专门抽查多语言的那一批
信息藏在页眉页脚	联系方式放在页眉，很多解析流程会略过	有分数但联系不上人	导出联系方式，看空的有多少

这五种里，最危险的是第一种。因为一份读不出来的简历，如果被系统默默算成低分，它就永远沉在名单最底下，而你永远不会知道自己漏掉了谁。一个负责任的产品应该给这类简历一个单独的状态——读不出来，请人看一眼——而不是把它混进分数队列里。这是你在试用的时候一定要问清楚的第一个问题。

还有两个提取难点，发生在简历之外

上面五种都在文件里面。实际用起来还有两种失败发生在文件外面，很多人到上线之后才发现：

一是内容根本不在附件里。相当一部分候选人把经历直接写在邮件正文，附件只有一张身份证件照片或者一份作品；也有人给的是一个个人主页的地址。如果你的流程只抓附件，这些人等于没投过。处理办法不复杂——收件那一端要有一条规则，把没有可解析附件的申请单独放一堆，由人打开看一眼，十秒钟的事。

二是同一个人投了好几次。换了岗位再投一次、简历改过之后重投一次、通过不同渠道各投一次，都很常见。如果系统不合并，同一个人会以不同分数出现在名单的不同位置，你还会误以为投递量比实际大。合并的依据通常是邮箱或者手机号，但要注意一点：合并之后应该以最新的那一份为准，同时保留旧版本，因为有时候人是在旧简历里写清楚了某段经历，新版本反而删掉了。

怎么在半小时内验完提取这一关

不需要任何技术背景，按下面这个顺序做一遍就够了：

1. 从上一轮招聘里挑十五份简历，故意挑得杂一点：五份普通文字版、三份排版花哨的、三份扫描或者图片的、两份中英混排的、两份有职业空档的。
2. 全部导进去，先不看分数，直接看它提取出来的字段。
3. 逐份对着原文核：公司名对不对、年限算得对不对、最近一份工作是不是最近一份、联系方式在不在。
4. 数一下有几份是空的或者半空的，再看系统有没有把它们标出来。
5. 把结果写在纸上：十五份里读得完整的有几份、部分失败的有几份、完全失败的有几份。

这一步做完，你对这套工具的判断就已经比大多数买家扎实了。因为绝大多数人是从看分数开始的，而分数是最后一步。前面读错了，后面算得再漂亮也是在错的材料上算。

顺带说一句给你的候选人：如果你在招聘广告里加一句“请尽量提交文字版的简历文件”，这一关的失败率会明显下降。这句话对双方都有好处，也不需要任何技术投入。

第二件事和第三件事：对照与排序

提取这一关过了，接下来是对照。对照的质量，几乎完全取决于你写下来的那份标准有多具体。这句话听起来像废话，但它是整套工具里最被低估的一环——很多人抱怨机器筛得不准，真正的原因是他们给的标准本身就说不清楚。

含糊的标准，会被含糊地执行

看两组写法的对比：

含糊的写法	具体的写法	差别在哪
有相关工作经验	在同一个行业里做过至少三年，其中至少一年是直接对客户	前者机器只能靠猜，后者可以逐条核
沟通能力强	简历里能找到一段独立对外沟通的经历，例如带过客户会议或者做过培训	把一个形容词换成一件可以在原文里找到的事
熟悉数据分析	做过定期报表，或者用过表格软件之外的分析工具，写得出用来做什么	前者会把写了两个字的人和真做过的人算成一样
学历良好	本科及以上，专业不限；若是专业资格证书，需说明发证机构	避免把学历悄悄变成学校排名

写标准的时候有一个很好用的检验方法：把每一条读出来，问自己“这一条能不能在简历原文里指出对应的那一句”。如果指不出来，那这一条就不该交给机器去比，应该留到面试环节。

一个写完整的例子

抽象说完了，看一个具体的。假设你要招一位客户支持主管，团队三到五个人，客户以本地中小企业为主，中英文都要用。下面是一份写到能直接用的标准，注意每一条后面都跟着一句“在简历里怎么看出来”：

条件	是硬条件还是加分	在简历里怎么看出来
直接面对客户的工作满三年	硬条件	有一段以上的岗位，职责里明确写着处理客户问题或者对接客户
带过人，哪怕只有两三个	硬条件	写得出团队规模、或者写过带教、排班、分工这类动作
中英文都能对外书写	硬条件	简历本身的语言、或者写过对外文案、邮件模板、帮助文档
处理过投诉升级	加分	能举出一段把不满意的客户接住的经历，写得出做了什么
用过工单或者客服系统	加分	点得出具体的系统名字，并且说得出用它做什么
做过定期的服务数据汇报	加分	写过报表、月度回顾、或者对某个服务指标负责

这份表有两个地方值得学。第一，硬条件只有三条。硬条件多于五条的岗位，基本上招不到人，或者只能招到很会写简历的人。第二，最后一栏全是可以在原文里指出来的东西。没有一条写着有责任心、抗压能力强、学习能力好——那些不是不重要，是不该在这一关比，它们属于面试。

拿这张表去对照你现在正在招的那个岗位的要求，多半会发现两件事：硬条件太多，而且大半条指不出对应的句子。先修这个，比换任何工具都有用。

权重：别让不重要的条件偷偷占大头

对照通常会给每一条一个权重。这里最常见的错误是把容易量化的东西给了太高的权重——年限、学历、技能关键词，这三样都很好算，于是不知不觉占掉总分的大半，而真正决定这个人能不能做好的那些东西，因为不好算，权重就低。

一个简单的做法：先不看工具，自己在纸上把这个岗位的成功要素排个序，写出前五条，再给这五条分配一百分。写完之后再去看工具里的权重设置，如果两边差很远，那多半是你被工具的默认设置牵着走了。

