履歷篩選最常見的問題不是慢，是不一致：同一份履歷，兩個面試官可能給出相反的結論，而且都說不清自己用了什麼標準。落選者不知道為什麼，組織也回答不了「我們到底在找什麼」。這篇的配方反著做：先把錄用標準寫成一份可判斷的文件，再讓 AI 依照這份文件做欄位抽取、逐條比對與理由陳述，並為每位候選人生成針對性的面談問題。開頭就把最重要的一句話講完：AI 在這個流程裡只做排序與理由陳述，進不進面談的決策永遠由人做出、由人記錄、由人負責。
這個場景解決什麼
三個痛點：量大（一個職缺收大量履歷，逐份細讀時後面幾十份的品質明顯下滑）；不一致（標準在每個人腦子裡，隨人飄、隨心情飄）；說不清（被問「為什麼這個人進面談」時答不出可稽核的理由）。
照這個配方做完，你會得到四樣東西：一份顯性化、有版本編號的錄用標準文件；每位候選人一張「逐條比對＋履歷原文依據」的對照表；一組對應標準項目的面談問題；以及全程的決策紀錄。
硬前提，先講清楚：沒有標準就不該自動化。 標準寫不出來時，自動化篩選只是把某個人的直覺固化成一個沒人看得懂的黑盒子——比人工篩選更難糾錯，也更難向候選人與監管交代。這種情況下，這個配方的第一步（寫標準）就是全部，後面全部暫停。
邊界：這個流程不輸出「錄取／淘汰」。它輸出的是「依標準排序的清單與理由」，結論由人下。
工具組合與前置準備
| 工具 | 在流程裡做什麼 |
|---|---|
| Claude | 長文件理解與結構化輸出：履歷欄位抽取、逐條比對標準、生成面談問題 |
| NotebookLM | 把職缺描述、勝任模型、標準文件上傳為依據來源，輸出可引用來源，減少「模型印象」造成的標準漂移 |
| Dify | 把流程編排成團隊可重複使用的形式：上傳履歷 → 抽取 → 比對 → 輸出報告，人資同事不必各自開對話框重貼提示詞 |
三者的定價與免費額度以官網為準；要自建還是用現成平台，判斷方法見自建還是採購。
合規前置——動任何一份真實履歷之前，以下每一項都要有明確答案；任何一項不清楚，就停在「寫標準文件」階段，先把問題問完：
| 檢查項 | 要回答的問題 | 找誰確認 |
|---|---|---|
| 處理正當性 | 徵才隱私聲明是否涵蓋「申請人資料用於遴選流程」；能否使用第三方 AI 工具處理 | 法務或人資合規負責人 |
| 資料分級 | 申請人資料可否上傳雲端工具；是否需要去識別化或本地方案 | 資訊安全；分級方法見企業資料安全基本盤 |
| 保存與刪除 | 履歷保存多久、誰有權限看、到期怎麼銷毀 | 人資負責人 |
| 就業法規 | 你所在地區禁止把哪些個人特徵用作篩選條件 | 法務；並落進第一節的標準文件 |
完整檢查框架見AI 合規與風險邊界。本文是流程配方，不構成法律或合規意見。
一、把錄用標準寫成文件
標準分三層：
- 必要條件：缺一件就不進入比對。注意必要條件只做「齊不齊」的檢查，不用來排序。
- 加分條件：用來排序，每一條都要寫明「什麼算符合」。
- 紅線：誠信與合規相關事項，觸發就人工複查，不進自動流程。
寫法只有一條要求：可判斷。每一條標準都要能回答「從履歷上能不能指出證據來判斷是或否」。
- 不合格寫法：「溝通能力佳」「責任心強」——形容詞沒有證據錨點，AI 會替它編出看似合理的理由，而你無法查證。
- 合格寫法：「有獨立協調跨部門專案的經歷，履歷中可指出具體事件」——有動作、有對象、可對照。
歧視性條件明確排除：年齡、性別、婚姻與生育狀況、種族、出生地、宗教信仰、身心障礙等與工作能力無關的個人特徵，不得作為篩選條件或排序因素，也不得出現在抽取欄位與提示詞裡。各地就業平等法規的具體禁止項目不同，這份清單必須由人資與法務依當地法規逐條確認後，才定稿進標準文件。這一步不是技術問題，是合規問題——AI 無法替你修補一份本身違規的標準。
