简历派发系统
一份简历进来,系统回答三个问题:谁能要、要不要去要岗、这个人下一步能去哪。
方案以现有技能库为底座,先把「简历 → 可执行动作」这段闭环跑通,再谈预测。
简历不缺,缺的是「该给谁」的判断
现在的瓶颈不在获取简历,在于每份简历进来以后走哪条路,取决于谁先看到它。
- 客户、岗位、人选三张网是分开的。岗位在项目库里、在群聊里、在客户口述里;人选的处置靠顾问记忆。同一个候选人,A 顾问三分钟能说出五个对口岗位,B 顾问只能存进硬盘。
- 供需错配靠人撮合。有的客户有岗没人,有的客户有人没岗 —— 后者其实是可以去要岗的,但没人有时间从简历池反推「这家客户该开什么岗」。
- 结果是指标不动。简历池越滚越大,推荐转化率不动,因为没被正确分派的简历等同于没进来过。
- 岗位总库
- 3,082 个职位 / 1,198 家客户
- 其中带 JD 全文
- 306 份
- 产研类岗位
- 611 条 · 占 19.8%
数字取自岗位需求总库当前快照。它同时暴露了一件事:三千多个职位里只有一成有完整 JD —— 这是后面所有匹配都必须先解决的问题。
把一份简历编译成一张派发单
不做一个「简历打分器」,做一个「派发单」。顾问打开的不是一个分数,而是四段内容和一条处置建议:命中哪些岗位、哪家客户值得去要岗、哪几家公司值得建联、这个人几年后合理的位置在哪。
「推 / 要 / 链 / 养 / 弃」五个动作来自现有匹配模型的口袋口径(A 强推 / B 可推 / C 观察 / D 不建议),再加一条客户侧动作「要岗」。不新增评分体系。
四层:事实、镜像、判断、预测
从下往上,每一层的输出是上一层的输入。前两层决定天花板,第三层决定准不准,第四层决定这套东西能不能留住顾问。
简历结构化
PDF / Word / 图片进来,先变成一组可比字段:职能族、职级带、年限、公司背景、技能短语、城市、薪酬、到岗时间。字段缺失就标缺失,不猜。
talent-search(解析回执)
需求侧镜像
内部项目库(客户 / 职位 / JD 版本)与外部渠道在招岗位,统一到同一套字段。同一家公司、同一个岗位名,在库里只能是一条,标清来源与时效。
cgl-jd-writer
外部渠道:待归一
分派判断
先门控出池,不靠后面的分数把人捞回来;硬条件没读到的判「待核」,不当成不符合。过门控的再按适配、证据、动量、岗位四个维度定口袋,交一批人,不交一个分数。
RPM 五层 / 四口袋
失效转 Mapping 全量
路径推演
不预测「他去哪」,而是分开算两件事:他这一格往上是什么岗(能力轴),他此刻会不会动(意愿轴)。两轴相乘才出结论,缺一轴就只给一半。
(RPM v4 L3 动量 / 意愿卡)
能力轴:库内无承载,见 06-3
L4 拆成两轴:一条已有,一条要建
库里已有的世界模型,已经在做「这个人会不会动」的判断——它在 RPM v4 里以 L3 动量的形式参与排序,状态面拆成四类:钱与权与情绪算意愿,处境算时机,底线算约束(命中直接出池,否决不是扣分),背书算干预杠杆。这半条腿是现成的。
缺的是另一条腿:同一个职能序列上,「他现在这一格」往上的下一格、再上一格分别是什么岗。这条腿只能从我们自己的履历和成交记录里长出来,外部买不到。
| 轴 | 回答什么 | 数据从哪来 | 现状 |
|---|---|---|---|
| 能力轴 | 这一格往上是什么岗、跨公司怎么换算 | ATS 履历序列 + 成交记录 + 职级对照表 | 缺 需自建 |
| 意愿轴 | 此刻会不会动、底线在哪、谁能撬动 | 世界模型(意愿卡 / D2 观测 / 干预记录) | 已有 有接口 |
| 机会轴 | 这些方向现在有没有真实开口 | 岗位总库 + 外部在招岗位归一 | 部分 只有内部 |
世界模型只在有记录的候选人身上有效。新简历刚进来,没有意愿卡也没有 D2 观测,意愿轴只能给「未知」档——此时推演只输出能力侧判断,不拿分桶先验冒充结论。库里定的门槛是 D2 覆盖率达到 60% 之后,意愿档位才允许进入排序。
L1、L2 的完成度直接决定后面两层。三千多个职位里只有 306 份完整 JD,意味着多数岗位在 L2 就已经是模糊的,L3 只能靠 title 猜。
五种动作,对应五条业务出口
这套系统的交付物不是报告,是动作。每个动作都要说清触发条件、谁执行、系统给什么,否则顾问拿到一张纸不知道该干嘛。
| 动作 | 触发条件 | 谁执行 | 系统给什么 |
|---|---|---|---|
| 推 | 有客户、有在招岗、过硬门控 | 顾问 | 推荐单(含 2–4 条匹配证据 + 反证),按雇主品牌要求排版 |
| 要 | 有客户、当期无对口岗 | 顾问 / 客户经理 | 建议岗位定义 + 要岗话术,附「这家客户历史上招过同类岗」的证据 |
| 链 | 没有客户,但有对口公司 | BD | 3–5 家目标公司 + 切入路径(内部人脉 / 招聘渠道 / 行业活动) |
| 养 | 有潜力,当期无出口 | 顾问 | 观察池 + 触发条件(客户开同类岗、职级到位、竞业到期) |
| 弃 | 门控不满足且无解 | 系统 | 出池原因,按城市 / 职级 / 竞业 / 薪酬归类,供校准用 |
「弃」也必须写明原因。出池原因的分类统计是门控校准的唯一输入,没有它,模型只会越调越保守。
技能库里,这张单子需要的 15 个能力位
按现有技能快照逐个对位。结论先说:7 个能力位现在就能跑,5 个有缺口,3 个原先没有承载——这三个已于 2026-11-20 各自建出 v0.1 骨架。所以「已经拥有所有必要能力」这个判断,对闭环成立,对精度不成立。
| 能力位 | 承载技能 | 状态 | 说明 |
|---|---|---|---|
| 简历解析结构化 | cgl-resume-translator-formatter | 已有 | 简历 → 标准 JSON,含 21 表推荐报告与中英互译;异构来源(PDF / Word / 文本)统一 |
| 岗位需求底座 | cgl-jd-hub cgl-jd-writer |
已有 | Base 八表是唯一可写源,站点是只读快照,每日 08:30 增量扫群聊与附件 |
| 匹配与分派判断 | jd-driven-talent-search (RPM v4) |
已有 | 五层 + 四口袋;门控三态含「待核」;预测失效转 Mapping 全量,不硬推 |
| 内部存量人才 | cgl-contact-book-mapping gllue-cli / nova-cli |
已有 | 团队云盘库 + 员工本机库可并查;联系方式内部优先,命中先于外采 |
