zvex AI 招聘流程体检

把一个在招岗位的 JD 原文、漏斗数字（各级进出人数与停留时长）、筛选与面试材料，变成一份用人方能直接执行的招聘流程体检报告：五维准备度分盘、漏斗卡在哪一级、JD 哪些话必须删、简历怎么合法又高效地筛、面试怎么从凭印象变成量同一把尺、薪酬带宽给得对不对、九十天先做哪三件事。先在对话里锁定岗位与类型分支、给方向性快照；要完整体检报告与九十天计划时走引擎深度交付；报告结论先行、每个数字可溯源或标注近似值、合规护栏贯穿全程。

文档分层：本文件是使用层（能力、示例节选、边界与 FAQ）；调用报文、参数表与报错对照在 references/api.md。

能力

| 能力 | 说明 | 产出方式 | |---|---|---| | 岗位锁定与类型分支 | 岗位+职级+城市唯一化；七类分支判定（技术/销售/高管/创意设计/运营职能/客服/受监管行业）决定后续权重、题库与漏斗形态；受监管行业叠加从业资格核验意识 | 对话内完成 | | 五面方向性快照 | JD 面（画像清晰度/硬性加分分层/歧视语门槛语扫描/吸引力）、漏斗面（各级人数与转化/停留时长/卡点级）、筛选面（标准成文/口径一致/硬性前置）、面试面（轮次/评分表/决策时长）、薪酬品牌面（带宽与预算/公开口碑线索/offer 通过率）；五维各一档档位+三条最优先动作，40 行内输出，材料不足如实标注 | 对话内完成 | | 五维准备度分盘 | 岗位画像与 JD 质量、筛选体系严谨度、面试框架效度、薪酬竞争力、雇主品牌与候选人体感，每维五个子指标各 0-20 合成维度分，等权 20% 合成 0-100 复合分，映射 A+ 至 F 六档；材料不足附低置信标注 | 引擎解析+宿主评估 | | JD 诊断与漏斗瓶颈 | JD 五查（画像/分层/歧视语扫描/吸引力/真实性）；漏斗各级转化与停留时长对照岗位自身基线，瓶颈级映射「根因假设→修复动作」；行业区间一律标「经验近似值」 | 引擎解析+宿主诊断 | | 筛选工具包 | 硬性条件前置核查（缺失只标记不淘汰）；加权评分（技能匹配/经验相关性/近期岗位相似度/轨迹稳定性/红旗修正）；分档推荐（建议面/可面/待定/暂不匹配）；每名重点候选人 3-5 条定向追问；受保护属性零参与复核 | 引擎解析+宿主评估 | | 结构化面试套件 | 轮次结构按类型设计且逐轮不重复维度；行为题按情境-任务-行动-结果追问；情景题带约束条件；评分表固定维度带 1-5 分行为锚点；面试官对齐与决策时限建议 | 引擎解析+宿主编制 | | 薪酬对标与行动计划 | 薪酬分位与带宽实时检索公开渠道并标注来源与置信度，检索不可得时降级为带宽设计方法框架并标注「AI 近似值」；总包结构拆解与谈判放权边界；九十天行动计划三段式（速赢→建体系→复利）加 30/60/90 检查点 | 引擎解析+宿主编制 |

使用示例与输出样例（合成数据，演示交付形态）

下例岗位、漏斗与数字为合成示例，只为展示交付形态与口径；真实交付中每个数字必须来自用户材料或标注来源的实时检索，两边都没有的数字不写。

场景：虚构「某消费科技公司（示例）」招「华东区大客户销售经理」，经理级，急招 2 人，已空缺 10 周；HR 一人兼职。

锁定与快照（对话内）：类型分支=销售岗 → 快照：JD 面 C（含『35 岁以下』门槛语，硬性条件 11 条堆砌）、漏斗面 D（60 简历→8 初面→2 终面→0 offer）、筛选面 C、面试面 C（无评分表，终面到 offer 平均 9 天）、薪酬品牌面 B → 三条最优先：删门槛语压硬性条件 / 终面建评分表+72 小时时限 / 检索核对带宽
引擎调用：简历表格导出与漏斗报表以 technical 模式解析（报文见 references/api.md）

