让AI承担筛简历，先回答三个问题：一次招聘Agent的失败复盘

我们做了什么

一家约200人的公司，校招季后端岗位收到1800份简历，HR团队3人。方案很简单：让模型按JD给每份简历打1-5分，标注亮点与风险，人工只看前20%。

上线第一周，HR反馈”效率提升明显”。第二周，业务部门开始质疑：几个内推的优秀候选人被打了2分，而一些明显不匹配的简历排在前面。运维同学核查后发现：模型对”非标准表达”极度不友好——用项目经历描述能力、没有关键词、跨专业转行的候选人，普遍被压分。

两周后，回滚到纯人工初筛。

三个没说清的问题

问题一：你在评”匹配”还是在评”写作水平”？

简历是一种自我表达文本，不是能力测量。模型很容易把”描述清晰、结构完整、用词专业”当作能力信号。而这些信号与家庭背景、教育经历、是否有人帮忙改简历高度相关。

结果就是：会写简历的人被系统性地加分。这不是模型的bug，是任务定义的问题——我们没有区分**“文本质量”和”岗位匹配”**。

问题二：历史标注的数据分布，是被污染的

用过去录用的简历训练/校准模型，等于继承了历史决策的偏差。即使没做微调、只用few-shot示例，示例本身也是筛选结果的副产品。而”这个人当年被录用”和”这个人现在适合”，中间隔着行业变化和岗位变化。

问题三：反馈从哪来？

最关键的缺失：我们没有”被拒绝的人后来怎么样”的数据。假阴性无从发现。模型只能通过HR的抱怨被间接纠正，而这种纠正既稀疏又滞后。

如果重做一次，会怎么做

1. 把任务拆成可验证的事实抽取，而不是打分

第一步不做排序，只做结构化抽取：学历、年限、技术栈、项目类型、可到岗时间。这些能确定性核对，人工可以快速扫一遍。排序交给规则，而不是模型的主观评分。

2. 明确”不用于决策”的字段

院校、性别、年龄、籍贯、照片等，从输入中直接剔除，不给模型”考虑的机会”。这不是道德姿态，而是让评估结果可解释。

3. 设置”必须人工看”的兜底通道

对评分靠后但满足硬性条件（如内推、特定项目经验、特殊背景）的简历强制人工复审。这类规则看起来笨，但它挡住了最严重的假阴性。

4. 用”通过率”而非”准确率”衡量

招聘的真正指标不是模型判定准不准，而是：进入面试的候选人质量分布是否变化、多样性是否下降、用人经理满意度是否下降。这些要上线前就定义好，否则无法知道是否出了问题。

5. 保留对照实验

不要一次性全量替换。抽5%-10%的岗位走纯人工，作为基线对比。没有对照组，任何”我们变快了”的说法都站不住。

招聘Agent适合做什么

不是不能做，而是换个位置：

• 降低阅读成本：摘要简历、提取要点、生成面试问题草稿——人类做最终判断
• 提升候选人体验：自动回复进度、常见问题解答、安排面试
• 辅助而非决定：把模型输出作为”第二意见”，而不是”第一道闸门”

教训

AI在招聘上的风险，不在于它判错，而在于它判错的模式和人不一样，且我们难以察觉。人类HR的偏差有迹可循（偏好熟悉背景），模型的偏差藏在文本风格、关键词和分布偏移里。

凡是”输出影响他人命运”的场景，第一原则永远是：模型可以缩短人类的工作，但不能替代人类的判断。评估的方式也要服务于发现错误，而不只是证明效率。