| 外部寻访渠道 | talent-search + 脉脉 / 领英 / 多猎 / BOSS / GitHub + Exa / RocketReach / SignalHire / Monid / Glasser | 已有 | 四层搜寻(公开检索 / 结构化库 / 渠道账号 / 客户侧);领英定位为末端定点核验 |
| 外部在招岗位 | liepin-job-search cgl-boss-browser-search |
部分 | 单渠道能查公开职位;没有跨渠道归一,也没进岗位总库,回答不了「市面上还有哪些岗」 |
| 推进与阶段管理 | cgl-project-workbench(N0–N6) gllue-cli |
已有 | 六阶段由数据推导不手填;写方唯一,缺件返回卡点码 |
| 客户侧要岗 | cgl-8s-research cgl-client-proposal-writer |
部分 | 8S 是「人问人」的客户诊断;没有「按简历池反推客户该开什么岗」的入口 |
| 无客户建链 | cgl-bd-network-path cgl-company-mapping-site |
部分 | 能算内部人脉路径、能做公司 Mapping;目标公司池仍靠顾问先给名单 |
| 效果回流 | 五个回填指标 技能埋点 |
部分 | 口径齐全(A/B 晋升率、门控误杀率等),靠人工回填;未接 ATS 阶段事件自动归因 |
| 对外脱敏 | 各技能自带掩码口径 | 部分 | 内部库、寻访、报告各自掩码;缺一个所有对外产物都要过的统一闸门 |
| 意愿状态判断 | 世界模型 (RPM v4 L3 动量 / 意愿卡 / 评估 D2 观测) |
已有 | 钱 / 权 / 情绪算意愿,处境算时机,底线进 L0 出池,背书算杠杆;档位四档不折分数 |
| 下一步路径推演 | cgl-career-path v0.1 意愿侧接世界模型 |
在建 | 三轴合成与推演卡契约已落地,脚本跑通;待真实履历灌入才有方向可给 |
| 职级与序列换算 | cgl-level-matrix v0.1 | 在建 | 三张表与三条锚定证据已定,换算查询与矩阵脚本跑通;待灌 10 家客户的真实职级 |
| 能力 / 技能词表 | cgl-skill-taxonomy v0.1 | 在建 | 三层结构与归并规则已定,抽词、归并建议、文本映射脚本跑通;待从 306 份 JD 抽出首批 400 词 |
状态判定只看一件事:这个能力位能不能直接产出一个可用字段或一份可用材料。能,是已有;要顾问手工补,是部分;库里连承载都没有,是缺。
还缺什么,按卡点顺序排
三个「缺」、三个「部分」,再加上真实数据跑出来的第七项,按挡住流程的先后排。前两条不补,后面做得再漂亮也是在一个模糊底座上算精确结果。
第 3 条要修正一下:上一版把「路径推演」整体算成库内无承载。对齐世界模型的接口之后,这条降级成编排层——「他会不会动」那半条腿是现成的,要建的只是「他这一格往上是什么」那条。
这三条缺口现在已经各有一个 v0.1 骨架,落在本地技能目录里:cgl-level-matrix(职级对照)、cgl-skill-taxonomy(能力词表)、cgl-career-path(推演编排)。表结构、判定规则、脚本都跑通了,并且已经接真实履历跑过一轮(结果见下一节)。缺的不是代码,是数据:真实职级要灌、词表要从 306 份 JD 抽、履历转移要有样本才出得了方向。所以下面每条「补法」写的都是从哪灌数据、怎么校准,不是从零开发。
-
1
职级与序列换算表
- 缺什么
- 一张跨公司、跨行业的职级对照表:互联网的 P / M 双序列、制造业的管理序列、外企的 band,各自对应到一套可比的职级带。
- 卡在哪
- 匹配模型的门控第一项就是「职级带」。字段现在只能靠 title 猜 —— 「高级总监」在三家公司是三个层级。门控不准,后面四层全歪。
- 补法
- 先覆盖在服务的头部 20 家客户,把职级带、序列、对标职级做成岗位总库的字段;门控直接读字段,不再从职位名推断。
-
2
能力 / 技能受控词表
- 缺什么
- 800–1200 个标准能力词,以及「简历短语 → 标准词」的映射。比如「推荐系统召回」「搜广推排序」归到同一个能力节点。
- 卡在哪
- 这是「匹配看着不准」的根因。同一件事在简历里和 JD 里有五六种写法,纯文本比对必然漏。现有回测也印证了这一点:段落级文本证据分与最终推进的相关性低于随机水平。
- 补法
- 从 306 份 JD 全文抽要求短语,从已入库简历抽技能短语,人工归并成词表;映射先做规则 + 人工复核,不急着上模型。
-
3
履历序列(推演的能力侧)
- 缺什么
- 同职能、同职级带的人三到五年后去了哪,算成一张转移矩阵;再加一份「这一格往上两格」的岗位族清单。输出的是方向加职级区间,不是一句「他可以做 CTO」。
- 卡在哪
- 需求里最后那条「进阶」全靠它。缺了能力轴,顾问说得出方向也说不出依据,说不进推荐语。这里要分清:缺的不是推演引擎,那半条腿(会不会动、底线在哪、谁能撬动)世界模型已经在算。
- 补法
- 不从模型开始,先做统计:从 ATS 历史履历取样本算转移分布,接世界模型的意愿档,两轴合并成推演卡(能力轴给方向与职级区间,意愿轴给强 / 中 / 弱 / 未知四档,机会轴答这些方向眼下有没有真实开口)。单格样本少于 30 人只给相邻岗位族,不给职级跃迁,并在单子上写明样本量。
-
4
外部在招岗位的归一入库
- 缺什么
- 客户官网 careers、猎聘 / BOSS 公开职位列表三类源的日抓,按「公司 + 职位名 + 城市」归一到岗位总库,标来源 = 外部。
- 卡在哪
- 没有这一层,派发单只能回答「我们手上有什么岗」,回答不了「这个人现在市面上还有哪些机会」。后者恰恰是顾问最想知道的,也是「链」这个动作的依据。
- 补法
- 先做三类源,只抓在服务客户与目标公司池,不全网爬。入库前过一遍去重,同一岗位出现在两个渠道只留一条并记两个来源。注:飞书招聘猎头端这一源已在另一条线单独开发,本线只接剩余两类。剩余两类里的猎聘公开池已建成
cgl-external-jobs(归一 + 打格 + 接推演卡),首版只跑了 60 条,见 06d。
-
5
效果回流自动化
- 缺什么
- 把「推了谁、进到哪一步、客户捞回了谁」从 ATS 阶段变更里自动抓回来,不用顾问手工填。
- 卡在哪
- 五个回填指标的口径已经定好了,但靠人工回填,样本永远攒不到能校准的量。模型会一直停在默认保守模式。
- 补法
- 接 ATS 阶段变更事件,自动回写推荐批次与结果;门控误杀率、A/B 口袋晋升率做成每日一屏,按月校准一次门控。这一条的回收半段已经建成
