为什么说 HR 简历筛选和面试题生成，其实是同一条链路上的事

在招聘工作里，很多 HR 一开始想到的 AI 用法，通常是：“能不能帮我从几百份简历里先挑一批合适的人？”这个需求很真实，毕竟简历量一上来，人工阅读确实很吃力。

但真正把 AI 用起来之后会发现，HR简历筛选并不是简单地“看简历、打分、排序”这么一件事。它背后至少包含几个动作：先要看懂简历内容，再判断候选人和岗位是否匹配，接下来还要设计面试中需要验证的问题。

如果只是做关键词匹配，AI 很容易被“包装得很好看”的简历带偏。比如简历里写了很多岗位 JD 里的词，但候选人到底是主导过、参与过，还是只是听说过，其实不一定清楚。反过来，如果只让模型给一个分数，又会遇到另一个问题：为什么是这个分数？判断标准是否稳定？这些都很难解释。

所以，更稳妥的做法不是把简历筛选和面试题生成拆开看，而是把它们放进同一套流程里：先让模型从简历中提取证据，再根据岗位要求生成有针对性的追问，最后由 HR 或业务面试官做判断。

在这个过程中，Claude Sonnet 4.6 这类大模型比较适合承担阅读、归纳、对比和生成问题的工作。如果团队希望通过 ClaudeAPI 等第三方 Claude API 兼容接入服务平台来做系统集成，也可以把它接入招聘系统、ATS、飞书多维表格，或者企业内部工具里。需要注意的是，ClaudeAPI 并不是 Anthropic 官方服务，具体支持哪些模型、线路是否稳定、额度和价格如何，都应以平台最新说明为准。更重要的是，AI 工具只能辅助招聘判断，不能被当成完全替代 HR 决策的系统。

HR简历筛选真正重要的，不只是“快”，而是能说清楚原因

很多介绍 AI 招聘的内容，会强调“几秒钟筛完上千份简历”。速度当然有价值，尤其是在校招、批量招聘或岗位紧急的时候。但对 HR 来说，更关键的问题往往是：为什么这个候选人能进入下一轮？为什么另一个候选人暂时不推进？

一个真正能落地的 Claude简历筛选流程，不应该只输出一个“匹配度 85 分”。更有价值的，是把结果拆成几类信息：

• 硬性条件是否满足，比如学历、工作年限、所在城市、到岗时间、语言要求、证书要求等。
• 技能和经验是否匹配，例如技术栈、行业经验、岗位职能、项目复杂度、管理范围等。
• 判断依据来自哪里，也就是从简历中提取原句或关键信息，作为判断证据。
• 有哪些风险点需要注意，比如频繁跳槽、经历断档、项目描述太笼统、成果没有量化依据等。
• 下一步建议怎么做，例如进入面试、先电话初筛、补充作品集、暂不推进，或者放入人才库。

这比一个看起来很精确的分数更有用。因为招聘不是单人单次决策，很多时候还涉及业务部门、面试官、用人经理之间的协作。尤其当后续需要复盘候选人、解释筛选依据时，可解释性显然比一个简单分数更能减少争议。

一个更稳妥的 Claude简历筛选流程

第一步：先把岗位 JD 标准化

很多时候，简历筛选效果不好，并不是模型能力不够，而是岗位需求本身就没说清楚。JD 写得模糊，模型自然也只能模糊判断。

所以在调用模型之前，HR 最好先把 JD 拆成更清晰的结构。比如可以整理成下面这些字段：

• 岗位名称：例如 Java 后端开发、产品经理、跨境电商运营
• 必须条件：不能妥协的要求，比如 3 年以上 B 端 SaaS 经验
• 加分条件：不是硬性要求，但有的话会提高优先级，比如具备数据分析能力
• 排除条件：明显不适合的情况，例如岗位要求独立负责项目，但候选人只有实习经历
• 工作场景：增长、交付、从 0 到 1、存量运营、团队管理等
• 面试重点：需要重点验证的能力，例如需求拆解、系统设计、销售转化

简单说，只有先把“我们到底要什么人”讲清楚，AI 才能更稳定地完成 HR简历筛选。

第二步：让模型做“证据型筛选”，而不是只给结论

处理简历时，建议让模型按固定结构输出，不要完全自由发挥。这样既方便阅读，也方便后续对比不同候选人。

可以使用类似下面的结构：

候选人姓名：
目标岗位：
初筛结论：推荐面试 / 电话初筛 / 暂缓 / 不匹配

匹配点：
1. 与岗位要求对应的简历证据
2. 与岗位要求对应的简历证据

风险点：
1. 风险描述 + 简历依据
2. 风险描述 + 需要面试验证的问题

建议追问：
1. 针对项目真实性的问题
2. 针对能力深度的问题
3. 针对岗位适配度的问题

这样做的好处很明显：AI 不再像是在“替 HR 做决定”，而是在帮 HR 把简历里的证据快速整理出来。至于候选人是否推进，最终还是应该由 HR 和业务面试官来判断。