版本化：標準文件給編號與生效日期，修改需要負責人核準。之後每一份比對輸出都標注所用的標準版本——沒有版本號，兩批候選人的結果無法比較，所有複盤都失效。
二、履歷解析與欄位抽取
固定的抽取 schema，每份履歷都抽同一組欄位：工作經歷（單位、角色、期間、主要職責與可驗證成果）、教育背景、技能清單、專案、證照，以及與標準條目直接相關的其他資訊。
三條紀律：
- 每個欄位附原文依據：抽出履歷中對應的句子片段，讓複核的人看得到「這個欄位是根據哪句話填的」。
- 沒寫就填「未提及」，絕不推測：不從學校名氣推能力、不從職稱推管理經驗、不從公司規模推預算規模。每一次推測都是一個不可稽核的偏見入口。
- 個資最小化：姓名、照片、聯絡方式、身分證字號這類識別欄位，在比對階段用不到——進入流程前先移除或代號化。比對的對象是「經歷與標準的匹配」，不是「這個人的身分」。這既是個資保護，也直接減少模型被無關特徵干擾的機會。
用 Dify 落地時，建一個「單份履歷輸入 → 固定結構輸出」的流程，所有履歷走同一版提示詞，中途不改。批量處理前，先跑一小批人工逐份檢查抽取品質，確認「未提及」紀律有被遵守，再放大。
三、依標準逐條比對，輸出匹配理由
每位候選人輸出一張對照表，格式固定：
| 標準項 | 判定（符合／不符合／未提及） | 履歷原文依據 | 信心度 |
|---|---|---|---|
| 跨部門協調經歷 | 符合 | 「主導產品與客服兩團隊完成流程改造」（履歷原文節錄） | 高 |
| 預算管理經驗 | 未提及 | （履歷中無相關敘述） | 低 |
輸出的措辭紀律：只陳述匹配狀態與證據，不下結論。「建議錄用」「應予淘汰」這類字眼禁止出現在輸出裡。讓模型描述事實（「履歷未提及此項」），不讓模型做判斷（「此人不適合」）——判斷是人的工作，也是要有人負責的工作。
信心度的用法：證據薄弱或需要推斷才能判定時標「低」，人工覆核優先看這批。要理解一件事：排序的本質是「目前證據對標準的充分程度」，不是「人的優劣」。履歷寫得精簡不等於候選人差；卡在「進入面談線」附近的邊界樣本，必須人工看過才能動。
四、為每位候選人生成面談問題
問題的來源按優先序：履歷中需要查證的點（模糊的成果描述、經歷期間的空窗）；候選人與標準之間的缺口；比對表中標為低信心的條目。
每個問題都附「想查證什麼」，對應到標準項，讓面試官知道要聽什麼：
標準項：跨部門協調經歷
問題：你提到協調產品與客服團隊，當時兩邊最大的分歧是什麼？
你做了什麼讓事情往前走？
想查證：協調是親自主導還是參與；處理分歧的具體方式
問題紅線：不生成探詢婚育計畫、家庭狀況、健康狀態等受保護特徵的問題；不問與工作能力無關的私人事務。面談問題同樣受第一節標準文件的約束——生成後由面試負責人過目一遍再用。
輸出形式是一頁面談指引：候選人比對摘要、依標準項排列的問題清單、每個問題的查證目標。面試官在此基礎上追加自己的問題。
五、人工覆核節點
- 誰覆核：用人主管或指定的覆核人，責任到人，不是「誰有空誰點一下」。
- 覆核什麼：啟用初期全量人工覆核——自己先人工跑一批，與 AI 比對表逐條對照，把每一個不一致標出來（是抽取錯、標準理解分歧，還是覆核者自己的偏見）。穩定之後改為「兩類必看＋抽樣」：低信心的必看，卡在進入面談線附近的邊界候選人必看，其餘抽樣。
- 抽樣比例與鬆緊條件自己定，並寫下來：方法是把「不一致率」定義為人工判斷與 AI 比對不同的條目佔比；每批固定抽樣計算；不一致率低於你對誤篩代價的容忍度時放寬抽樣，回升就收緊到全量。容忍度取決於你誤殺好候選人、誤放不合適候選人的實際代價——這是你的參數，不要抄任何文章裡的現成數字。
