HR简历分析评分报告

SKILL.md

---
name: hr-resume-scorer
description: 简历批量筛选打分工具。支持PDF/Word/TXT格式简历解析，基于JD进行匹配度分析，多维度评分，生成Excel/JSON/Markdown报告。当用户需要筛选简历、批量评估候选人、简历打分、匹配度分析、生成筛选报告时触发此技能。适用于HR、猎头、招聘团队。
agent_created: true
---

# 简历批量筛选打分技能

## 概述

本技能提供完整的简历筛选解决方案：解析简历文件、基于JD匹配度分析、多维度自动评分、批量处理、生成结构化报告。

**核心能力**：
- 支持 PDF、Word、TXT、Markdown 格式简历解析
- 基于职位描述(JD)的智能匹配度分析
- 5维度评分体系：学历、经验、技能匹配、行业匹配、稳定性
- 批量处理 + Excel/JSON/Markdown 报告输出

## 使用场景

| 场景 | 触发词示例 |
|------|-----------|
| 直接发送简历 | 用户直接发送简历文件（PDF/Word/TXT） |
| 批量筛选 | "帮我筛选这批简历"、"简历打分"、"简历筛选" |
| JD匹配 | "看这些简历和JD匹配度"、"按岗位要求筛选" |
| 生成报告 | "生成简历评分报告"、"输出Excel筛选结果" |
| 单份评估 | "评估这份简历"、"给这个候选人打分" |

## 工作流程

### 模式一：用户直接发送简历（推荐）

当用户直接发送简历文件时，按以下流程处理：

```
用户发送简历文件
  ↓
┌─────────────────────────────────────┐
│ 1. 自动检测文件                      │
│    - 识别文件格式（PDF/Word/TXT）    │
│    - 获取文件路径                    │
└─────────────────────────────────────┘
  ↓
┌─────────────────────────────────────┐
│ 2. 询问JD（如未提供）                │
│    - "请提供岗位描述(JD)，           │
│       或输入'跳过'进行基础评分"      │
└─────────────────────────────────────┘
  ↓
┌─────────────────────────────────────┐
│ 3. 解析并评分                        │
│    - 解析简历内容                    │
│    - 提取关键信息                    │
│    - 多维度评分                      │
└─────────────────────────────────────┘
  ↓
┌─────────────────────────────────────┐
│ 4. 即时反馈                          │
│    - 展示候选人信息摘要              │
│    - 显示评分结果                    │
│    - 给出录用建议                    │
└─────────────────────────────────────┘
```

**处理步骤**：

1. **检测文件**：用户发送文件后，自动识别为简历文件
2. **询问JD**：如对话中未提供JD，询问用户是否提供岗位描述
3. **解析简历**：使用 `ResumeParser.parse_file()` 解析文件
4. **评分分析**：使用 `ResumeScorer.score_resume()` 进行评分
5. **展示结果**：以Markdown格式展示候选人信息和评分结果

**输出格式**：

```markdown
## 📋 简历解析结果

**候选人**: 张三
**文件名**: 张三_前端开发.pdf

### 基本信息
- 📱 电话: 13800138000
- 📧 邮箱: zhangsan@email.com
- 🎓 学历: 本科
- 💼 经验: 5年

### 技能列表
React, Vue, TypeScript, Node.js, Webpack

### 评分结果

| 维度 | 分数 | 说明 |
|------|------|------|
| 学历背景 | 70 | 本科 |
| 工作经验 | 85 | 5年经验 |
| 技能匹配 | 90 | 高度匹配 |
| 稳定性 | 80 | 较为稳定 |

**总分**: 82.5
**匹配等级**: A-高度匹配
**建议**: 推荐 - 建议安排面试
```

### 模式二：指定文件路径/目录

当用户指定文件路径或目录时，按以下流程处理：

```
用户提供路径
  ↓
┌─────────────────────────────────────┐
│ 1. 确认输入                         │
│    - 简历文件/目录路径               │
│    - JD文本/文件(可选)               │
│    - 输出格式(默认Excel)             │
└─────────────────────────────────────┘
  ↓
┌─────────────────────────────────────┐
│ 2. 批量解析                         │
│    - 遍历目录文件                    │
│    - 逐个解析简历                    │
│    - 收集结构化数据                  │
└─────────────────────────────────────┘
  ↓
┌─────────────────────────────────────┐
│ 3. 批量评分                         │
│    - 基础维度评分                    │
│    - JD匹配度计算(如有JD)            │
│    - 按分数排序                      │
└─────────────────────────────────────┘
  ↓
┌─────────────────────────────────────┐
│ 4. 生成报告                         │
│    - 输出Excel/JSON/Markdown         │
│    - 展示筛选摘要                    │
└─────────────────────────────────────┘
```