第三步：加入多轮验证，减少“AI包装简历”的干扰

现在很多候选人都会用 AI 优化简历，简历表达越来越完整，也越来越像 JD。对 HR 来说，这既是便利，也是挑战。如果还只依赖关键词匹配，就很容易被漂亮表述迷惑。

因此，在 Claude简历筛选中，可以加入几类验证：

• 经历一致性验证：看项目时间、岗位职责、成果数据前后是否说得通。
• 能力深度验证：判断候选人只是“用过某个工具”，还是能讲清楚原理、取舍和结果。
• 业务场景验证：看候选人的经验是否适合当前公司的业务阶段，而不是只看经历是否相似。

比如候选人在简历中写：“负责用户增长策略，提升转化率。”这句话听起来不错，但还不够。AI 可以进一步生成一些追问：

• 你当时具体负责的是哪一段转化漏斗？
• 转化率提升的基准值是多少？统计周期是多久？
• 你做过哪些实验？有没有失败的方案？
• 这个结果里，哪些是你个人贡献，哪些是团队整体贡献？

这类问题比直接问“你熟悉用户增长吗”要有效得多，也更容易识别真实能力。

面试题生成：别只生成通用题，更要生成“验证题”

很多 HR 使用大模型做面试题生成时，会直接输入：“帮我生成 10 个产品经理面试题。”这样当然能得到一组问题，但价值往往有限。因为这些题太通用，候选人也很容易提前准备。

更好的方法是基于 JD 和候选人简历来生成问题。换句话说，每一道面试题都应该服务于某个判断目标，而不是为了凑数量。

面试题可以分成五类

事实核验题

这类问题主要用来确认简历里的经历是否真实，是否存在夸大。

示例：

• 你在简历中提到“主导 CRM 系统改版”，能不能具体说一下你负责哪些模块、项目有多少人参与、周期多长，最后交付了什么？
• 这个项目里最关键的决策是什么？当时你们还有哪些备选方案？

能力深挖题

这类问题用来判断候选人是否真的具备岗位所需能力，而不是只会描述结果。

示例：

• 如果让你重新做这个项目，你会保留哪些做法，又会放弃哪些方案？
• 你通常如何判断一个需求是真需求，而不是客户或老板临时提出的想法？

场景模拟题

这类题会把候选人放到更接近真实工作的情境里，看他如何处理问题。

示例：

• 如果业务方要求两周内上线一个功能，但研发评估至少需要四周，你会怎么协调？
• 如果你接手一个转化率持续下滑的渠道，第一周你会优先看哪些数据？

反思复盘题

这类题主要看候选人的学习能力、自我认知，以及面对失败时的分析方式。

示例：

• 过去一年里，你做得最不成功的项目是什么？问题主要出在哪里？
• 如果当时有更多资源，你会优先补哪一块？为什么？

文化与协作题

这类题用来判断候选人的工作方式，是否适合当前团队。

示例：

• 当你和直属上级对优先级判断不一致时，你一般会怎么推进？
• 你更适合在目标明确后独立推进，还是在高频沟通中不断迭代方案？

可直接使用的 Prompt 模板

下面这组提示词模板，可以直接用于 HR简历筛选和面试题生成。实际使用时，建议根据不同岗位稍作调整。

模板一：JD 结构化

你是一名资深招聘顾问。请将以下岗位 JD 拆解为结构化筛选标准。

要求：
1. 区分必须条件、加分条件、排除条件；
2. 提取岗位核心能力；
3. 标注哪些能力需要通过简历判断，哪些必须通过面试验证；
4. 不要添加 JD 中不存在的要求。

岗位 JD：
【粘贴 JD】

模板二：简历初筛

你是一名 HR 简历筛选助手。请根据岗位要求评估候选人简历。

要求：
1. 只基于 JD 和简历内容判断，不要臆测；
2. 每个结论都要引用简历证据；
3. 输出初筛结论：推荐面试 / 电话初筛 / 暂缓 / 不匹配；
4. 标注风险点和需要面试验证的问题；
5. 不要因为表达漂亮就提高评价，重点看经历与岗位的真实匹配。