第三件事：分数只是排队号码

排序是把逐条得分合成一个总分。这一步本身没有玄机，但它有一个心理上的副作用，而这个副作用才是真正的风险来源。

一个数字看起来比一句话更像事实。八十七分和八十二分摆在一起，你会自然而然觉得前者比后者好一点。但这五分可能来自一条权重占三分之一、而且你其实并不在乎的条件。人对数字的信任，远远超过数字本身能承担的重量。

所以要养成一个习惯：看名单的时候，眼睛不要停在分数上，要停在依据上。一个合格的产品应该做到，你点开任何一个分数，都能看到它引用了简历里的哪一句话。看不到依据的分数，等于没有分数——你无法核对，也无法在三个月后向任何人解释。

分档比排名更实用

比起一条从高到低的名次，把结果分成几档更符合实际用法。因为你真正要做的决定不是“谁第一”，而是“这一批里哪些人值得花时间”。一个够用的分法是这样的：

档位	含义	接下来做什么
达标	硬条件全部满足，依据都能在原文里找到	直接进入下一轮，人只做抽查
可以考虑	大部分满足，有一两条缺或者写得不清楚	必须由人逐份看，这一档最容易出好人选
不达标	硬条件明显缺失	人抽查一部分，确认不是提取失败造成的
读不出来	文件解析失败，没有有效字段	必须人工打开原件看，绝不能算成不达标

第四档是这张表里最重要的一档，前面已经说过一次，这里再强调一遍：把读不出来和不达标混为一谈，是这类工具最常见、也最难被发现的伤害。

另外，中间那一档——可以考虑——才是你真正该花时间的地方。达标的那些人，机器和你的判断多半一致；不达标的那些，看一眼就知道。真正的好人选，经常藏在“有一两条对不上”的那一堆里，因为他们的经历不标准，而不标准往往正是他们的价值所在。

四件事机器稳过人

把三件事拆完，现在可以回答那个真正的问题了：这套东西哪些地方值得信。下面四件，机器不是偶尔比人做得好，而是稳定地比人做得好——差别不在聪明，在耐力和一致性。

一、读到第三百份的时候，还和第一份一样仔细

这一条是所有优势的根。人筛简历有一条很残酷的规律：前二十份看得很细，中间一百份开始跳着看，最后一百份基本只看第一眼。这不是态度问题，是生理问题。等到下午四点你还剩两百份没看，你的判断标准已经悄悄变松或者变严了，而你自己感觉不到。

机器没有这个曲线。第三百份和第一份走的是同一套流程，用的是同一份标准。这一点带来的好处不是速度，是一致性——同样一份简历，早上进来和傍晚进来，得到的处理是一样的。这在事后需要解释的时候特别重要。

二、不会忘掉标准，也不受当天心情影响

人筛简历的时候，标准是活的。你上午刚看完一个特别出色的候选人，接下来半小时里所有人在你眼里都平庸；你昨天被一个夸大经历的人骗过，今天看到类似的写法就格外挑剔。这些都是人之常情，也都是噪音。

机器把标准写死了。你定的是三年，它就按三年比，不会因为这个人的自我介绍写得漂亮就放宽到两年半。这既是优点也是缺点——它的好处是稳定，坏处是它不会因为看到一段特别的经历而破例，而破例有时候恰恰是对的。所以后面第十节要讲，人必须留一个通道把被机器挡下来的人捞回来。

三、每个判断都留得下一句理由和一段原文

这一条被严重低估，但它可能是这类工具最实在的价值。人筛简历几乎不留记录。你把一份简历放到不合适那一堆，脑子里想的那句“这个人跳槽太频繁”不会写在任何地方。三个月后有人问起来，你只能凭印象重新解释一遍，而印象是会变的。

机器可以在每一条评分旁边留下依据：这一条给分，是因为简历第二段写了什么。这件事在三种场合会救你：

• 老板问为什么没有面某个人——你调出那一行就能回答，不用重新翻简历。
• 候选人写信来问——你有一个基于内容的答复，而不是一句含糊的暂不合适。
• 你自己回头复盘——半年后发现某类人总是被挡下来，你能查到是哪一条标准在挡。

换句话说，它把一件本来只存在于脑子里的事变成了可以查的记录。这件事人也能做，只是几乎没有人会真的做——写下每一份简历的淘汰理由，成本高到不现实。

四、什么格式都啃得动

第三节刚讲过提取会失败，这里说的是另一面：在提取成功的前提下，机器能处理的格式范围比人愿意处理的范围大。一份排版混乱、内容跳来跳去的简历，人看两眼就烦了，很可能草草归到不合适。机器不会烦，它会把能抓到的都抓出来。

这一条对新马的招聘环境有额外的意义。这里的简历格式实在太杂了——本地大学模板、英式简历、中式简历、从求职网站导出来的标准格式，同一批里全都有。人在不同格式之间来回切换会累，而累就会走神。

四件事加起来，省的到底是哪一段时间

说省时间太笼统了，拆开看更有用。一个岗位从收到简历到定出面试名单，时间大致花在四段上：

时间花在哪	纯人工的时候	把读交出去之后
把文件打开、看完、记住谁是谁	占掉大半，而且越到后面越敷衍	基本消失，剩下抽查
在一堆人里对比谁更符合要求	靠印象，来回翻，容易反复	有一份带依据的排序打底，人只做调整
把决定和理由记下来	几乎不做，因为太费事	自动留痕，是顺带的
真正想清楚要不要见这个人	被前三段挤到只剩很少	变成主要花时间的地方