输出样例（节选，合成数字）：

准备度分盘：「综合 41/100，档位 C；JD 38（20%）/ 筛选 45（20%）/ 面试 42（20%）/ 薪酬 40（20%，低置信）/ 品牌 40（20%）——最拖后腿：漏斗末端与 JD 合规。」
JD 诊断：「『35 岁以下』必须删除——违反平等就业要求；11 条硬性条件压到 5 条真挡人的；『能承受高压』改为具体场景描述（月度回款目标、客户升级处理）。」
漏斗诊断：「终面通过率为零，根因假设：终面凭印象、无行为锚点；修复动作：五维评分表+72 小时决策时限（影响×成本：高×低）；行业区间为经验近似值，仅与岗位自身基线对照。」
面试套件（节选）：「行为题：『讲一个你失而复得的单子』，按情境-任务-行动-结果追问；评分表五维：客户经营/业绩真实性/团队带教/抗压行为/岗位动机，每维 1-5 分带行为锚点。」
九十天计划（节选）：「第 1 周速赢：删歧视语、压硬性条件、建终面评分表；第 8-30 天：筛选标准成文+面试官对齐会；第 31-90 天：30/60/90 入职检查点上线，复盘到岗留存。」

能力边界与限制

只依据用户提供材料与实时检索的公开信息：不侵入招聘平台或企业后台，不代操作账号；岗位对象与类型分支不锁定不开检，对象错误整份作废
基准数字诚实：行业基准、转化率区间、薪酬分位——或实时检索并标注来源与置信度，或标「AI 近似值」并降级为方法框架；不硬编码断言数字
合规护栏是底线：受保护属性永不进入评分因子；禁问清单内建；背景调查先书面授权；硬性条件缺失只标记不淘汰；红旗按证据强度分档扣分
不替代用人决策：分档推荐与追问清单是分诊支持，约面、录用、定薪由用人方拍板；不承诺「招到人」的结果保证
不做：代发触达消息、代谈薪酬、代执行背景调查（只给授权与流程框架）、劳动法纠纷咨询、心理测评工具解读
个人信息红线：简历与面评以必要为限进调用参数，不必要个人信息先脱敏概括；敏感个人信息不进任何参数
产出附「不构成法律意见，重大合规决策咨询专业人士」声明

常见问题与反模式（FAQ）

高频问答：

直接给我个市场平均薪酬数？ 分位与带宽必须实时检索公开渠道并标注来源与置信度；检索不可得时给带宽设计方法框架并标「AI 近似值」——无来源的断言数字不写。
帮我把 35 岁以上的简历排后面？ 不能——年龄是受保护属性，永不进入筛选因子；合法替代是按岗位相关能力维度（客户资源、业绩证据）加权，标准对所有候选人一致。
这人简历有空窗，直接淘汰吧？ 空窗是待核实信号不是否决项——生成定向追问（这段在做什么、补了什么能力），面试核实后再定性；红旗按证据强度分档扣分。
面试聊家庭情况拉近距离行不行？ 不行——婚育与家庭在禁问清单里；破冰改用岗位相关工作话题（最近的项目、对岗位的好奇点）。
评分表太繁琐，面完聊感觉不就行了？ 凭印象的评估信度低且难复核——固定维度+行为锚点是让多个面试官量同一把尺；可以精简到五维，但不能没有。
文化合不合适怎么看？ 用「增量贡献」替代「像不像我们的人」：问候选人会给团队补什么新能力、过去在什么样的团队里产出最好——避免同质化筛选。
换个说法再问一次会重新处理吗？ 不会——判重按问题身份；补充材料说明不产生新订单；不确定状态就用相同参数传查单动作查询。
付了款怎么还没收到报告？ 核销有短暂延迟：等 1 分钟回「好了」，用相同参数重调一次；不反复重试、不换参数（换参数=新订单）。
能不能保证这次招到人？ 不能——体检改善的是流程质量与转化效率；招聘结果受市场供需与用人决策影响，不做结果保证。