- 留紀錄：每位候選人的最終決定（進入／不進入下一輪）、決定人、日期、使用的標準版本，全部保存。這是稽核紀錄，是日後修訂標準的原料，也是出現爭議時唯一能還原過程的東西。
再說一次那條底線：進不進面談由人決定、由人記錄、由人負責。AI 的輸出永遠不直接等於決定。
六、偏見檢查與持續校準
每一輪招聘結束後做一次複盤，三個檢查：
- 分佈檢查：進入面談的人群在性別、年齡段、畢業院校等背景特徵上的分佈，有沒有明顯異常。異常分佈不等於歧視，但它是必須被解釋的信號——先查標準寫法是否隱含對某類背景的偏好（例如把某種昂貴培訓經歷列為必要條件），再查提示詞與抽取環節是否引入偏差。
- 措辭檢查：AI 輸出有沒有夾帶它自己的價值判斷（例如對履歷空窗期的負面措辭、對某些學校的額外形容）。發現就人工刪除，並在提示詞裡明確禁止。
- 標準複盤：有沒有哪條標準「幾乎所有人都不符合」或「幾乎所有人都符合」？兩種都說明那條標準寫壞了——前者可能錯殺整個人才池，後者對排序毫無貢獻。修訂後升級版本號，受影響的比對結果重跑重核，舊結論不自動沿用。
一個清醒的期待：AI 不會消除偏見，它繼承並放大標準文件裡的偏見。偏見治理的槓桿在標準與覆核兩層，不在模型層。
成果與驗收標準
| 檢查點 | 通過標準 | 沒通過怎麼辦 |
|---|---|---|
| 標準文件 | 每條可判斷、無歧視性條件、有版本編號、經人資與法務確認 | 暫停自動化，回到第一節把標準寫完 |
| 抽取品質 | 抽查數份：每個欄位有原文依據；履歷沒寫的顯示「未提及」而非編造 | 強化「未提及」紀律與提示詞，擴大抽查範圍 |
| 比對措辭 | 輸出只有匹配狀態與證據，無「建議錄取／淘汰」類結論字眼 | 修改輸出模板，在提示詞加入措辭禁令 |
| 面談問題 | 每題對應標準項並標注查證目標；無受保護特徵探詢 | 人工刪除越界問題，把紅線寫進提示詞 |
| 人工決策 | 每個進入／不進入的決定有決定人、日期與標準版本紀錄 | 補建紀錄機制；沒有紀錄的決定視同未覆核 |
| 偏見複盤 | 每輪招聘後完成分佈與措辭檢查並留下結論 | 把複盤排進招聘收尾的固定行程 |
常見踩坑
- 讓 AI 直接輸出「通過／不通過」：等於把決策責任交給黑盒子。出現爭議時，你對候選人、對監管、對自己的管理層都解釋不了。
- 標準寫成形容詞：「能抗壓」「有潛力」在 AI 手裡會長出一千種解釋，每種比對結果都看似合理、實則無法查證。
- 缺失欄位不標記：模型會用常識補位，而它的常識就是訓練資料裡的刻板印象。每一次補位都是一個不可稽核的偏見入口。
- 把排序當排名：證據不足不等於不符合。履歷精簡的候選人會被系統性壓低，這個盲區只能靠人工看邊界樣本來補。
- 履歷丟進未經公司允許的工具：申請人個資出了邊界，合規事故的代價遠大於篩選省下的時間。
- 標準悄悄修改：沒有版本號，你不知道某批結果是哪版標準跑的，複盤與申訴處理全部失效。
- 期待 AI 公平：模型只會忠實執行你給的標準。公平的責任在寫標準的人與覆核的人身上。
下一步
- 面談之後，把結論變成可追蹤的行動項：會議紀要自動轉行動項並分派
- 合規邊界的完整框架：AI 合規與風險邊界
- 資料分級與本地方案：企業資料安全基本盤
- 同一套「標準顯性化＋逐條比對＋人工覆核」模式用在合約審查：合約關鍵條款抽取與風險標記
- 先判斷哪些環節根本不該自動化：什麼時候不該用 AI
- 想把編排流程親手搭一遍：不寫程式做出你的第一個 AI 工作流