这张表最要紧的是最后一行。好的结果不是总时间变少了一半，而是时间的分布变了：本来花在翻文件上的力气，挪到了判断上。如果用了工具之后你只是提早两小时下班，而没有在中间那一档上多花时间，那这笔投入其实没有换来更好的招聘，只换来更快的招聘——而招聘这件事，快不是最重要的指标。

四件事放在一起看，共同点很清楚：它们全都属于“读”。读得完、读得稳、读得下记录、读得了各种格式。没有一件属于“判断”。这就是下一节要讲的另一半。

四件事人稳过机器

这一节和上一节一样重要，甚至更重要——因为上一节讲的是你可以交出去的部分，这一节讲的是你交出去就会出事的部分。

一、看得懂窄行业里的门道

每个行业都有一套外人看不出来的信号。做物流的人知道，同样写着运营主管，在货代公司和在仓储公司是两种完全不同的工作；做餐饮的人知道，管三家门店和管三十家门店是两个物种；做工程的人一看某个项目名称就知道这个人真正碰过什么。

这些信号不在字面上，在背景知识里。机器读到的是词，你读到的是词背后的那件事。更麻烦的是，这类判断很难写成标准——你没法在岗位要求里写一条“在货代公司做过而不是在仓储公司”，因为写出来就太窄了，而你心里其实允许例外。

新马这边还有一层：很多本地公司在网上查不到任何信息。一家做了二十年的家族企业，官网可能只有一页。机器对这个公司名一无所知，只能当成一个普通字符串；而你可能一眼就认出这是同行里做得挺扎实的一家。这种知识没有任何办法交给工具。

二、认得出转行的人身上能带走的本事

这一条是机器最系统性的短板。按标准比对的逻辑，天生对转行的人不友好——因为他的经历长得不像你写的那份标准。

举个常见的例子：一个做了五年门店店长的人来应聘客户成功岗位。按字段比，他没有相关行业经验、没有用过你要求的那几个工具、职位名称完全对不上，分数一定不高。但你看简历的时候可能会注意到：他每天要处理十几起客户投诉、要带一支流动率很高的团队、要在没有权限的情况下把事情摆平。这些正是客户成功岗位最难教的部分。

机器不会做这种迁移，因为迁移需要理解两件工作的内在结构，而不是比对它们的外在标签。这也是为什么第四节说，中间那一档才是你该花时间的地方——转行的人几乎全在那一档。

三、闻得出写得漂亮但站不住的那几段

简历上的夸大有很多层次。低级的夸大机器也能发现：时间对不上、职位跳得没有道理、同一段经历在两处写得不一样。高级的夸大机器发现不了，因为它在措辞里，不在事实里。

几种常见的写法：

• 把参与写成负责。项目里做了一部分，简历上写成主导，字面看不出破绽。
• 用团队的成绩当个人的成绩。写着让某项指标翻倍，但没说自己在里面做了哪一块。
• 把时间拉长。只写年份不写月份，两段经历中间的空档就消失了。
• 用大词盖住细节。整段都是战略、赋能、闭环，读完不知道他具体做了什么。

这几种写法有一个共同点：它们在字段层面全都是合格的。年限够、职位对、关键词齐全。人之所以能看出来，是因为人会问一个机器不会问的问题——如果这件事真的是他做的，那这一段该写成什么样？

四、最后那一下：要不要请这个人来聊

前三条是能力问题，这一条是责任问题。决定见不见一个人，是一个关于人的决定，必须由人来做，也必须由人来承担。

这不只是道德姿态，也有很现实的理由。一是你要能解释：候选人、老板、将来某一天的监管方，都可能问你为什么。二是你要能改：只有人做的决定才会有人回头去反省它；一个自动执行的规则，除非有人专门去看，否则它会安静地重复同一个错误几百次。

有没有第五件？有一个灰色地带

四件之外还有一个位置，两边都能做，做法不一样，值得单独说：把一段模糊的经历整理成可以比较的形式。比如某个人写着负责区域业务拓展，到底是自己跑客户还是管一个团队，简历上看不出来。

机器的做法是标出不确定，交给人。人的做法是先猜一个，然后在面试里验证。两种都对，但顺序不能反。常见的错误是让机器去猜——它猜的时候不会告诉你这是猜的，猜错了就变成一个看起来有依据的错误结论，比没有结论更危险。

所以挑工具的时候可以多问一句：遇到看不明白的段落，它是给一个中间分数，还是明确标出这里需要人看？后者是更负责任的做法，虽然用起来会让你多一点活。这一条也回到第四节那句话——一个合格的产品会承认自己不知道，而不是把不知道折算成一个分数。

说到底，机器给的是一个排队顺序，人给的是一个决定。排队顺序可以自动生成，决定不可以。这条线在下一节讲完偏见之后会更清楚——因为偏见带来的伤害，正是在决定被自动化的那一刻才真正落地的。

偏见：它不是道德话题，是质量问题

一讲到偏见，很多人会本能地把它当成一个价值观话题，然后跳过去。这里想换个说法：偏见首先是一个质量问题。一套系统如果对某一类人系统性地打低分，而这个类别和岗位表现没有关系，那它就是在稳定地漏掉合格的人。你损失的是人选，不只是名声。

这件事也不是这几年才被提出来的。在大公司的技术文档里，招聘一直是讲这类风险时的头号例子——因为它是典型的“机器分配机会”的场景。

这段文字值得逐句读。它说的是：AI 系统会对特定群体提供或者拒绝提供机会、资源或者信息，示例包括招聘、学校招生和贷款；在这些场景中，某个模型在特定人群中挑选优秀候选人的能力，可能要强于在其他人群中进行挑选的能力。