cgl-result-loop(事件回填 + 四指标 + 样本门槛),缺的是自动取事件那一段,现在仍需人工或定时脚本喂 events.csv。
-
6
对外产物的统一脱敏闸门
- 缺什么
- 一个组件,手机号、邮箱、身份证、薪资在出 HTML / PDF / 邮件之前统一处理一遍。
- 卡在哪
- 现在各技能各自掩码,口径分散。简历要流动的地方越多,漏一次就是事故,而且不可撤回。
- 补法
- 一个脚本,所有对外产物出口统一调用;明文只在顾问本人终端看,不落盘、不截图、不进汇报材料。工程量最小,优先级不低。
-
7
公司实体归一表
- 缺什么
- 一张「品牌母体 → 子实体」的映射:华为的 1,219 个别名、腾讯的 405 个、百度的 74 个,各自并到一个母体,并标出哪些是靠转移证据验证过的。
- 卡在哪
- 这一条是真实数据跑出来才发现的。ATS 里的公司字段是雇主字符串,同一家公司被拆成成百上千个子实体,按名字聚合永远凑不出分母。
- 补法
- 别名表已建到 188 条,命中率 21.9%。但更重要的一步是换了聚合口径:职级对照按「职能序列 × 起职级带 × 到职级带」聚合(264 格,32 格样本过 20),公司只作为每一格上的标注,不作为聚合维度。别名表继续补,是为了让标注更准,不是为了让图更长。
三个骨架接上真实履历,跑完两轮,改了一次口径
不停在图纸上。两轮都从 ATS 直接拉真实履历:第一轮 1,051 份 / 5,148 条经历行,第二轮按活跃人群扩大采样到 2,595 份 / 12,784 条。整条「归一 → 挖转移 → 出推演卡」跑通,其中一条原判断被数据推翻,已经改掉。
| 指标 | 第一轮 | 第二轮 |
|---|---|---|
| 履历 / 经历行 | 1,051 / 5,148 | 2,595 / 12,784 |
| 职能序列识别 | 64.3% | 64.9% |
| 职级带识别 | 75.6% | 77.0% |
| 公司母体识别 | 14.6% | 21.9% |
| 可用转移 | 1,225 | 2,882 |
| 样本过 20 的公司对格子 | 0 | 0 |
| 样本过 20 的职级带格子 | 未按此口径切 | 32(共 264 格) |
| 指标 | 数值 | 说明 |
|---|---|---|
| 相邻两段经历 | 6,938 对 | 可候选的转移总量 |
| 可用转移 | 2,882 条 | 同职能、间隔合理、日期完整;其中职级带完整 2,212 条 |
| 被弃原因 | 职能 5,636 / 间隔 1,457 / 无日期 232 | 可重叠计数,一条可因多项被弃;职能仍是第一位 |
| 职级带格子 | 264 格,n≥5 的 91 格,n≥20 的 32 格 | 口径为「职能序列 × 起带 × 到带」,这才是能出结论的粒度 |
| 公司对格子 | 2,744 格,n≥5 的 3 格,n≥20 的 0 格 | 样本翻 2.5 倍,仍然长不大 |
| 同公司内部晋升 | 242 条(10.9%) | 不需跨公司换算,可直接回答「这一格往上是什么」 |
第二轮数据推翻的判断,和确认的判断
-
1
「公司对」这个聚合维度立不住,应改成按职级带聚合
第一轮结论是可以靠定向采样把公司对凑够样本。第二轮把履历翻到 2.6 倍,公司对从 1,163 格涨到 2,744 格,n≥20 的格子还是 0 个——分母不在采样量上,在维度选择上:任意两家公司之间的人才流动本身就是稀疏事件。
同批数据按「职能序列 × 起带 × 到带」切,264 格里有 32 格样本过 20,代表格如技术 2→2(n=195)、运营 7→7(n=80)、销售 6→6(n=78)、财务 6→6(n=71)、运营 6→7(n=63)、技术 2→3(n=58)。所以对照表建在带级上,公司维度只作为每格的标注保留。工程上等于少做一整块看起来必要、实际做不出来的东西。
-
2
定向采样不是前置条件
上一轮写的是「必须按公司对定向拉人才凑得齐」。实际用「按近一年活跃人群随机抽页」就把可用转移从 1,225 提到 2,882,成本一个下午。定向采样仍然有用,但用途是补某个特定格子的样本,不是这张表能不能成立的前提。
-
3
词表是前置——这条确认了
词表从 38 词 / 165 别名扩到 401 词 / 837 别名(18 族)后,真实 title 上的总覆盖 87.6%、严格覆盖 73.5%(扣掉「工程师 / 经理 / 专员 / 总监」四个万能词),过了 70% 门禁。职能识别只从 64.3% 抬到 64.9%,说明剩下那部分是 title 本身信息不足(就写一个「经理」),不是词表缺词——这部分只能靠履历正文补,不能靠继续扩词。
-
4
改规则表必须重跑覆盖率,否则会静默掉数
扩别名表时曾把职级带识别率从 76.6% 掉到 61.5%:改 `title_rules.csv` 时误删了五条阶梯词(`b_ic` / `b_jr` / `b_public` / `b_med_assoc` / `b_med_att`),规则表本身不报错,只是命中变少。补回后回到 76.6%。因此把「改表后必须重跑覆盖率并比对总命中数」写成了技能里的固定步骤,加了 `coverage_check.py`。
别名表本身也有三个坑:必须先长后短(`平安银行` 排在 `中国平安` 前,`中信证券` 排在 `中信` 前);纯英文别名要加词边界(`Intel` 会命中 `Intelligence`、`Citi` 会命中 `Citizen`);同名不同公司要剔除(曾把米哈游并进小米、把 ABC 当成农行)。
同一位候选人,两轮跑出来的卡不一样
真实候选人(财务共享中心总监,42 岁,履历七段),同一个人、同一套脚本,只换数据量:
第一轮:同类样本 n=17,低于 30 的门槛,卡上挂两条降级(能力侧样本不足、意愿未知),结论偏保守,只能给到相邻岗位族。
第二轮:n=71,样本达标,能力侧降级消失,剩下「意愿未接触」和「外部岗位未接入」两条。建议仍是「养」——不是因为算不出来,而是这个人当前确实没有真实开口。
这条对比的意义是:先补数据、再补模型,比先加模型有用。同一套推演逻辑,样本 17 和 71 给出的可信度完全不同,而卡片会把差异写在降级原因里,不会假装一样确定。
门控字段已经写回岗位库
3,082 条职位全部回写了六个字段:职能序列、职级带、向上一步、上跳样本、上跳置信、归一来源;另建两个视图,「门控 · 可推演」只留算得出的,「门控 · 待补层级」是给顾问的补录清单。写回只新增列,原表其它字段一个没动。
