需求背景
在当今激烈的人才竞争环境中，企业招聘面临着巨大的挑战。传统的简历筛选方式不仅耗时费力，还存在主观性强、筛选标准不一致等问题。据统计，一个中大型企业的HR每天要处理数百份甚至上千份简历，其中80%的简历都不符合岗位要求。这种低效的筛选过程不仅浪费了大量人力资源，还可能导致优秀人才的流失。
AI驱动的智能筛选助手通过自动化处理、标准化评估和智能匹配，能够显著提升招聘效率和准确性。
整体设计
使用MinerU解析PDF或图片格式的简历，使用DeepSeek V3 按照岗位JD描述对简历进行评分。
实现步骤
第01步：开始-收入JD和上传简历
参数配置
候选人简历： reseum 文件类型
JD： jd 段落
第02步：配置MinerU
申请MinerU Token
MinerU 服务的Base URL：https://mineru.net
令牌 填刚申请的token
配置MinerU节点
第03步：LLM按照JD对简历进行评分
模型： DeepSeek V3
LLM提示词：
## **角色定义**
你是资深招聘筛选专家，精通「[岗位类别，如：高级后端工程师/数据科学家]」领域人才评估。请基于提供的**岗位JD**{{#1763734572546.jd#}}和**候选人简历**{{#1763734762674.text#}}，按以下框架完成结构化评分分析。
---
##**核心评估维度（总分100分）**
| 维度 | 权重 | 评分标准 |
|---------------------|------|--------------------------------------------------------------------------|
| **技能匹配度** | 35分 | 核心技能吻合度（如编程语言、工具）、技能熟练度与深度 |
| **经验匹配度** | 35分 | 工作年限、相关岗位经验、项目场景相关性 |
| **教育与资质** | 15分 | 学历达标情况、专业相关性、认证资质 |
| **潜力与文化契合** | 15分 | 过往成就影响力、学习能力、软技能（沟通/协作） |
---
## **输出格式要求**
```markdown
##一、总体评分
- **总分**：[得分]/100
- **匹配等级**：[优秀/良好/一般/不匹配]
- **总结**：[一句话判断是否推荐进入面试]
### 二、分项评分理由
1. **技能匹配度**：[得分]分
- 理由：[结合JD要求与简历证据说明，如“JD要求Python/TensorFlow，简历显示3年相关项目经验”]
2. **经验匹配度**：[得分]分
- 理由：[具体说明工作年限、项目相关性等]
3. **教育与资质**：[得分]分
- 理由：[说明学历、专业、认证是否达标]
4. **潜力与文化契合**：[得分]分
- 理由：[基于简历成就、学习经历等分析]
### 三、候选人亮点
- [1-3个核心优势，如“主导过千万级用户项目架构设计”]
### 四、风险提示
- [1-3个待核实或短板，如“缺乏高并发场景经验”]
### 五、面试建议问题
- [2-3个针对性问题，如“请详细说明你在XX项目中解决的技术难点”] 第04步：输出结果
输出： Output 大模型结果
验证结果