最后那半句是关键。它没有说模型会歧视，它说的是模型在某一群人里挑得准、在另一群人里挑不准。这就把偏见从一个道德指控，变成了一个可以测量的性能差异。而能测量的东西，就能查、能改。

一个容易被忽略的推论

如果偏见的本质是“在不同人群里的挑选能力不一样”，那有两个推论对你很实用：

推论一：你不需要证明谁有恶意，才能说这套系统有问题。没有人写过一条规则说要排除某一类人。差异是从数据、从标准、从看不见的关联里自己长出来的。所以查偏见的时候不要去找坏人，要去看结果。

推论二：偏见的方向不一定是你以为的那个。它可能表现为某个年龄段的人总是排在后半段，可能是某几所学校毕业的人分数偏高，也可能是简历写得朴素的人整体吃亏。你不去分组看，就永远不知道自己的那套标准偏在哪。

人也有偏见，这不是替机器辩护

有一种常见的反驳：人筛简历一样有偏见，凭什么单挑机器。这句话是对的，但它推不出该放心用机器的结论。差别在规模和速度。

一个人带着偏见筛简历，一天影响几十份，而且他的偏见不稳定——今天严明天松，中午吃饱了心情好一点。一套带着偏见的系统一天影响几千份，而且完全一致：同样的偏差，一次不落地重复。

但这里还有另一面，也要说公道话：人的偏见查不了，机器的偏见查得了。你没有办法把一位同事过去三年的判断拿出来做分组统计，但你可以把系统的输出拿出来做。所以正确的结论不是别用，而是——用，但是要定期查，并且知道怎么查。

下一节就讲怎么查。三个来源、三种症状、一个统一的查法。

偏见的三个来源，和一个统一的查法

偏见不是凭空出现的。它有三个来源，而且这三个来源在你这里的分量很不一样——多数中小公司真正的问题出在第二个，也就是标准本身，而不是那个大家都在担心的第一个。

来源一：来自历史——拿过去的人当样板

如果一套系统的做法是学习你过去录用过的人，那它会把过去的偏好一起学走，包括你不想要的那部分。过去某个岗位一直招男性，它就学到这个岗位的人长那个样子；过去偏爱某几所学校，它就把那几所学校当成了信号。

症状：某一类人总是排在后半段，而你说不清楚是哪一条标准把他们挡下来的。

好消息是，这个来源在中小公司往往不成立。因为你没有足够多的历史录用数据可以学——一年招二十个人，谈不上训练什么。所以如果供应商说他们的模型是学你的历史数据，你反而要多问一句：学的是谁的历史？如果不是你的，那是谁的，那批数据来自哪个市场、哪个年代。

来源二：来自标准——你自己写下去的那几条

这是最常见、也最容易改的一个来源。问题出在替身指标：你真正想要的是某种能力，但那种能力不好写，于是你写了一个和它相关的、好写的条件。

你写的条件	你真正想要的	它顺带筛掉了谁
必须是名牌大学	学习能力和基础扎实	转学、成人教育、海外非名校但很能干的人
必须待过大公司	见过规范的流程	在中小公司做得更全面的人
不接受空档超过半年	工作状态稳定	照顾家人、生育、进修、身体原因休息过的人
要求母语级中文书写	能写清楚给客户看的文字	写作能力很强但不是母语的人
要求本地工作经验若干年	熟悉本地客户和做事方式	刚回来的本地人、跨国调动过来的人

症状：换一个说法重新描述同一条标准，名次就大幅变动。这说明分数其实卡在措辞上，而不是卡在能力上。

改法也直接：把每一条替身指标换成它想代表的那件事，并且写成能在简历里找到的形式。不写名牌大学，写“能举出一段需要快速学会新东西的经历”。这样写更难，但它同时提高了准确度和公平度——这两件事在这里是一件事。

来源三：来自关联——你删掉的字段还在别处

这一条最反直觉。把性别、年龄、照片从简历里删掉，并不等于把这些信息删掉了。毕业年份能推出年龄，某些学校和社团带着性别或者族群色彩，居住区域在很多城市和收入相关，名字本身就透露很多。

症状：你删掉了几个敏感字段，重新跑一遍，名次几乎没有变化。这说明那些信息本来就是通过别的路径进来的。

这一条没有彻底的解法，只有减轻的办法：一是尽量减少非必要字段进入打分；二是接受一个事实——盲筛只能挡住直接信息，挡不住关联信息，所以事后的分组检查不能省。

三个来源之外，还有一个放大器

严格说这不是第四个来源，但它决定了前三个来源的伤害有多大：自动化本身。

同样一条写歪的标准，如果是一位同事在心里默默使用，它一天影响几十份，而且这位同事有可能在某一天突然意识到不对，然后改掉。如果它被写进系统，它一天影响几千份，一次不落，而且没有人会突然意识到——因为系统不会觉得别扭。

这带来两条很实际的做法。第一，越是自动执行的规则，越要写得窄。模糊的偏好留给人，明确的事实留给系统。第二，凡是自动挡下来的人，都要留一个能捞回来的通道，并且要有人定期去那个通道里看。一个只进不出的过滤器，用久了一定会把某一类人整个筛没，而你从数据上看不出来，因为那类人早就不在你的名单里了。

说得更直接一点：把判断自动化，等于把你今天的偏好写死成明天的规则。你今天的偏好未必错，但一年之后市场变了、岗位变了、团队缺的东西变了，规则不会自己跟着变。所以第十节那张每周表里，最后一行是每季度回头看——那不是形式，那是唯一能让规则跟上现实的机制。