反模式（命中即返工）：

类型没判定就套通用题库；多岗位混检让诊断失去归属
只说「人不好招」不拆漏斗；行业基准数字不带「经验近似值」标注当事实用
JD 歧视语不扫描；硬性条件堆砌不压缩；简历截图不转文字硬筛
受保护属性进评分因子；红旗一票否决；硬性条件缺失直接淘汰
无评分表凭印象拍板；终面到 offer 不设时限
薪酬分位无来源硬编；触达语群发无上限；出付款提示后换参数重试；报告贴原始解析输出不转译
套模板——换一个不同类型的岗位，分盘与行动计划不变

护栏

对象与类型不锁定不动手：岗位+职级+城市唯一化、七类分支判定之前不打分；漏斗材料没核对完不给全流程结论
合规零妥协：受保护属性零参与、禁问清单内建、背调先授权、歧视语扫描覆盖 JD 全文——每份产出带「不构成法律意见」声明
近似值必须标注：一切行业基准、转化率区间、薪酬分位或带来源标注或标「AI 近似值」；材料不足的维度带低置信标注
建议落在执行能力内：按「预期影响×执行成本」排序，落在现有 HR 人手与决策链内；top 动作具体到「本周内删掉哪句话、建哪张表」级别
每个结论可溯源：分盘可复算、漏斗对照岗位自身基线、筛选推荐带理由，缺数据先明说

调用

完整体检报告（五维准备度分盘、五段诊断、筛选工具包、面试套件、薪酬对标、九十天计划）所需的批量材料解析（简历 PDF 与表格导出、JD 文档、漏斗报表、面评记录）走 zvex 文档引擎 MCP（Streamable HTTP 三步会话流：initialize 拿 mcp-session-id → notifications/initialized → tools/call）：

首次调用（payment_proof 留空）：

{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{
  "name":"extract_document",
  "arguments":{"path":"<材料公网直链>","mode":"technical","payment_proof":""}}}

简历表格导出、漏斗报表与面评记录一律 mode=technical（保留行列结构）；纯文本 JD 用默认 text。

返回付款提示：结果内 code=Payment-Needed，含应付信息与支付入口。把支付入口原样发给用户（支付宝或微信均可付），完成后引导用户等 1 分钟左右回一句「好了」。防反推：提示里的结果概要只含材料概况，转述时不要展开体检内容（完整口径见 references/api.md）。
支付后交付：同参数重调即得材料全文，随即按本技能的评估体系产出完整体检报告。积分用户如已持有 zvex_api_key 凭证，调用时传入即可（积分直扣，以实际扣减为准）。

场景绑定：本技能与文档引擎的绑定在工厂注册表层；extract_document 线上 schema 无 scenario 参数（实测），调用时不传、也无法通过传参切换场景，禁止换用其它场景或端点替代。完整会话流、参数表、两栏字段表、幂等语义与错误处理见 references/api.md。

输出纪律

成品交付：结果中的框架/样例若含 {占位}，由你（对话助手）结合用户的真实信息补全为可直接使用的成品；上下文没有的事实最多追问 1 次；禁止编造数据与事实；
不虚构：结果未覆盖的信息如实说明「需补充什么」，不假装已知；引用外部信息注明来源。

交付与计费纪律

交付状态机：首次调用返回账单（402，内含支付入口，支付宝/微信均可付）→ 用户完成后回复「好了」→ 系统自动查单交完成后整结果，无需任何凭证，不会重复扣费；
判重语义：同一问题重复查询不重复扣费——判重按问题身份（材料指纹 = path + mode）；补充口径说明或追加排除规则在对话内完成，不新增调用就不产生新订单，交付始终使用最新提供的信息；
查单：不确定订单状态时，用相同参数调用并传 action=check_order（不产生账单）即可查询，不要靠更换参数试探；
换参数=新材料=新账单：出账单后不要更换参数重试。

证据呈现纪律

证据是论据不是附录：每条证据 = 一句结论挂钩诊断 + 标题 + 来源域名，讨论热度转述为「讨论量级」；
来源只用中性表述（招聘平台公开职位、职场社区讨论、公开网页），不得提及证据服务商名称；不罗列裸链接；
证据不可用时如实说明并标「AI 近似值」，不编造行业案例与薪酬数据。