简历初筛这套活，我全交给了 WorkBuddy：10 个岗位、2 份简历、主管不回就自动催

筛简历最累的从来不是判断，是把同一套标准，对着几十份简历重复念一百遍。念到第三十份，眼睛是花的，标准是松的。

所以这次我把整条流水线搬进了 WorkBuddy：简历丢进去，匹配报告出来，直接飞进用人主管的邮箱，三天没回还会自己催。

行业与岗位：企业技术招聘 · HR。

一、输入材料

• 10 个技术岗 JD：Java 后端、前端、数据分析、NLP 算法、DevOps、产品、测开、UI/UX、安全、DBA。每个都拆成结构化字段——学历门槛、经验年限、薪资区间（K/月）、必备技能、所属项目、主管邮箱。
• 2 份候选人简历：一份 .txt、一份 .pdf。示例已脱敏，后文记为候选人 A（Java 后端）、候选人 B（AI 算法硕士），邮箱一律隐去。

二、WorkBuddy 配置

• 自建专家「简历匹配专家」：用专家管理能力创建（Agent 型），把工作流写死——解析简历 → 五维加权匹配（学历 15% · 经验 25% · 薪资 15% · 技能 30% · 项目 15%）→ 出报告 → 推邮箱。
• 岗位库：job_library.json，10 个岗位一次性结构化存本地，之后只需一句「匹配 NLP 算法岗」。
• 邮箱配置：email_config.json，存 HR 邮箱与默认主管邮箱。
• 连接器（MCP）：agent-mail（智能体邮箱），负责真实发信、带附件、抓回信。
  
• 本地能力：隔离 Python 环境 + pypdf 解析 PDF；定时任务负责每日提醒。
• 权限：发信走连接器授权，且发送前必须由我确认收件人。
  

三、操作步骤

1. 建专家：定义工作流、生成头像、注册进 WorkBuddy。
2. 录岗位：10 个 JD 一次入库。
3. 丢简历：上传 .txt / .pdf 自动抽取学历、经验、薪资、技能、项目。中途 PDF 直接读不出文字层，改用 Python + pypdf 抽取文本，2 页完整还原。
4. 匹配打分：选岗位 → 五维加权出综合匹配度（候选人 A 100%、候选人 B 76%），逐项标出命中与缺失。
5. 出报告：每份一份报告，含匹配度、强项、弱项、风险提示、离职倾向（低 / 中 / 高）。
6. 推主管：agent-mail 把候选人简历原件 + 报告发给用人主管，正文附「是否安排面试」的确认请求。
7. 闭环跟进：加定时任务，主管三天没回就每天催一次；一旦回复，自动抓回正文判断「需要 / 不需要面试」，把结论转推 HR。

• 中途调整：初版报告要抄送 HR，后改为只推主管、HR 只收面试结论；其中一份简历按要求改成「直接发送、不设提醒」。
  

四、产出物

• 每份简历一份匹配报告：综合匹配度、五维得分、强项 / 弱项标签、风险提示、离职倾向，可直接验收。
  
  
• 已发出的邮件：简历附件 + 报告。A 已推主管并挂三日提醒；B 已推主管、无提醒。
• 运行中的定时任务：每日检查主管回复，命中则自动判断面试意向并转推 HR。
• 可复用资产：结构化岗位库、邮箱配置、专家定义（SOP）——下次换简历，传文件说一句岗位名即可。
  

行业没变，岗位没变，变的是那条「解析—匹配—报告—推送—跟进」的链路，从一个人对着屏幕逐条比对，变成五分钟走完。