统一的查法：分组看名次

三个来源，一个查法，而且不需要任何专门工具：

1. 拿一批已经跑完的简历，比如最近一个岗位的全部投递。
2. 按几个维度分组：毕业年份区间、学校类型、性别（如果你有这个信息）、简历语言、是否有职业空档。
3. 算每一组进入前二十名的比例。
4. 把差距明显的那一组挑出来，随机看十份原始简历。
5. 问自己一句：这个差距，能不能用岗位本身的要求解释？

能解释就留着，不能解释就去改标准。请注意最后一步的顺序：先改标准，再考虑换工具。绝大多数情况下问题在标准里，换一家供应商只会让同样的偏差换一个界面重复一遍。

为什么按关键词打分这条路已经走不通了

回到第二节留下的那个伏笔。搜索结果里排在最前面的那些文章，在教求职者怎么让简历通过机器初筛，办法归纳起来就一句：把招聘广告里的词，搬到简历里去。

这个办法之所以被反复传授，是因为它对不少系统真的有效。而它有效这件事本身，就宣告了一种打分方式的死亡。

关键词打分的三个硬伤

硬伤一：它奖励的是抄写，不是经历。一个照着广告抄了一遍的人，和一个真做过五年的人，在词频上可能看不出差别。甚至抄的人还占优——因为他用的词和你写的一模一样，而真做过的人可能用了行业里另一套叫法。

硬伤二：它分不清出现和会用。某个软件的名字，可能出现在“熟练使用”那一栏，也可能出现在“希望学习”那一句里，还可能出现在前公司的名字里。只数出现次数，这三种情况一样重。

硬伤三：它对同义说法很脆。你写客户成功，他写客户维护；你写数据分析，他写做报表；你写团队管理，他写带过八个人。意思一样，词不一样，分数就差一截。而这恰恰对老实人不利——越是不研究技巧的人，越容易用自己的说法。

三个硬伤加起来的结果很讽刺：这种打分方式筛掉的往往不是不合适的人，而是不懂技巧的人。

该用什么代替：证据式打分

换一个思路。不要问某个词出现了几次，要问一个更接近人的问题：这份简历里有没有一段文字，能作为这条标准成立的证据？

两者的差别可以摆成一张表：

比较项	关键词打分	证据式打分
问的问题	这个词出现了几次	哪一句话说明了这件事
输出是什么	一个分数	一个分数，加一段原文摘录
能不能核对	不能，你只看到结果	能，点开就看到依据
遇到同义说法	漏掉	能对上，因为看的是意思
遇到堆词的简历	分数上去	找不到支撑那句话的经历，分数上不去
三个月后能不能解释	不能	能，调出那一行

这张表里最要紧的是第三行和最后一行。能不能核对，决定了你是在用一个工具还是在信一个黑盒子；能不能解释，决定了这套流程在你公司里能不能活过第一次质疑。

同一份简历，两种打法会得出什么

用上一节那个客户支持主管的岗位举例。有一位候选人，做了四年，最近一段是在一家本地餐饮连锁做门店督导，简历写得很朴素，全篇没有出现工单、客户成功、服务指标这些词。下面这张表是示意数据，用来说明两种打法的差别，不是任何真实产品的输出：

标准	关键词打法会怎么看	证据式打法会怎么看
面对客户满三年	没有出现客户支持、客户成功，判为弱	门店督导每天处理顾客投诉，写在职责第二行，判为满足
带过人	没有出现团队管理、下属，判为无	写着负责三家门店的排班与带教，摘出这一句，判为满足
中英文对外书写	只看到语言一栏写着中英文，判为一般	写过给总部的月度报告和门店操作说明，判为满足
处理过投诉升级	没有出现升级这个词，判为无	有一段写着处理食品安全投诉并对接监管部门，判为强
最终位置	排在中后段，多半不会被打开	进入可以考虑那一档，人一看就想约

差别不在算法多聪明，在问的问题不一样。前者问这些词在不在，后者问有没有一段经历能证明这件事成立。而在新马这样的市场，后者尤其重要——这里大量的中小企业岗位名称五花八门，同一件工作在三家公司可能叫三个名字，只认名称的打法会把大批合适的人挡在外面。

拿三个问题去试供应商

第二节列了三个测试题，现在补上该怎么用。在试用期间，你自己造三份简历，然后看结果：

1. 抄写测试。把岗位描述里的整段话，稍微改写一下放进一份很单薄的简历里。如果这份简历冲到前面，说明它在数词。
2. 同义测试。拿一份真实的合格简历，把里面的关键说法全部换成同义的另一种叫法，内容一个字不改。如果分数掉很多，说明它对说法太敏感。
3. 一次出现测试。把某个要求的技能，只在兴趣爱好那一栏提一次。如果它被算成具备这项技能，说明它不看上下文。

三份简历，半小时能做完，比看任何产品介绍都管用。这三题都过得去的产品，才值得进入下一轮讨论。

顺便回答一个很多人心里的疑问：既然求职者可以针对机器优化简历，那这场博弈是不是没有尽头？在证据式打分下，情况会好一些——因为要伪造一段能自圆其说的经历，比堆几个词难得多，而且那段编出来的经历会被带进面试，在面试里更容易露馅。你把关口从数词换成看证据，等于把博弈从简历环节推到了面试环节，而面试环节是人的主场。

安全边界：机器排序并解释，人来决定

把前面几节收拢，那条边界可以用一句话说完：机器负责把简历读完、按你的标准排好队、并且为每一个位置给出依据；人负责看依据、做决定、并且为决定负责。

听起来简单，落到日常操作上却有很多细节容易走样。下面按四个位置说清楚。

位置一：哪些动作可以完全自动

这些动作不涉及对人的评价，自动化没有争议：

• 收件、去重、把同一个人的多次投递合并到一起。
• 提取字段，建立可以检索的候选人档案。
• 发送收到你的申请的回执。
• 按硬性事实分流，例如工作准证类型不符合这个岗位的法定要求。这一类是事实判断，不是能力判断。
• 把结果整理成一张待处理的名单。