### 步骤详解

#### Step 1: 确认输入

向用户确认：
1. **简历位置**：文件路径、目录路径，或用户直接发送文件
2. **JD信息**：职位描述文本或文件路径（可选）
3. **输出格式**：Excel(默认)、JSON、Markdown
4. **输出路径**：默认当前目录下

#### Step 2: 解析简历

调用脚本 `scripts/resume_scorer.py` 中的 `ResumeParser`：

```python
from resume_scorer import ResumeParser

# 解析单个文件
resume = ResumeParser.parse_file("path/to/resume.pdf")

# 返回结构化数据
print(resume.name)           # 候选人姓名
print(resume.phone)          # 电话
print(resume.email)          # 邮箱
print(resume.education)      # 学历列表
print(resume.experience_years)  # 工作年限
print(resume.skills)         # 技能列表
```

#### Step 3: 评分分析

使用 `ResumeScorer` 进行多维度评分：

```python
from resume_scorer import ResumeScorer, JDMatcher

# 初始化评分器
scorer = ResumeScorer()

# 解析JD(如有)
jd_requirements = JDMatcher.parse_jd(jd_text)

# 评分
result = scorer.score_resume(resume, jd_requirements)

print(result.total_score)       # 总分(0-100)
print(result.match_level)       # 匹配等级(S/A/B/C/D/E)
print(result.dimension_scores)  # 各维度分数
print(result.strengths)         # 优势
print(result.concerns)          # 关注点
print(result.recommendation)    # 录用建议
```

#### Step 4: 批量处理

使用 `BatchProcessor` 批量处理：

```python
from resume_scorer import BatchProcessor, ReportGenerator

processor = BatchProcessor()

# 处理整个目录
results = processor.process_directory("path/to/resumes/", jd_text)

# 生成Excel报告
ReportGenerator.to_excel(results, "筛选报告.xlsx")

# 生成Markdown报告
ReportGenerator.to_markdown(results, "筛选报告.md")
```

## 评分维度

| 维度 | 权重 | 说明 |
|------|------|------|
| 学历背景 | 15% | 博士/硕士/本科/大专 |
| 工作经验 | 25% | 年限 + 大厂/行业经验 |
| 技能匹配 | 30% | 与JD技能要求的匹配度 |
| 行业匹配 | 20% | 同行业/相关行业/跨行业 |
| 工作稳定性 | 10% | 平均在职时长 |

**匹配等级**：
- S (90-100): 极匹配，强烈推荐
- A (80-89): 高度匹配，推荐面试
- B (70-79): 较为匹配，建议面试
- C (60-69): 基本匹配，可考虑
- D (50-59): 部分匹配，谨慎考虑
- E (<50): 匹配度低，不推荐

详细评分标准见 `references/scoring_criteria.md`

## 人物画像分析

### 分析维度

| 维度 | 说明 | 分析方法 |
|------|------|----------|
| 性格特征 | 领导力、执行力、创新力等 | 关键词分析 |
| 工作风格 | 技术驱动/业务导向/管理型/研究型 | 内容分析 |
| 职业动机 | 技术成长/薪资/发展/平衡 | 关键词分析 |
| 职业倾向 | 管理方向/专家方向/业务方向 | 经验分析 |
| 领导潜力 | 高/中等/需评估 | 管理经验分析 |
| 团队适配 | 协作型/独立型/灵活型 | 工作方式分析 |

### 输出示例

```markdown
#### 👤 人物画像
- **性格特征**: 领导力、执行力、协作力
- **工作风格**: 技术驱动型
- **职业倾向**: 管理方向
- **领导潜力**: 高领导潜力
- **团队适配**: 适合协作型团队
- **总结**: 候选人表现出领导力、执行力、协作力等特质，属于技术驱动型，职业倾向为管理方向。高领导潜力，适合协作型团队。
```

