招聘场景很容易被 AI 做成一个危险的打分器：上传简历，输出 82 分，推荐进入面试。看起来效率很高，但如果没有证据、没有追问、没有人工复核，分数反而会掩盖偏差。用 AI Agent 做简历初筛，重点不是替 HR 做最终决定，而是把候选人与岗位之间的匹配关系整理清楚。
这类流程可以借鉴 会议纪要复盘、跨部门任务交接 和 客服工单分流 的思路：先把信息结构化，再交给人判断。
先拆岗位要求
不要让 Agent 直接读完 JD 就给候选人排序。更稳的做法是先把岗位要求拆成硬性条件、加分条件、协作要求和不确定项。比如必须具备的技术栈、行业经验、语言能力、管理经验，和可以面试时再确认的部分要分开。
岗位要求拆清楚以后，后面的简历分析才有参照。否则 Agent 很容易根据简历写得漂亮程度给高分，而不是根据岗位真实需要做匹配。
匹配结论要带原文证据
每条匹配结论都应该回到简历里的原文证据。比如“具备 B2B SaaS 客户成功经验”，后面要跟对应公司、项目、时间和职责描述。没有证据的判断，只能算猜测。
如果简历里只出现模糊描述，比如“参与多个大型项目”，Agent 应该标成待确认，而不是自动理解为核心负责人。证据链越清楚，用人经理越容易快速判断。
风险提示比总分更重要
简历初筛不要只输出总分。更有价值的是风险提示：关键经验缺失、时间线不清、职位跨度过大、项目成果没有指标、岗位地点或薪资预期不匹配。风险提示不是否定候选人，而是告诉面试官哪里需要追问。
这也能减少团队的主观争论。大家讨论的是证据和风险，而不是“我感觉这个人不错”。
面试追问要具体
Agent 的输出最好能直接生成 5 到 8 个面试追问。问题要围绕岗位关键能力和简历不确定点，而不是泛泛问“请介绍一个项目”。比如“你在某项目里负责的是方案设计、客户沟通还是交付执行？”就比空问题更有用。
高风险岗位还可以加入人工确认节点。参考 OpenClaw 人工确认节点 的思路，Agent 可以整理材料，但录用推进、淘汰和敏感判断必须由人确认。
总结
用 AI Agent 做招聘简历初筛，关键是把岗位要求、候选人经历、匹配证据、风险提示和面试追问放到同一张表里。它不应该变成自动打分黑箱，而应该帮助 HR 和用人团队更快、更有证据地讨论候选人。