位置二：哪些动作可以自动，但必须留痕并可复核

这一层是打分和分档。可以让机器做完，但要满足三个条件：

1. 每一条评分都能点开看到原文依据，没有依据的分数不算数。
2. 读不出来的简历有独立状态，不混进不达标那一堆。
3. 人可以随时把某个人从任何一档拉到任何一档，并且这个动作本身也留下记录。

第三条常被忽略。如果人不能轻易推翻机器的分档，那这套流程实际上已经在替你做决定了，只是换了一种说法。

位置三：哪些动作必须由人做

• 决定见谁。哪怕只是从名单上勾选，也必须是人在勾。
• 决定不见谁。尤其是中间那一档里被划掉的人，一定要有人真的看过。
• 给出拒绝的答复。可以用模板，但发出去之前要有人过一眼。
• 处理候选人的追问。这件事永远不能自动回复。

位置四：哪些事一件都不要做

这一组是红线，写在这里免得有人越界：

• 不要让系统自动发出拒信。成本极低，风险极高：一次配置错误，几百个人同时收到一封不该收到的信，而且收不回来。
• 不要用简历以外的材料去给人打分。把候选人的社交账号内容抓来做评估，在合规和常识两方面都站不住。
• 不要用与工作无关的个人属性做条件。包括那些看起来中性、实际上是替身的条件，第八节已经列过。
• 不要把分数当成可以对外说的客观事实。它是你自己那套标准的产物，换一套标准就是另一个数字。

两个你迟早会遇到的两难

边界画在纸上很清楚，真到了现场会有两种情况让人想破例，先想好答案：

两难一：岗位很急，中间那一档有一百二十份，看不完。这时候最容易做的事就是只看前二十名。折中的办法不是全看，而是抽样加窄化：先把中间那一档按最关键的那一条硬条件再排一次，只看满足这一条的那一批；剩下的先不删，等这一轮面试完还没定人再回来看。关键是别把没看过的人当成看过了——名单上要留一个明确的标记，写着这批还没有人打开过。

两难二：用人经理只想看前十名，不想听你解释依据。这很常见，也很合理，因为他有本职工作要做。解法不是说服他改，而是把复核的责任明确留在 HR 这边：你先把中间那一档过完，再把捞回来的人放进给他的名单里，并在旁边写一句为什么值得看。他要的是一份短名单，你要的是短名单里没有漏掉人——两件事不冲突。

一个能落地的每周节奏

边界画好了，还要变成日常的做法，不然过两周就忘了。这个节奏适合一位 HR 加一位用人经理的小团队：

时间	谁做	做什么	要多久
每天	HR	看读不出来那一档，逐份打开原件处理掉	十分钟
每周一次	HR	把可以考虑那一档全部看一遍，往上或往下挪	一小时
每周一次	用人经理	从达标档里抽五份，核对依据是否站得住	二十分钟
每个岗位收尾	两人一起	回看被挡下来又被捞回来的人，找出是哪条标准挡的	半小时
每季度	HR	做一次分组检查，看名次分布	一小时

加起来一周不到两小时，换来的是一套你随时能解释、也随时能修的流程。没有这个节奏，工具用三个月就会退化成一个只看第一页的名单机器——大家只信前十名，中间那一档再也没有人打开。

在新加坡和马来西亚，还要多想三件事

前面十节讲的是技术和判断，适用于任何地方。这一节讲的是你所在的地方特有的部分。先说清楚：下面是提醒你去问对问题，不是法律意见。真要落地，找一位熟悉本地个人资料保护规定的律师看一遍你的流程，成本远低于事后处理一次投诉。

一、简历是个人资料，收进来就有责任

新加坡和马来西亚都有各自的个人资料保护法律，条文不同，但落到招聘上的骨架是相似的三条：收集要有目的、使用不能超出那个目的、保留不能无限期。

把这三条翻译成日常动作，大概是这样：

骨架	在招聘里对应什么	常见的疏忽
目的要说清楚	在收简历的那个页面或者邮箱自动回复里，写明收来做什么	只有一句我们会保留你的资料，没说保留多久、用来干什么
使用不超出目的	为 A 岗位收的简历，要用到 B 岗位需要另行说明	把所有简历倒进一个人才库反复使用
不能无限期保留	定一个保留期限，到期清理	三年前的简历还躺在共享文件夹里
要能回应查询	候选人问你手上有他哪些资料，你要答得出来	资料散在邮箱、表格、系统三个地方，答不齐
要有人负责	指定一个人对接这类询问	没人认领，来信在群里转一圈没下文

引入 AI 打分之后，这几条并没有变，但难度变了。因为你现在多了一样东西：分数和评语。它们也是关于这个人的资料，同样属于你要负责的范围。所以两个问题要提前想好——这些分数保留多久，以及如果候选人来问为什么，你打算给他看到什么程度。

二、要不要告诉候选人你用了机器

各地对这件事的具体要求不一样，也在变。但撇开合规不谈，从实际角度看，说出来几乎总是更划算的。

理由有三个。第一，这件事瞒不住多久，被动被发现比主动说明难堪得多。第二，说明本身可以降低误解——很多人反感的不是机器参与，而是以为机器替人做了决定。第三，它逼着你把流程写清楚，而写清楚的流程更经得起检查。

一句够用的说明，大概是这样的意思：我们会用工具协助整理和初步比对简历，所有面试与录用决定均由我们的同事作出；如你希望了解你的申请的处理情况，可以联系某某。关键是最后半句要真的有人接。