| 结果 | 条数 | 说明 |
|---|---|---|
| 职能序列识别 | 1,965(63.8%) | 标题规则 1,574,词表兜底 391 |
| 职级带识别 | 1,263(41.0%) | G1–G9,规则同履历侧 |
| 能给出向上一步 | 560(18.2%) | 高置信 320 / 中 165 / 低 75 |
| 缺层级 | 1,819(59.0%) | title 里没有层级词,只写「销售」「财务」「产品」这种岗位名,不猜 |
| 已是最高带 | 231 | G8 / G9,本来就没有上一带 |
| 无上跳样本 | 472 | 该职能没数据(市场、供应链、医药等不在转移表里) |
只有 18% 能出门控结论,不是规则没写好,是数据缺口:岗位表原有的「职能」「职级」两个字段 3,074/3,082 条是空的(99.7%),层级只能从 title 猜。这一条比任何模型优化都重要——顾问录入时多选一个职级带,门控就多一条。字段和视图已经建好,补一条生效一条,不用等发版。
机会轴也接上了
门控字段建好之后,推演卡的第三栏不用再写「外部未接入、内部未知」了。岗位库按职能和职级带查,能直接给出「这一带现在有几个真实开口、分别是哪些岗」。
| 项 | 接之前 | 接之后 |
|---|---|---|
| 开口数 | 未知 | 62 个(G7 24 / G6 31 / G8 7) |
| 代表岗位 | — | 财务总监、内控/内审总监、财务负责人、税务经理 |
| 卡的建议 | 养(没开口,进观察池) | 推(有开口,接触后补意愿) |
| 降级原因 | 无意愿、无机会 | 只剩无意愿 |
能这么查的前提是两边口径对齐:能力轴用英文代号(finance),岗位库用中文标签(财务),对照表放在脚本里,改口径只改一处。另外这个数字是已知开口,不是市场总量——3,082 条在招里只有 916 条同时能给职能和职级带,其余 2,166 条缺字段,缺的那部分回到上面那条:让顾问补职级带。
词表也接上了 JD 侧
简历侧看岗位名,JD 侧看要求句,两边共用一套词,但要各用各的语料量。这次拿岗位库的 JD 版本表做语料:314 份原文、中位 540 字,按句号切成 2,223 句需求句,逐句看能不能认出一个具体能力词。
| 口径 | 补词前 | 补词后 |
|---|---|---|
| 需求句覆盖 | 67.3% | 71.8%(1,596/2,223) |
| 单份 JD 中位数 | 75.0% | 80.0% |
| ≥80% 的 JD | 139 / 314 | 160 / 314 |
| 词表规模 | 401 词 / 837 别名 | 473 词 / 1,175 别名 |
补的 72 个词集中在 JD 常提、简历岗位名里不常出现的方向:架构设计、微服务、数据治理、大模型应用、RAG、Agent、竞品分析、增长实验、商业化、门店运营、SOP、履约配送、渠道管理、招投标、客户成功、媒介投放、效果广告、私域运营、跨境电商、品类管理、会员运营、股权激励、预算与预测、税务筹划、合并报表、并购尽调、数据合规、出口管制、需求计划、精益生产、六西格玛、NPI、良率、临床试验、注册申报、药物警戒、市场准入。
没到 80%(按句均值 75.8%)的原因也清楚:剩 455 句长尾在细分行业和软要求——半导体 bring-up、航天卫星、汽车出海、CE/FDA、设备精度验证,以及「抗压」「沟通」「责任心」。再往通用表里加词收益递减,正确做法是按客户行业建子表。所以这条按「单份中位数 80%」算达标,按句均值算是 75.8%,两个数都放在这里。
顺手复查了简历侧没有回退:5,148 条 title 上总覆盖 88.2%、严格 74.3%,比补词前各高 0.6 和 0.8 个点。
apply_jd_gate.py(回写门控字段 + 词表兜底 + 降级口径),已覆盖上传企业技能库并提交发布(1.0.2)。路径推演技能同样升到 v0.4.0、上传 1.0.2(新增开口索引与查询脚本)。词表升到 v0.4.0、上传 1.0.2(新增 JD 侧覆盖脚本与 72 个词)。三个技能现在都是同一轮版本。岗位库的六个字段与两个视图可直接用。
派发状态机和结果回填,两个技能建好了
上一节列了四个缺口,按挡住流程的先后排序。这一轮补的是前两个,也是唯一两个「不做则整套判断落不了地」的:一个把判断落成字段,一个把结果收回来。外部岗位源归一那条,飞书招聘猎头端已经在另一条线上做,这里不重复;门控补录的运营动作还只是视图,没有巡检提醒。
一、派发单有了状态机
以前判断散在三个技能里:职级在 cgl-level-matrix,意愿和开口在 cgl-career-path,岗位在岗位库。三边都算得出来,但没有一个东西回答「这份简历到底推不推、推给谁、现在到哪一步」。新技能 cgl-dispatch-router 补的就是这一层。
判定顺序固定,命中即停,不允许跳步:底线 → 职级带 → 开口 → 意愿 → 客户线索。动作只有七个:推、先接触、要岗、建联、养、回填、出池,分别对应七个状态与各自的到期时限(24 到 720 小时)。两条硬规矩:拒绝不看简历文本相似度(RPM 里这一段 AUC 0.483,低于随机,不能当判据);说不清就给回填,不硬给动作。
| 动作 | 人数 | 占比 | 为什么是这个动作 |
|---|---|---|---|
| 先接触 | 2,059 | 79.3% | 有开口、但意愿未知;先探意愿再决定推不推 |
| 回填 | 536 | 20.7% | 职级带缺失,门控这一层过不去 |
| 推 / 要岗 / 建联 / 养 / 出池 | 0 | 0% | 没有任何一人落到这五个动作 |
两个数字要一起看。2,595 人里有 1,369 人(53%)在岗位库里查得到真实开口,但没有一个人能走到「推」——卡点不在排序,在意愿字段全空;另外 536 人(21%)连职级带都没有,直接停在回填。也就是说,这一批次跑出来的不是一张派发清单,而是一张采集清单:先把意愿问出来、把职级带补上,筛子才有东西可筛。
八条分支(推、先接触、要岗、建联、养两条、回填、出池)写了回归用例,全过。这一步不能省:状态机最怕的不是判错,是某条分支永远走不到,上线半年也没人发现。
二、结果能收回来了
派发单发出去了,然后呢。以前这里是个洞:台账里有「到期日」,没有任何东西在到期时去问结果,于是命中率永远算不出来。新技能 cgl-result-loop 补这一段,只做两件事——把事实回填进去,把比例算出来。
