CGL · 内部产品方案 v1 · 2026-11-20

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。

能力盘点依据 技能快照 2026-11-16 岗位口径 cgl-jd-hub 匹配口径 RPM v4 / 四口袋 实测样本 2,595 份履历 / 12,784 条经历
01 / 问题

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。

02 / 产品做什么

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。

派发单 · 示意结构 示意数据 · 非真实候选人
候选人 A
12 年 · 算法方向
现职某大厂 · 算法负责人
职级带P8 / 总监
城市上海
薪酬90–110 万
到岗1 个月内
推
命中 4 个在招岗位 · 2 个过门控 某智能驾驶 · 感知算法总监(同城,职级带吻合);某消费电子 · AI 平台负责人(需跨城,顾问判断)
要
1 家客户可去要岗 该客户近 12 个月招过 3 个算法管理岗,当前无在招;建议岗位定义已生成,可直接发给客户
链
3 家目标公司待建联 按业务相近度与团队规模筛出,附内部人脉路径(谁认识这家公司的 HRD / 用人经理)
下一跳
3–5 年合理去向:CTO / 技术 VP(中小体量)或大厂 P9 能力轴:同职能、同职级带人群的履历去向分布,附样本量。意愿轴:世界模型给「中」,处境是窗口刚开、底线未触及,建议用背书撬动
处置建议 推 2 要 1 链 3 养 0 弃 0

「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。

03 / 能力结构

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。

L1

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。

承载 cgl-resume-translator-formatter
talent-search(解析回执)
L2

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。

承载 cgl-jd-hub
cgl-jd-writer
外部渠道:待归一
L3

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。

承载 jd-driven-talent-search
RPM 五层 / 四口袋
失效转 Mapping 全量
L4

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。

承载 意愿轴:世界模型
(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。

推演卡的输出结构(示意)
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。

04 / 输出

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。

动作矩阵
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。

05 / 盘点

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。

显示 15 / 15
能力位 × 承载技能(口径:技能快照 2026-11-16)
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。

06 / 缺口

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. 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. 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. 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. 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。
  5. 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。
  6. 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. 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。
06b / 实测

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。

两轮采样对照
指标 第一轮 第二轮
履历 / 经历行1,051 / 5,1482,595 / 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1,2252,882
样本过 20 的公司对格子00
样本过 20 的职级带格子未按此口径切32(共 264 格)
第二轮转移挖掘(2,595 份履历)
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. 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. 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. 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. 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。

岗位库门控回写结果(3,082 条职位)
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231G8 / 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」。

机会轴接上后的实跑(同一位财务共享中心总监)
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。

JD 侧覆盖(补词前 → 补词后)
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 JD139 / 314160 / 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。

当前版本状态:职级对照技能升到 v0.4.0,新增 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。
07 / 顺序

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。

P0
约 2 周
回放验证 取 20 份历史简历(当时顾问判断有潜力的),逐份出派发单,数 TOP5 里顾问认可几个。不写系统,人工跑。 验收线:20 份里平均认可 ≥3 个/份。达不到先修岗位库与职级字段,不上系统。
P1
4–6 周
派发单闭环 简历进 → 结构化 → 内部项目库匹配 → 一张派发单 → 顾问点推 / 要 / 链 / 养 / 弃。只接内部库,外部渠道和路径推演都先不上。同期并行做两类数据活:职级对照表先覆盖在服务工作最多的 10 家客户,能力词表先出 400 词的最小版。 验收线:顾问实际点过 100 张单,采纳率与滞留天数能出数。
P2
6–8 周
外部岗位与推演编排 接外部在招岗位归一;推演这一段不走自研引擎,做法是把能力轴查询、世界模型的意愿档、岗位库的开口情况三段串起来,输出推演卡。派发单加「市面上同类岗」与「下一跳」两段,两段都标来源与样本量。 验收线:外部岗位覆盖在服务客户 ≥70%;推演那一段被顾问主动引用 ≥20 次;意愿档位的 D2 覆盖到 60% 之后,才允许拿它参与排序。
P3
持续
回流与校准 接 ATS 阶段事件,五指标自动出;门控按月校准,误杀率连续两批超 20% 就重做校准,不调权重。 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」。
08 / 度量

只看一个主指标,但要能拆开看

主指标
简历 → 客户推荐转化率

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。

09 / 边界

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。