保留期限怎么定，才不会变成一句空话

很多公司写了保留期限，但没有人执行，因为没有人知道到期那天该做什么。让它落地的办法是把期限绑在一个自然发生的动作上，而不是绑在日历上。三个可以照抄的做法：

• 岗位关闭时做一次分流。这个岗位定人之后，问一句：哪些人明确说过愿意被保留？没说过的，按你写明的期限处理，别默认留下。
• 把删除写进某个已经存在的例行事项里。比如每季度做分组检查的那一天，顺手清一次到期的资料，一次做两件事更容易坚持。
• 指定一个人签字。不是要走流程，而是让这件事有主人。没有主人的清理动作，第二次就没了。

另外提醒一句：清理不只是清系统里的那一份。简历常常同时躺在邮箱附件、共享文件夹、某个人的电脑桌面上。写流程的时候把这三个地方一起写进去，否则删了主库只是心理安慰。

三、简历里的身份与准证信息，要单独对待

这一条是新马特有的，也最容易出事。岗位是否可以聘用非本地人、需不需要额外的准证或者配额，这些是法定的硬条件，和能力评估是两回事。

处理原则有三条：

• 把它放在打分之外。它是一个是否符合的判断，不该转换成分数参与排名，否则会和能力混在一起，事后说不清。
• 把依据留下来。因为身份类型不符合而不推进的，记录写清楚是依据哪一条规定。
• 不要用它做旁敲侧击的推断。不要从毕业院校所在国、名字、语言习惯去猜身份。要问就在申请表里正式地问一栏，问完就按答案处理。

顺带一提：多语言简历的公平问题

最后一条常被忽略。如果你的岗位不要求中文书写能力，那么中文简历和英文简历应该得到同样的处理质量。实际情况往往不是——很多工具对英文的处理更成熟，中文简历的字段提取失败率更高，于是中文投递的人整体吃亏。

查法很简单，也很值得做：把最近一个岗位的简历按语言分两组，比较提取失败率和进入前二十的比例。如果差得离谱，那不是候选人的问题，是工具的问题，你可以拿这个结果去找供应商谈。

两周试用法：在相信它之前先并跑一遍

知道了边界，接下来是怎么验证。这一节给一个两周的做法，不需要额外预算，也不打扰正在进行的招聘。核心思想只有一句：先让它和你并排跑，再让它小范围上场，最后把规矩写下来。

第一周：只看不用

找一轮已经招完的岗位，最好是招完超过一个月、结果你还记得的那种。步骤如下：

1. 把那一批简历全部导进去，标准按当时的岗位要求设定，不要为了好看而调松。
2. 先不看机器的结果，自己（或者当时负责的同事）凭记忆和原件重新排一遍前二十。
3. 两份名单并排放。算三个数：两边都进前二十的有几个、只有你选中的有几个、只有机器选中的有几个。
4. 重点看第三堆——机器选了你没选的人。逐份打开看，问自己当初为什么跳过他。有时候你会发现是自己漏了，这正是这套工具的价值所在。
5. 再看第二堆——你选了机器没选的人。这一堆告诉你机器缺了哪种判断，多半和第六节讲的四件事有关。

第一周的产出是一份对照，不是一个结论。不要在这一周决定买不买。

第二周：小范围用

挑一个正在招、但不紧急的岗位。千万别拿最急的那个岗位当试验田——一急就会图快，图快就会跳过复核，跳过复核这次试用就白做了。

1. 机器负责排序和分档，人负责逐条读它给出的依据。
2. 准备一张空白清单，标题写：站不住的理由。每看到一条依据对不上、或者摘出来的原文和结论不符，就抄一行。
3. 中间那一档全部由人看完，被捞回来的人单独标记。
4. 读不出来那一档每天清空一次。
5. 周末把清单分类：是提取错了、是标准写歪了，还是它确实理解不了这类经历。

两周之后：把规矩写下来

不管你最后决定用还是不用，都要写这三条，写在一张纸上，发给会用到的人：

• 哪些岗位可以这样用。通常是标准清楚、投递量大的岗位；越是靠人脉和判断的岗位越不适合。
• 哪一档必须由人复核。至少是中间那一档和读不出来那一档，一次都不能省。
• 多久回头查一次。建议每个岗位收尾时看一次捞回来的人，每季度做一次分组检查。

三个把试用做废的常见错法

见过不少两周走完却什么都没得到的团队，原因基本逃不出这三个：

错法一：把标准调松，好让结果好看。第一周并跑的时候发现机器的名单和自己的对不上，于是回头去改标准，改到两份名单差不多为止。这样做等于自己给自己写答案，两周结束你只证明了一件事——工具能复现你的偏好，而这本来就不是你要买的东西。

错法二：只用一个岗位、一批简历就下结论。某一批简历格式特别整齐，或者某个岗位的标准特别好写，结果会显得很漂亮。至少跑两个类型不同的岗位：一个标准清楚、投递量大的，一个偏经验判断的。后者大概率会暴露问题，而那正是你需要知道的。

错法三：只有一个人参与。试用从头到尾只有 HR 一个人在弄，用人经理完全没看过依据。等到真要上线，他一句“这分数怎么来的我不清楚”就能把整件事推翻。第一周并排排名的时候，就该拉上他一起。

怎么算试用成功

用四个问题收尾，全是能回答的问题，不是感觉：

问题	什么样算过关
提取这一关稳不稳	抽查的简历里，字段基本对得上原文；读不出来的有单独标记
依据站不站得住	随手点开十条评分，至少八条的原文摘录能支撑结论
有没有帮你捡回人	第一周的对照里，机器选中而你当初漏掉的人里，至少有一个你现在觉得该面
省下的时间有多少	同样一批简历，从收到到定出面试名单，比过去少花多少个下午