## 简历真实性检查

### 检查维度

| 维度 | 说明 | 风险指标 |
|------|------|----------|
| 时间一致性 | 工作经历时间是否重叠 | 时间矛盾 |
| 描述真实性 | 是否存在夸大或模糊描述 | 夸大描述、模糊描述 |
| 经验合理性 | 经验与年限是否匹配 | 经验与年龄不符 |
| 跳槽频率 | 是否频繁跳槽 | 频繁跳槽 |
| 学历验证 | 学历信息是否可信 | 教育时间异常 |

### 风险等级

| 等级 | 分数区间 | 建议 |
|------|---------|------|
| 低风险 | 80-100 | 简历信息较为可信 |
| 中等风险 | 60-79 | 建议面试中深入了解 |
| 较高风险 | 40-59 | 建议深度背景调查 |
| 高风险 | 0-39 | 要求提供第三方证明 |

### 红旗标记

常见可疑模式：
- 夸大描述："精通所有"、"全栈精通"
- 模糊描述："参与项目"、"协助工作"
- 时间矛盾：工作经历时间重叠
- 经验不符：工作年限与技能不匹配

### 输出示例

```markdown
#### 🔍 真实性检查
- **真实性评分**: 85/100
- **风险等级**: 低风险
- **验证要点**:
  - 要求提供学历证书或学信网验证
  - 要求提供离职证明或社保记录
  - 通过技术面试验证核心技能
```

## 在职时长预估

### 预估因素

| 因素 | 权重 | 说明 |
|------|------|------|
| 历史平均在职时长 | 35% | 过往工作稳定性 |
| 跳槽频率趋势 | 20% | 最近跳槽是否更频繁 |
| 职业发展阶段 | 15% | 初级/成长期/稳定期/资深 |
| 行业特性 | 10% | 互联网/传统行业/创业 |
| 职位匹配度 | 10% | 与JD的匹配程度 |

### 风险等级

| 等级 | 预估时长 | 留任概率 |
|------|---------|---------|
| 低风险 | 3年以上 | 高 |
| 中等风险 | 1-3年 | 中 |
| 高风险 | 1年以下 | 低 |

### 输出示例

```markdown
#### ⏱️ 在职预估
- **预估在职时长**: 2-3年
- **留任风险**: 低风险
```

## 命令行用法

```bash
# 基础用法：筛选目录下所有简历
python scripts/resume_scorer.py ./resumes/

# 指定JD文件
python scripts/resume_scorer.py ./resumes/ --jd ./jd.txt

# 直接输入JD文本
python scripts/resume_scorer.py ./resumes/ --jd-text "岗位要求：3年以上Python经验..."

# 指定输出格式和路径
python scripts/resume_scorer.py ./resumes/ --format excel --output 筛选结果.xlsx

# JSON格式输出
python scripts/resume_scorer.py ./resumes/ --format json --output results.json

# Markdown格式输出
python scripts/resume_scorer.py ./resumes/ --format markdown --output report.md
```

## 输出报告示例

### Excel报告字段

| 字段 | 说明 |
|------|------|
| 排名 | 按总分排序 |
| 文件名 | 原始文件名 |
| 候选人 | 提取的姓名 |
| 总分 | 加权总分(0-100) |
| 匹配等级 | S/A/B/C/D/E |
| 学历得分 | 学历维度分数 |
| 经验得分 | 经验维度分数 |
| 技能匹配 | 技能维度分数 |
| 稳定性 | 稳定性维度分数 |
| 优势 | 候选人亮点 |
| 关注点 | 需注意问题 |
| 建议 | 录用建议 |

## 依赖安装

```bash
# PDF解析 (二选一)
pip install PyMuPDF
# 或
pip install pdfplumber

# Word解析
pip install python-docx

# Excel输出
pip install pandas openpyxl
```

## 注意事项

1. **文件格式**：确保简历文件格式正确，PDF推荐使用文本型PDF
2. **编码问题**：中文简历建议使用UTF-8编码
3. **批量数量**：单次建议不超过100份，大批量请分批处理
4. **JD质量**：JD越详细，匹配分析越准确
5. **人工复核**：自动评分仅供参考，重要岗位建议人工复核