岗位要求：
【粘贴结构化 JD】

候选人简历：
【粘贴简历】

模板三：针对候选人的面试题生成

你是一名面试官。请基于岗位要求和候选人简历，生成一套结构化面试题。

要求：
1. 面试题必须针对候选人简历中的具体经历；
2. 每道题说明考察目的；
3. 区分事实核验、能力深挖、场景模拟、复盘反思、协作沟通；
4. 给出优秀回答应包含的要点；
5. 避免生成泛泛而谈的问题。

岗位要求：
【粘贴 JD】

候选人简历：
【粘贴简历】

在招聘系统中接入 ClaudeAPI 时，需要注意什么

如果企业已经有 ATS、内部招聘系统、飞书表格，或者候选人管理工具，可以考虑通过 API 把 Claude简历筛选和面试题生成接入现有流程。通过 ClaudeAPI 这类第三方 Claude API 兼容接入服务平台，通常可以获得兼容接入、多线路选择、中文支持、企业充值、开票以及基础技术协助等能力。

不过，具体支持范围、可用模型、计费方式和服务稳定性，还是要以平台官网的最新说明为准。实际落地时，建议重点注意下面几件事。

第一，不要上传不必要的个人信息。
简历里经常包含手机号、邮箱、身份证号、住址等敏感信息。如果这些信息和筛选无关，能脱敏就尽量脱敏，只保留岗位判断所需的字段。

第二，不要让模型直接做最终淘汰决定。
AI 更适合作为辅助分析工具，而不是唯一决策者。尤其是涉及候选人机会、公平性和合规风险时，一定要保留人工复核。

第三，保留筛选日志和判断依据。
模型每次输出的匹配点、风险点、建议问题，最好都能留存下来。这样后续复盘候选人、优化招聘标准时，会更有依据。

第四，不同岗位要有不同的评分和判断规则。
销售、研发、运营、财务、管理岗的筛选逻辑完全不同。不要指望一套通用 Prompt 能处理所有岗位，否则结果很容易变得泛泛而谈。

常见误区：AI 筛简历不是关键词游戏

误区一：关键词越多，就越匹配

候选人简历里出现“Python、数据分析、增长、AIGC”，并不代表他真的具备这些能力。HR 更应该让模型判断关键词出现的语境：候选人是实际负责过，参与支持过，还是只是有所了解。

误区二：匹配度分数越精确，就越可信

“87.5 分”看起来很专业，但如果没有证据支撑，其实意义不大。招聘中真正需要的是：为什么推荐？下一轮要验证什么？有哪些风险不能忽略？

误区三：通用面试题可以解决所有岗位

同样是“项目管理能力”，放在互联网产品、制造业交付、咨询项目和电商运营里，含义可能完全不同。所以，面试题生成必须贴合业务场景，不能只套模板。

误区四：AI 可以完全替代 HR

AI 可以提升处理效率，也能减少大量重复劳动。但候选人的动机、价值观、沟通风格、成长潜力，仍然需要 HR 和业务面试官共同判断。这一点很难被完全自动化。

一套可执行的招聘工作流

对中小团队来说，不一定一开始就要搭复杂系统。可以先从一套轻量流程做起：

第一步，HR 将 JD 输入模型，生成结构化筛选标准。
第二步，对收到的简历进行必要的脱敏处理。
第三步，使用 Claude简历筛选模板生成初筛报告。
第四步，HR 人工复核，并对候选人进行分层。
第五步，为进入面试环节的候选人生成定制化面试题。
第六步，面试官根据问题记录候选人的回答要点。
第七步，面试结束后，再把结果反向更新到岗位筛选标准中。

这个流程并不复杂。哪怕暂时只用表格管理，也能明显提升简历阅读、候选人对比和面试准备的效率。等流程跑顺了，再考虑 API 集成、批量处理、权限管理和数据沉淀，会更稳妥。

结语：让 AI 做信息整理，让 HR 做招聘判断

HR简历筛选的难点，正在从“简历看不完”变成“简历看不准”。AI 一方面让候选人的简历更容易被优化，另一方面也给 HR 提供了新的方法：用更结构化的方式去识别真实能力。

合理使用 Claude Sonnet 4.6、ClaudeAPI 等工具时，重点不应该是追求所谓“全自动招聘”，而是建立一套可解释、可复核、能持续优化的招聘流程。让 AI 提取证据，让 AI 生成面试题，但最终由人来判断候选人与岗位的适配度。

真正有效的面试题生成，不是简单列出一批标准问题，而是围绕候选人的具体经历设计验证路径。真正可靠的 Claude简历筛选，也不是给候选人随便贴标签，而是帮助 HR 更快看清匹配点、风险点，以及下一步到底该问什么。