四个问题里，第三个最容易被忽略，也最能说明问题。省时间只是效率，捡回人才是效果——如果两周下来一个都没捡回来，那这套工具在你这里的价值只有省力气，值不值那个钱就要重新算。

最后提醒一句：两周结束之后，把当时用的那一批简历和结果留一份存档。半年后你想比较自己有没有进步，需要一个起点。没有起点，任何改进都只是感觉。

常见问题

用了 AI 筛简历，会不会漏掉好人才

它能不能直接告诉我该录用谁

小公司一年只招十几个人，有必要用吗

候选人已经在针对机器优化简历了，这不是白玩吗

要不要把机器的评分给候选人看

系统给的理由，我要不要每条都核

它能不能替我写岗位描述和面试问题

用了之后，招聘周期真的会变短吗

我们的简历有中文有英文，会不会不公平

它会不会让我们的招聘变得千篇一律

要不要为了机器改我们的招聘广告

几个说法的对照

找资料的时候会碰到不同叫法，对照一下省得绕：

常见说法	指的是什么	容易混淆的地方
简历解析	第一件事：把文件变成字段	解析成功不等于评估准确，两回事
简历筛选	第二和第三件事：对照标准并分档	有人用它泛指整个流程，问清楚对方指哪一段
智能匹配	通常指对照这一步的算法	有的是数词，有的是看语义，差别很大
招聘管理系统	管整个流程的系统，筛选只是其中一环	它未必自带 AI 打分
人才库	把历史候选人存起来反复使用	涉及保留期限和使用目的，见第十一节
AI 面试	另一件事：自动化的面试环节	和简历筛选是两个话题，风险也不同

如果你想把整个招聘流程的各个环节看一遍，而不只是筛选这一段，那篇 招聘系统是什么？它到底帮HR省下哪些时间和成本 从头讲了一遍。英文那边还有一篇专门讲同一个题目的 AI Resume Screening: What Works and Where It Falls Over（是英文文章），角度略有不同，可以对着看。

把这篇收成一页

如果只记得住八句话，记这八句：

1. AI 读简历是三件事：提取、对照、排序。问准不准问不出答案，要问哪一步在你这里最容易坏。
2. 最先坏、也坏得最安静的是提取。读不出来的简历必须有独立状态，绝不能默默算成低分。
3. 对照的质量等于你写的标准的质量。写不出能在原文里指出对应句子的条件，就别交给机器比。
4. 分数是排队号码，不是结论。看名单的时候眼睛停在依据上，不要停在分数上。
5. 机器稳过人的四件事全属于读，人稳过机器的四件事全属于判断。边界就画在这两栏中间。
6. 偏见首先是质量问题：它让你稳定地漏掉合格的人。三个来源里，中小公司的问题多半出在自己写的标准上。
7. 按关键词打分已经走不通，因为它奖励抄写、惩罚老实。要看的是有没有一段原文能当证据。
8. 两周试用：先并跑，再小用，最后写规矩。别拿最急的岗位当试验田。

还有一句不在清单上、但比清单上任何一条都重要：中间那一档一定要有人看完。达标的那些人机器和你多半意见一致，不达标的看一眼就知道，真正的好人选藏在有一两条对不上的那一堆里——因为他们的经历不标准，而不标准往往正是他们值钱的地方。省掉这一步，这套工具就从帮手变成了筛子。

这个网站上其他的中文文章都收在 Orova 中文博客 里。想先弄清楚这类系统整体长什么样，看 招聘系统是什么？它到底帮HR省下哪些时间和成本；想要一套不依赖工具的人工筛选流程，看 简历筛选怎么做？五百份简历的三层筛选法；英文那边有一篇同题的 AI Resume Screening: What Works and Where It Falls Over（是英文文章），以及一篇讲怎么用证据代替直觉的 Hiring Bias: Why Evidence-Based Screening Beats Gut Feel（是英文文章）。

如果你决定试，边界这一段请读完

上面这两周，用一张评分表和一个下午也能走完，二三十份简历的岗位确实不需要买什么。这一节只是告诉你还有另一条路，以及它的边界在哪——边界那段请一定读完，免得带着错的期待去用。

Orova Recruit 做的正好是这篇讲的前两件事和第三件事的输出部分。具体来说：先为每个岗位把标准定下来，也就是第四节那一段最花心思的活；同一个岗位一次最多处理五百份简历，按你的标准分成通过、待定、不通过；读不出来的简历有单独的状态，不会被默默算成低分——这正是第三节反复强调的那一条；每一个评分都把依据从简历原文里摘出来，对应第九节讲的证据式打分，三个月后有人问起，你调出那一行就能回答。往下还能生成面试问题、把面试录音转成文字存进候选人档案、排面试的时段、单个或者批量做出决定并导出成 PDF 存档。

边界必须说清楚，这几件事它不做：

• 它不替你做决定。分档是分档，按下决定按钮的永远是人——第十节那四个位置，位置三那一栏它一件都不碰。
• 它不发布招聘广告，也不替你去外面找人。简历从哪里来是你的事，它接手的是简历已经回来之后那一段。
• 它不管薪酬和考勤。那是另一类系统的活。
• 它不替你写那份标准。可以帮你起草，但第四节说过，标准含糊后面全部跟着含糊，这份心思省不掉。
• 它不做分组偏见检查的自动报警。第八节那套分组看名次的动作，仍然要有人定期去做。

说得更直白一点：它替你省的是读完五百份的力气和留下记录的成本，不是判断力。这个人的经历能不能迁移、这段话是不是写得太漂亮、要不要请他来聊一次——这些永远是你的活。第一轮最好还是按两周试用法自己走一遍，走完你才知道，哪一段值得交出去。