HR简历筛选助手

这个技能做什么

帮HR快速筛选简历：读取JD和简历 → AI匹配评分 → 输出分析报告+面试提问清单 → 自动存档。

核心能力：

单份/批量简历筛选
候选人去重（避免重复分析）
文件夹自动监控（新简历自动匹配JD）
多渠道输入输出（10种输入 × 8种输出）
自动创建候选人档案包

快速开始

第一次使用：

安装依赖：python scripts/install_deps.py
直接说"帮我筛选简历"，按引导完成2轮配置
配置后不再询问，自动按偏好执行

日常使用：

单份："用产品经理JD筛选这份简历" + 上传文件
批量："用产品经理JD筛选简历库"
改配置：说"修改配置"
自动化："启用文件夹监控"

支持格式： PDF/Word(.docx)/Excel/图片/文本(.txt/.md)

工作流程

执行简历筛选时按以下步骤：

Step 0 — 检查配置

检查 config.json 是否存在。如果首次使用：

介绍技能能力
第一轮：收集存储位置（平台：本地/腾讯文档/金山文档/IMA）
第二轮：收集偏好（输出格式、输入渠道、是否启用自动化）
写入 config.json

如果已配置，直接执行，不再询问。

修改配置时说"修改配置"，会引导分类修改（输入/输出/存储/自动化）。

Step 1 — 获取JD

按用户提供的JD来源获取：

岗位名称 → 从JD知识库读取
文件 → scripts/file_parser.py 解析
文本 → 直接使用
IMA知识库 → 搜索获取

Step 2 — 获取并解析简历

用 scripts/file_parser.py 解析简历文件。

Step 3 — 候选人去重

用 scripts/candidate_registry.py 检查候选人是否已有分析记录：

姓名/手机号/邮箱任一匹配即视为同一人
找到记录：展示历史并询问（查看历史/重新分析/跳过）
未找到：继续分析

Step 4 — AI匹配分析

使用 references/resume_analysis_prompt.md 模板，填充JD和简历内容后提交AI分析。

Step 5 — 创建候选人档案包 ⭐ 必须执行

根据 config.json 中的 storage_platform 决定存储位置：

档案结构：

候选人档案库/候选人姓名-YYYYMMDD/
├── 01_原始简历.[格式]
├── 02_匹配分析报告.md   （按 references/candidate_report_template.md）
└── 03_面试提问清单.md   （按 references/interview_template.md）

存储平台处理：

local → 本地文件系统
tencent_docs → 用 tencent-docs Skill MCP 工具
kdocs → 用 kdocs Skill MCP 工具
ima → 用 ima-skills Skill

Step 6 — 输出结果

按 config.json 中的 preferred_output_channels 逐一输出，不询问。支持的输出渠道：chat/json/excel/word/kdocs/tencent_docs/wechat_push/api_output。

配置管理

所有配置存储在 config.json（由 scripts/user_config.py 管理）。

核心配置项：

| 配置 | 方法 | |------|------| | 存储平台 | config.update(storage_platform="tencent_docs") | | 输出格式 | config.set_channel_preferences(output_channels=["excel","chat"]) | | 简历库路径 | config.update(resume_storage_path="...") | | 自动化 | config.set_automation(enabled=True, watch_jd="...", interval="DAILY") | | 云端空间ID | config.update(cloud_space_id="...") | | API配置 | config.update(api_endpoint="...", api_token="...") |

配置生效规则：

每个配置项独立生效，以最后一次修改为准
未改的保持不变
修改立即写入 config.json 并生效

渠道适配器

所有输入/输出通过统一渠道适配器（scripts/channels/）处理：

输入渠道（10种）： local_file / text / local_kb / ima / user_file / dialog / folder_monitor / api_input / wecom_trigger / web_scraper(存根)

输出渠道（8种）： chat / json / excel / word / kdocs / tencent_docs / wechat_push / api_output

使用方式：

from scripts.channels import get_channel_manager
manager = get_channel_manager()
result = manager.get_input("local_file").fetch(source="path/to/resume.pdf")
manager.get_output("excel").export(results=[...], output_path="report.xlsx")

候选人去重

使用 scripts/candidate_registry.py 管理候选人注册表。

三个维度匹配（任一命中即为同一人）：

姓名完全匹配
手机号完全匹配
邮箱完全匹配（不区分大小写）

注册表存储在 candidate_registry.json，API：

registry.find_candidate_with_field(name, phone, email) — 查找
registry.register(name, phone, email, source_file) — 注册
registry.add_analysis(candidate_id, jd_name, score, report_path) — 记录分析
registry.get_history(candidate_id) — 查看历史

自动化模式下重复简历直接跳过。

文件夹自动监控

启用后定时检查简历库，新简历自动匹配JD。

启用流程：

询问是否启用
选择匹配的JD（从知识库列出）
选择检查间隔（每小时/每4小时/每天）
用 automation_update 工具创建定时任务

rrule 对应：

每小时 → FREQ=HOURLY
每4小时 → FREQ=HOURLY;INTERVAL=4
每天 → FREQ=DAILY

查询状态：

from scripts.folder_watcher import FolderWatcher
status = FolderWatcher().get_status()

错误处理

| 错误 | 处理 | |------|------| | 文件格式不支持 | 提示支持格式列表 | | 文件超过20MB | 提示压缩或拆分 | | .doc旧格式 | 建议转.docx | | 文件读取失败 | 检查路径和文件完整性 | | JD知识库为空 | 提醒先添加JD | | 自动化JD不存在 | 提示先添加JD到知识库 | | 渠道不可用 | 回退到默认输出(chat+json) | | 云端未配置空间ID | 引导通过Step 0.5配置 |

数据安全

简历和分析结果保存在用户配置的文档平台
JD知识库和候选人档案库均在用户自己的账号下
本地简历文件不上传服务器
存储位置以 config.json 最新配置为准

示例

单份筛选：

用户：用产品经理JD筛选这份简历 [上传 resume.pdf] 助手：解析JD→解析简历→去重→AI分析→输出结果→创建档案包

批量筛选：

用户：用产品经理JD筛选简历库助手：扫描目录→逐一分析→每份创建档案包→汇总输出

去重提示：

助手：检测到候选人「张三」已有3份分析记录：[展示历史] 请选择：查看历史 / 重新分析 / 跳过