事件只有九个类型,阶段只前进不回退;已成单、已出池的单不再改,只记冲突。指标四个,每个都有自己的分母:回填缺口率(分母是到期单)、推进率(分母是已回填单)、成单率、首事件周期。核心一条规则:没回填的进缺口率,不进命中率。把未回填当失败算,会让所有动作看起来都无效。
| 项 | 结果 | 说明 |
|---|---|---|
| 到期单 | 2,595 | asof 2026-11-27 |
| 已回填 | 0 | 还没有任何一条派发单被回填过 |
| 回填缺口率 | 100% | 这个数衡量流程是否在跑,不衡量准不准 |
| 推进率 / 成单率 | 计数 0/0,不报百分比 | 缺口 100% 时,命中率不是 0,是没有 |
| 算法校验 | 80 条合成事件:推进 62.5%、成单 12.5%、冲突 0 | 只证明算得对,不代表真实水平;合成数据在文件里明确标注 |
样本门槛写进了脚本:n ≥ 30 报点值,10–29 报 Wilson 区间并注明样本未到 30,n < 10 只报计数。这条不是洁癖——n=8 时 12.5% 和 37.5% 的差别没有信息量,报出来只会被当成结论。
还有一条判据说清楚:什么时候才可以说「这套推演不准」。三个条件同时成立——回填缺口降到 30% 以下、单格样本过 30、连续两个季度推进率低于 30% 且同期行业基准不低。只满足前两条,说「目前看不出差别」;都不满足,说「还没有数据」。三种说法不能互相替换。
三、门控补录,实际长什么样
剩下两条缺口里没做的那条,是先算了一遍才决定先不做的。1,819 条缺职级带的职位,按「有没有输入源」分开看,比例很悬殊:
| 类型 | 条数 | 占比 | 能不能靠补录解决 |
|---|---|---|---|
| 标题里没有任何层级词 | 1,675 | 92.1% | 不能。标题就写「销售」「财务」「HR」,没有职级信息可补 |
| 标题里有层级词但规则没认出 | 144 | 7.9% | 能,改规则后批量生效 |
| 其中连职能序列也没有 | 770 | — | 职能和职级都缺,门控两层都过不去 |
144 条里有 75 条是「专家」和「副总」两类。这两类可以拿履历定规则,不靠猜:能识别职级带的 9,847 条经历里,标题含「专家」的 29 条众数是 G6(12 条),含「副总」的 270 条众数是 G6(128 条,47%)。剩下一批是 Head / GM / CSO 这类英文缩写,样本分别只有 13、6、0 条,不够定规则,就先不定。所以这条最大的天花板不在算法:就算 144 条全修好,职级带覆盖率也只从 41.0% 抬到 45.7%。要往上走,只能改录入口径——录岗位时多选一个职级带,或者把 JD 正文里的层级线索(汇报关系、带人规模、年限要求)抽出来。
口径也固化成脚本了:gate_backlog.py 只判断「有没有输入源」,不猜职级,输出两份清单——先修规则的、只能逐条取正文的,并标明连职能也缺的那批。下一步若真要让顾问补录,补的应该是这 144 条,而不是把 1,819 条摊成一张清单让人望而却步。
技能库状态
六个自建技能现在全部过审上架在企业技能库里:职级对照 1.0.3、能力词表 1.0.2、路径推演 1.0.5、派发状态机 1.0.0、结果回填 1.0.0、外部岗位源 1.0.5(补采集侧查询计划、区名→市表、城市索引与需求组口径)。依赖是单向的:词表供职级对照认职能,职级对照供路径推演算能力轴,外部岗位源补推演的机会轴,路径推演供派发状态机取开口,派发状态机的台账供结果回填算比例。任何一环改口径,下游要重跑——这一轮改外部源,就重跑了路径推演的卡片。
外部在招岗位接上了:抓法换一次,结论就变了
推演卡的机会轴原来只看得见内部库,外部那一格恒为「未接入」。这一轮把猎聘公开池接进来:抓回来、归一、按「职能 × 职级带」打格,塞进推演卡的 external_open。抓了两轮,第一轮按品牌查,第二轮按带层级词的职位名查,同样是各一页的量,结果差了一倍多。
| 轮次 | 抓法 | 条数 | 职级带 | 格数 | n≥5 的格 |
|---|---|---|---|---|---|
| 第一轮 | 按品牌查(华为 / 腾讯 / 字节各一页) | 60 | 26(43%) | 12 | 1 |
| 第二轮 | 按职位名带层级词查(财务总监 / 人力资源总监 / 销售总监各一页) | 120 抓回、115 去重 | 79(68.7%) | 30 | 9 |
原因不复杂:品牌查询词对职级没有约束,抓回来的多是采购助理、SQE、专员这类执行岗,标题里本来就没有层级词。换成带「总监」的职位名去查,一页里几乎所有条目都带层级信息。这条经验直接改了扩量的做法——不要按品牌加页,要按格反查。
一、三个坑,都是抓过一次才知道的
第一个坑最贵:品牌只能用岗位公司字段过别名表,不能用抓取时的查询词。用「华为」当查询词,返回里混着新华三、维谛、西安华为——猎聘的公司名是模糊匹配。第一版把查询词当品牌,直接把新华三标成了华为。改法是把查询词和品牌彻底分开,公司字段归不出品牌就留原串。
第二个坑是匿名职位。猎聘 jobType=1 是猎头挂的匿名岗,公司写作「某知名公司」「某深圳上市公司」,这类岗只能贡献格计数,不能挂品牌,也不能当客户线索。腾讯这个查询词下 20 条里 11 条是这种。jobType=2 才是企业直招。
第三个坑是跨序列歧义,而且外部比内部重:PM-采购项目经理 被判成产品、采购认证商务专家 被判成销售、人力资源项目咨询总监 被判成人力。外部标题爱把 PM、采购、专家 三个跨序列词叠在一起,通用规则按词面判就会串。解法和内部规则分开:另建一张「外部标题归一副表」,只覆盖职能判定、不碰职级带。两条规则(采购 / 寻源 / 供应商管理 → 供应链,人力咨询 → 咨询)纠正了 18 条,占池子 15.7%。
还有一个不算坑但必须处理的:同一岗重复挂。复星「线上/线下销售总监·复星超级文旅MALL」同城重复挂了 4 条,去重键(品牌 + 归一岗名 + 城市)并掉了 5 条。不合并会把一格灌虚。
| 项 | 结果 | 说明 |
|---|---|---|
| 薪资解析 | 115/115 | 月薪乘月数、年薪两种口径都统一到年薪,认不出就留空不猜 |
| 品牌 | 104/115(90.4%) | 11 条匿名职位,按规则不挂品牌 |
| 职能序列 | 101/115(87.8%) | 比内部岗位库的 63.8% 高,外部标题更干净 |
| 职级带 | 79/115(68.7%) | 靠换抓法从 43% 抬上来,不是改了规则 |