## 参考文档

- 评分标准详情：`references/scoring_criteria.md`
- 简历解析指南：`references/resume_parsing_guide.md`
- 人物画像与真实性检查：`references/personality_analysis_guide.md`

---

## 附录：对话式简历解析指南

### 场景A：用户直接发送简历文件

当用户在对话中直接发送简历文件时，按以下步骤处理：

#### 1. 识别文件

用户发送的文件会自动保存到工作目录。检测文件扩展名：
- `.pdf` → PDF简历
- `.docx` / `.doc` → Word简历
- `.txt` / `.md` → 文本简历

#### 2. 解析并展示结果

```python
# 获取用户发送的文件路径（从工作目录）
import glob
from resume_scorer import ResumeParser, ResumeScorer, JDMatcher

# 查找最新的简历文件
resume_files = glob.glob("*.pdf") + glob.glob("*.docx") + glob.glob("*.txt")
if resume_files:
    file_path = resume_files[-1]  # 取最新文件

    # 解析简历
    resume = ResumeParser.parse_file(file_path)

    # 评分（无JD时使用基础评分）
    scorer = ResumeScorer()
    result = scorer.score_resume(resume)

    # 格式化输出
    print(f"## 📋 简历解析结果\n")
    print(f"**候选人**: {resume.name}")
    print(f"**文件名**: {resume.filename}\n")
    print(f"### 基本信息")
    print(f"- 📱 电话: {resume.phone or '未提供'}")
    print(f"- 📧 邮箱: {resume.email or '未提供'}")
    print(f"- 🎓 学历: {', '.join(resume.education) if resume.education else '未提供'}")
    print(f"- 💼 经验: {resume.experience_years}年\n")
    print(f"### 技能列表")
    print(f"{', '.join(resume.skills) if resume.skills else '未识别到明确技能'}\n")
    print(f"### 评分结果")
    print(f"| 维度 | 分数 |")
    print(f"|------|------|")
    for dim, score in result.dimension_scores.items():
        print(f"| {dim} | {score} |")
    print(f"\n**总分**: {result.total_score}")
    print(f"**匹配等级**: {result.match_level}")
    print(f"**建议**: {result.recommendation}")
```

#### 3. 询问是否需要JD匹配

展示基础评分后，询问用户：
```
是否提供岗位描述(JD)进行更精准的匹配分析？
- 提供JD文本 → 进行JD匹配度分析
- 输入"跳过" → 保持基础评分
```

### 场景B：用户发送多个简历文件

当用户一次发送多个简历文件时：

1. **收集所有文件**：遍历工作目录中的简历文件
2. **批量解析**：逐个解析并评分
3. **汇总展示**：按分数排序，展示排名表
4. **询问是否导出**：是否需要生成Excel/JSON报告

```markdown
## 📊 批量简历筛选结果

共解析 5 份简历

| 排名 | 候选人 | 总分 | 等级 | 建议 |
|------|--------|------|------|------|
| 1 | 张三 | 85.5 | A | 推荐面试 |
| 2 | 李四 | 78.0 | B | 建议面试 |
| 3 | 王五 | 72.5 | B | 建议面试 |
| 4 | 赵六 | 65.0 | C | 可考虑 |
| 5 | 钱七 | 55.0 | D | 谨慎考虑 |

是否需要生成详细的Excel报告？
```

### 场景C：用户粘贴简历文本

当用户直接粘贴简历内容时：

1. **保存为临时文件**：将文本保存为 `temp_resume.txt`
2. **解析并评分**：使用标准流程处理
3. **展示结果**：即时反馈评分结果

```python
# 保存用户粘贴的文本
with open("temp_resume.txt", "w", encoding="utf-8") as f:
    f.write(user_pasted_text)

# 解析并评分
resume = ResumeParser.parse_file("temp_resume.txt")
result = scorer.score_resume(resume)
```

### 最佳实践

1. **即时反馈**：用户发送文件后，立即解析并展示结果
2. **渐进式分析**：先展示基础评分，再询问是否需要JD匹配
3. **清晰展示**：使用表格和格式化输出，便于阅读
4. **灵活导出**：根据用户需求生成不同格式的报告
5. **错误处理**：解析失败时给出明确提示和解决建议