| 职能纠错 | 18 条(15.7%) | 副表纠正:供应链 4→16、销售 25→19、人力 25→18 |
| 可归格的格 | 30 格,9 格 n≥5 | 第一轮是 12 格、1 格 n≥5 |
二、格长什么样
格的定义与内部 jobs_index.csv 完全同构,两边可以并排看,但不能相加:内部开口是「我们手上在招的」,外部开口是「这次抓到的池子里可归格的」。另加 NA 行留痕,把「有职能缺带」「两者都缺」的条数单独记下来——没有这批行,0 会被读成「市场没有」。
| 职能 × 带 | 条数 | 品牌数 | 年薪中位 | 说明 |
|---|---|---|---|---|
| 销售 × G7 | 12 | 8 | 36.0 万 | 大客户销售总监、新零售区域销售总监 |
| 财务 × G7 | 9 | 7 | 24.0 万 | 会计总监、厂部财务部长、财务总监 |
| 人力资源 × G7 | 8 | 8 | 45.2 万 | 人事总监、人事行政总监、人力行政部部长(副表把 6 条咨询岗挪走了) |
| 供应链与采购 × NA | 8 | 2 | 38.5 万 | 采购认证商务专家、供应链数字化专家,有职能缺带 |
| 咨询 × G7 | 6 | 1 | 60.0 万 | 中大咨询的人力资源项目咨询总监,六个城市同岗 |
| 未识别 × NA | 14 | 6 | 57.0 万 | 职能和职级都没认出来,只能留痕 |
NA 这一类还剩 36 条(31%),标题形如 财务BP(支付业务)、财务专家-商业化广告业务——层级信息藏在岗位语义里,不在字面。副表能修职能,修不了带;这一批只能靠 JD 正文里的汇报关系、带人规模、年限要求,扩量会继续放大它。
三、给卡片填数时,0 要分三种写法
这是这一轮改得最较真的地方。外部开口为 0 有三种完全不同的原因,混成一个 0 就会误导顾问:
| 情况 | 卡片怎么写 | 读法 |
|---|---|---|
| 没传外部索引 | null +「外部在招岗位未接入」 | 这一侧没看,不是没有 |
| 该格有数 | 数字 + 抓取日期 +「只反映抓到的池子」 | 这次抓到 N 条可归格的 |
| 该格 0,但同职能抓到了缺带的岗 | 0 + external_pool_n +「抓到 4 条但都缺职级带」 | 有岗,归不了格,缺的是职级信息 |
| 该职能一条没抓到 | 0 +「本次池内没抓到该职能」 | 池子太小,不能当结论 |
同一个候选(财务共享中心总监 G7)在两轮池子上的卡片,正好把这几种写法都走了一遍:第一轮池(60 条)上 external_open=0、external_pool_n=4,卡上写「抓到 4 条但都缺职级带」;第二轮池(115 条)上 external_open=14(G7 9 / G6 2 / G8 3)、external_pool_n=5。内部开口始终是 62,建议始终是「推」——外部这一侧的贡献不是改变结论,是把「我们不知道外面有没有」变成「外面有 9 个同格岗,中位 24 万」。
正因为同一套规则会因为池子不同给出 0 和 14 两个数,卡片上的数字必须带抓取日期与池量,否则下次被当成市场总量用。
四、接进来的时候坏了两次,都不是数据问题
第一次接完,外部开口一直是 0,池子条数也是 0。逐层查到两个键位错配:一是判断 NA 行时用了「是空值」的写法,而 NA 归一回来是空字符串不是空值,导致所有 NA 池子行从来没被计入;二是外部索引里职能存的是英文代号(finance),查询侧传的是中文(财务),键对不上,格和池子都取不到。改成双键登记(英文与中文都登记)之后才对。
这两个错的共同点是:错不会报错,只会静默返回 0。所以加了对照用例——传索引和不传索引必须给出不同的结果,如果两种情况一样,就说明参数没生效。
五、扩量顺序,第一件已经做完了
- 按格反查。这一轮做的就是这个:拿内部厚格(n≥5)的职能与带,反推该用什么职位关键词去抓。财务 / 人力 / 销售三条试下来,职级带从 43% 到 68.7%。
- 加源。单一平台会系统性缺某类岗,猎聘偏中高端、BOSS 偏一线执行,两源交叉后同格计数才有意义。飞书招聘猎头端那条线在做,接上就是第三源。
- 先修歧义再扩量。已经建了归一副表,把采购、人力咨询这两类跨序列词固定下来(纠正 18 条)。剩下的是「专家」这个后缀——它在技术、采购、财务三类岗里都出现,靠词面分不出来,要看岗位正文。
这一节的所有数字来自 cgl-external-jobs 的 data/external_jobs.csv(115 条)、data/external_index.csv(31 行含 NA)、data/title_rules_ext.csv(归一副表)与 data/raw_liepin.ndjson(6 批原始)。18 条归一回测用例全过,覆盖薪资格式、标题噪声、城市拆分、匿名不挂品牌、同格去重,以及副表的开关对照。池子仍然不算厚:n≥5 的格只有 9 个,够看方向,不够做市场结论。
把猎聘插件当源:先测过滤器,再谈扩量
想法很直接——既然装了猎聘插件,就让它直接抓岗位,当外部源之一。动手之后发现一件比抓数据更重要的事:这套过滤器的参数语义和直觉不一样,有几处会静默给你错的结果。所以这一轮先做的是源适配的契约,不是继续加数据量。
一、五个参数,四个和直觉不同
| 参数 | 实测行为 | 怎么用 |
|---|---|---|
jobName | 模糊匹配。查「财务总监」会混进财务经理、财务主管、招聘总监(财务方向)、投行合规销售顾问 | 只当召回入口,本地按标题再筛 |
companyName | 同样模糊,查「华为」会返回新华三、维谛、西安华为 | 品牌只从结果的公司字段过别名表 |
address | 生效,但大量条目只回区名:静安区、奉贤区、浦东新区,没有「上海-」前缀 | 必须配区名→市对照表 |
salaryFloor | 单位是「元」,且必须和 salaryKind=月薪 一起传才生效;单独传直接被忽略,返回的还是不带筛选的那一批 | 写 40000,不要写 40 |
salaryCap | 和 floor 组合时返回空结果,换年薪口径也空 | 弃用,只用下界筛,上界本地过滤 |
第五个是翻页:一页固定 20 条,page 从 0 起,没有更大的页长可选。这意味着「多抓一点」只能多花调用次数,不能靠加页长。
二、把「抓什么」变成一个可复算的步骤
前两轮抓什么都是凭手感定的:第一轮按品牌,第二轮按三个带「总监」的职位名。这一轮改成从内部岗位库倒推——取内部计数 ≥30 的厚格,用一张「格 → 查询词」的对照表生成查询计划,一行一次调用。
| 内部格 | 内部条数 | 查询词 |
|---|---|---|
| 研发与技术 G2 | 74 | 算法工程师 |
| 销售 G6 | 58 | 销售经理 |
| 产品 G6 | 51 | 产品经理 |
| 市场 G6 | 43 | 市场经理 |
| 研发与技术 G6 | 43 | 研发经理 |
| 供应链与采购 G6 | 42 | 采购经理 |
| 运营 G6 | 39 | 运营经理 |
| 销售 G7 | 36 | 销售总监 |
| 市场 G7 | 35 | 市场总监 |
| 研发与技术 G7 | 31 | 技术总监 |
计划里还有一格被点名:研发与技术 G5(30 条)没有对应的反查词,需要先补对照表才能抓。这种「缺词」被显式列出来,比默默跳过好——不然那一格永远是 0,看着像市场没岗。
三、区名把城市维度静默毁掉了三分之一
第三轮抓回 59 条,其中 20 条(33.9%)的地点只有区名。挂区名对照表之前,城市分布是这样的:上海 39、浦东新区 6、奉贤区 4、静安区 3、长宁区 3、闵行区 2、普陀区 1、徐汇区 1。也就是说,按城市筛「上海」会漏掉三分之一的上海岗,数城市数会虚增到 8 个。
挂表之后,59 条全部收敛到上海。这个错的性质要说清楚:它不报错,也不影响职能和职级带,只在按城市筛选或统计城市数时暴露——所以靠看结果发现不了,只能靠事先建这张表。表里现在 107 条区名、覆盖 20 个城市;重名区(鼓楼、西湖、和平、江北、高新区)按主城取一个,城市只做展示与筛选,不参与打格,判错不影响格计数。
四、第三轮的结果
| 轮次 | 抓法 | 池子 | 职能 | 职级带 | 格数 | n≥5 |
|---|---|---|---|---|---|---|
| 第一轮 | 按品牌,三个品牌各一页 | 60 | 48 | 26(43%) | 12 | 1 |
| 第二轮 | 按带层级词的职位名,三个词各一页 | 115 | 101 | 79(68.7%) | 30 | 9 |
| 第三轮 | 照查询计划按格反查,加城市参数与区表 | 164 | 146(89.0%) | 122(74.4%) | 34 | 11 |
三格的厚度明显变了:销售 G7 从 12 条到 23 条、财务 G7 从 9 条到 19 条、人力 G7 从 8 条到 17 条。同一个候选人(财务共享中心总监 G7)的推演卡上,external_open 从 14 变成 28(external_pool_n 6),内部开口仍是 62。
值得注意的是第三轮的增量里有一半来自「按格对齐」而不是数量:同样三个查询词,加了城市参数和区表之后,落格率上去了,池子只多了 49 条,n≥5 的格从 9 到 11。
五、这条源的天花板
插件是接口调用,不是浏览页面,所以稳定、字段齐(职位类型、地点、薪资、经验、学历都在),可带城市和薪资下界过滤。代价也很明确:
- 过滤全是模糊的。职位名、公司名都要本地复筛,「查询即准确」不成立。
- 一页 20 条,没有页长参数。要厚池子只能多调,成本是线性的。
- 拿不到 JD 正文。而剩下那 42 条缺职级带的岗(74.4% 覆盖率之外的部分),层级信息恰好藏在正文里。所以「NA 靠正文补」这条路在这个源上走不通,得靠另一个带正文的源,或者人工补。
下一步仍然是扩源而不是扩页:BOSS 偏一线执行,飞书招聘猎头端那条线在另一处开发,两个都接上之后同格计数才有比较意义。在那之前,池子 164 条只够看方向——11 个 n≥5 的格能支撑「这一格外面有岗」,还支撑不了「这一格市场多热」。
这一轮把插件正式写进了 cgl-external-jobs 的契约:采集侧加了查询计划脚本与格→查询词表,归一侧加了区名→市表,回归扩到 29 条(新增区名→市 6 条、查询计划 5 条)仍全过。技能版本 1.0.4 已提交企业技能库审核;站点这一节随部署更新。
先验证,再建系统
不建议从建系统开始。这套东西最大的风险不是技术做不出来,是做出来顾问不用 —— 因为派发单给的东西他自己三分钟也能想到,或者给错了两次他就不开了。
cgl-result-loop 可用,先靠顾问或定时脚本喂事件,跑满一个季度的到期单再谈校准。
验收线:能回答「这一版比上一版好在哪」,而不是只能回答「这版分数更高」。
同样的词换三个城市,才知道这个数能不能用
上一节把猎聘插件接成了正式源,但池子里绝大多数是上海。一个只有上海数据的池子拿去做全国推演,等于把上海当全国。这一轮做的是对照:同样的两个词(销售总监、财务总监),分别在上海、北京、深圳各抓一页,看同一个词在不同城市落到格子里的差别,再回头看原来的计数错在哪。
一、同一个词,三个城市的结果不一样
| 格 | 城市 | 落格条数 | 品牌数 | 年薪中位(万) |
|---|---|---|---|---|
| 销售 G7 | 北京 | 13 | 11 | 24.0 |
| 销售 G7 | 上海 | 12 | 9 | 30.0 |
| 销售 G7 | 深圳 | 7 | 7 | 24.0 |
| 财务 G7 | 上海 | 11 | 11 | 54.0 |
| 财务 G7 | 北京 | 7 | 7 | 36.0 |
三个读法:销售总监这个词在北京的有效供给比深圳厚一倍;上海同一格的薪资中位比北京高 6 万;财务总监上海 54 万、北京 36 万,差 18 万。这些差别不是「城市强弱」,是同一个词在不同城市的招聘用法不同——北京销售总监里混了更多带区域管理职责的岗,深圳那页里混了「招聘专员」「HRBP」这类噪声。
| 城市 | 池内条数 | 职能未识别 | 职级带未识别 | 噪声率 |
|---|---|---|---|---|
| 上海 | 69 | 5 | 15 | 7.2% |
| 北京 | 53 | 3 | 10 | 5.7% |
| 深圳 | 30 | 7 | 7 | 23.3% |
所以城市之间不能按抓回来的条数比大小。一页就是 20 条,谁都一样多;比的是落格率和薪资中位。深圳「销售总监」这个词这一页只落了 7 条,不代表深圳没有销售总监,只代表这个词在深圳的用法更杂。
二、给每个词算落格率,再决定加不加页
「这个方向机会少,再加十页」是错的动作。一页固定 20 条,不管词好坏抓回都是 20 条,唯一的变量是有多少条真的落进目标格。把这个比例算出来,加不加页就有依据了。
| 查询词 | 城市 | 抓回 | 落格 | 进其他格 | 落格率 | 判断 |
|---|---|---|---|---|---|---|
| 销售总监 → 销售 G7 | 北京 | 20 | 13 | 7 | 65.0% | 勉强,先修标题规则 |
| 销售总监 → 销售 G7 | 上海 | 20 | 12 | 8 | 60.0% | 勉强,先修标题规则 |
| 财务总监 → 财务 G7 | 上海 | 19 | 10 | 9 | 52.6% | 勉强,先修标题规则 |
| 人力资源总监 → 人力 G7 | 上海 | 20 | 10 | 10 | 50.0% | 勉强,先修标题规则 |
| 销售总监 → 销售 G7 | 深圳 | 20 | 7 | 12 | 35.0% | 偏低,先换词 |
| 财务总监 → 财务 G7 | 北京 | 20 | 7 | 12 | 35.0% | 偏低,先换词 |
门槛定在 50%:低于它就先换词,70% 以上才值得加页,中间那档先修标题规则。按这个门槛,六个批次里四个要修规则、两个要换词。
换词有没有用,拿深圳试了一次:同一格只把「销售总监」换成「大客户销售总监」,19 条里 15 条落进销售 G7,落格率 79%,进其他格的噪声从 12 条降到 4 条。同一个城市、同一格、同一个池子口径,差别只在用词——所以扩量的第一动作是修词,不是加页。
三、跨城同岗把格子灌虚了
池子并到 215 条时发现一个问题:有些岗在多个城市各挂一条,去重键(品牌 + 归一岗名 + 城市)认为它们是不同的条,所以每格计数都会把它们全算进去。这一轮抓到的跨城同岗有 7 组、19 条:
- 01中大咨询「人力资源项目咨询总监」一岗挂 6 城:上海、北京、广州、武汉、深圳、西安。咨询 G7 那一格的 6 条其实是 1 个需求。
- 02字节「金融行业大客户销售经理」挂 3 城;ABB「Finance Manager - ELDS, China」挂上海 + 北京;中广核医疗销售总监挂上海 + 北京。
- 03结果是 215 条只对应 143 个需求。销售 G7 那格 40 条里含这种重复,用条数说「这个方向有 40 个机会」会高估 33%。
改法是给每个格两个数:external_n 记条数,demand_n 记需求组(同品牌 + 同归一岗名算一组)。对外说「这个方向有几个机会」用需求组,说「这次抓了多少条」才用条数。
| 格 | 条数 | 需求组 | 品牌 | 城市 | 年薪中位(万) |
|---|---|---|---|---|---|
| 销售 G7 | 40 | 30 | 30 | 9 | 43.8 |
| 财务 G7 | 26 | 24 | 24 | 10 | 62.5 |
| 人力 G7 | 17 | 17 | 17 | 8 | 60.0 |
| 咨询 G7 | 6 | 1 | 1 | 6 | 60.0 |
| 财务 G8 | 5 | 4 | 4 | 2 | 72.0 |
| 研发 G2 | 5 | 3 | 3 | 4 | 28.0 |
咨询 G7 是最极端的一行:6 条对 1 个需求组。如果只用条数,会把「我们抓到了 6 个咨询总监机会」当成结论,实际上那是一家中大咨询在六个城市招同一类人。
四、推演卡多了一个同城数
城市数据的用途只有一个:回答「候选人不想异地,同城有没有」。所以城市索引不参与打格,只在查开口时用。财务共享中心总监(G7)跑出来的对比:
| 接入方式 | 卡片机会行 |
|---|---|
| 不传外部索引 | 内部 62 个,外部在招岗位未接入 |
| 传全国索引 | 内部 62 个,外部 38 个(全国口径,未按城市筛) |
| 再传城市 | 内部 62 个,外部 38 个(其中上海同城 17 条、17 个需求组) |
外部 38 个 = 财务 G7 26 + G6 7 + G8 5。给城市参数后多出同城数;不给就明确写「全国口径」——把全国数当同城数用,是这个链路最容易犯的错,而且错得很安静。内部开口仍按岗位库全量算:内部职位表没有工作地字段,硬凑会造出假的同城数。
五、这一轮之后,扩量该怎么排
顺序变了。原来是「按格反查 → 加源 → 修规则」,现在多一条前置:换城之前先确认这个词在该城的落格率,落格率低就换词,别急着加页。深圳销售总监一页只落 7 条,加十页也只是把噪声按比例放大。
- 01先修词,再加页。同城落格率低于 50% 的词进黑名单,换同义词或更具体的职责词再试——深圳那次 35% → 79% 就是这么来的。
- 02城市配平按需求组,不按条数。目标是每个核心格在每个重点城市至少 3 个需求组,条数只作为工作量参考。
- 03跨城同岗单独留痕。去重键不动(同城同岗仍要去重),但跨城组要给「一岗多城」标记,避免下次再把它们当多个需求。
技能侧这一轮的改动:外部岗位源 cgl-external-jobs 加 demand_n 需求组口径与 --city-out 城市索引,回归扩到 37 条;路径推演 cgl-career-path 加 --city 与同城开口字段。两个技能都已在企业技能库更新到 1.0.5,外部岗位源加了落格率工具后到 1.0.6。
只看一个主指标,但要能拆开看
分母是进入系统的简历,分子是被顾问采纳并实际推给客户的。这个数不涨,其余都是过程优化。
- 派发单采纳率顾问认可并执行了系统给的动作的比例
- TOP5 命中率前五个推荐岗位里被采纳的个数
- 门控误杀率客户从「不建议」口袋里主动捞回的人占比,连续两批 >20% 即过严
- 简历滞留天数进系统到首次处置的中位数
- 要岗产出发出的要岗数 / 最终成岗数,衡量「要」这个动作值不值得做
不要用的指标
匹配度百分比。现有回测里,段落级文本证据分与最终推进的相关性低于随机水平;把这种分数当 KPI,团队会把精力花在让分数好看上,而不是让人被推出去。分数可以留在后台做同岗位内的粗排,不对外、不考核。
五个过程指标的口径沿用现有匹配模型,不另起一套;差别只在于以前靠人工回填,现在要接 ATS 自动回流。
五条前提,先说清楚
- 01不自动外发。所有对外动作由顾问点,系统只出单。外发涉及客户关系与候选人意愿,属于人的判断,不交给系统。
- 02没有 JD 不给结论。正文缺失的岗位走 JD 重建,八个字段全部标 inferred,交付时写明「重建版,待客户确认」,不拿重建版当原始需求。
- 03路径推演给区间和样本量,不给承诺。样本不足时只给相邻岗位族。意愿档位只在有观测记录的人身上给,新简历一律标「未知」,不拿分桶先验冒充结论。写进推荐语必须保留「参考」二字。
- 04候选人信息对外一律掩码。手机、邮箱、薪资在对外材料里默认打码;明文只在顾问本人终端看,不落盘、不截图、不进汇报材料。
- 05岗位录入时效是前提,不是技术问题。项目不进系统,匹配再准也是打空。上线前先定录入规则:新增岗位 24 小时内入库;状态变更当日更新。