提示工程架构师实战：人力资源AI提示设计，如何用prompt筛选简历？

在当今竞争激烈的人才市场，高效、精准地筛选简历是企业获取优质人才的第一道关卡，也是最关键的环节之一。效率低下：手动筛选耗时耗力，尤其在热门岗位或大规模招聘时，HR团队不堪重负。主观性强：不同HR对同一岗位的理解可能存在偏差，筛选标准难以统一，导致结果不一致。易出错与遗漏：人眼筛选易受疲劳、情绪等因素影响，可能放过优秀候选人或误判不合格者。成本高昂：时间成本、人力成本巨大，间接影响了招聘周期和企业竞

大厂前端小白菜

314人浏览 · 2025-08-25 09:53:03

大厂前端小白菜 · 2025-08-25 09:53:03 发布

提示工程架构师实战：人力资源AI提示设计——如何用精准Prompt大幅提升简历筛选效率与质量？

一、引言 (Introduction)

钩子 (The Hook)

“又到了金三银四招聘季，你的邮箱是否又被成百上千封简历淹没？面对堆积如山的求职申请，HR团队是否感到分身乏术，生怕错过那个‘对的人’，同时又要耗费大量精力剔除明显不合格的候选人？”

想象一下：作为某互联网公司的招聘负责人，你刚刚发布了一个“高级Python后端工程师”的职位。24小时内，招聘平台通知你收到了387份简历。你的团队只有3名HR，每人每天最多能细致筛选50份简历。这意味着即便不吃不喝，也要近3天才能完成首轮筛选。更头疼的是，其中不乏大量明显不符合基本要求的简历——比如，要求3年以上Python经验，却收到了刚毕业的Java初学者的申请；要求熟悉分布式系统，简历中却只字未提相关项目经验。更别提，当HR们疲惫不堪时，那些“隐藏的宝石”——那些技能匹配度高但简历撰写不够亮眼的候选人，很可能就此被忽略。

现在，再想象另一种场景：你将这些简历导入一个AI筛选系统，输入一个精心设计的Prompt，喝杯咖啡的功夫，系统就为你返回了一份按照匹配度排序的候选人名单，并附带了每份简历的关键技能匹配点、潜在风险提示以及简短的筛选理由。原本需要3天的工作，现在20分钟就能完成，而且筛选标准高度一致，漏报和误报率显著降低。

这不是科幻电影的场景，而是当下正在发生的现实。人工智能（AI），特别是生成式AI（如GPT-4、Claude等），正在深刻改变人力资源（HR）的工作方式。而这一切变革的核心驱动力之一，就是“提示工程”（Prompt Engineering）。

定义问题/阐述背景 (The “Why”)

在当今竞争激烈的人才市场，高效、精准地筛选简历是企业获取优质人才的第一道关卡，也是最关键的环节之一。传统的简历筛选方式存在诸多痛点：

效率低下：手动筛选耗时耗力，尤其在热门岗位或大规模招聘时，HR团队不堪重负。
主观性强：不同HR对同一岗位的理解可能存在偏差，筛选标准难以统一，导致结果不一致。
易出错与遗漏：人眼筛选易受疲劳、情绪等因素影响，可能放过优秀候选人或误判不合格者。
成本高昂：时间成本、人力成本巨大，间接影响了招聘周期和企业竞争力。
难以规模化：随着企业发展和招聘需求的增长，传统方式难以应对日益增长的简历量。

AI驱动的简历筛选为解决这些痛点带来了曙光。它能够：

大幅提升效率：AI可以在短时间内处理海量简历。
提高一致性：严格按照预设标准执行，减少人为偏差。
降低成本：解放HR人力，使其专注于更具价值的候选人沟通和面试工作。
数据支持决策：提供筛选过程的数据分析，帮助优化招聘策略。

然而，AI并非“即插即用”的魔法工具。AI模型（尤其是大语言模型LLM）能否准确理解招聘需求、有效识别候选人亮点、并做出合理的筛选判断，在很大程度上取决于我们如何“告诉”AI该做什么、怎么做。这就是“提示工程”（Prompt Engineering）的核心价值所在。

提示工程是指设计和优化输入给AI模型的文本指令（即Prompt），以引导AI模型生成期望的、高质量的输出。在人力资源AI应用，特别是简历筛选场景中，一个精心设计的Prompt，能够将AI的能力聚焦于特定的招聘需求，确保筛选的相关性、准确性和公平性。它就像一位经验丰富的“向导”，指引AI穿过信息的丛林，找到我们真正需要的“宝藏”候选人。

亮明观点/文章目标 (The “What” & “How”)

本文的核心观点是：在人力资源AI应用中，特别是简历筛选环节，“提示工程”是连接招聘需求与AI能力的桥梁，是决定AI筛选效果优劣的关键因素。掌握提示工程的设计原则和实战技巧，能够帮助HR从业者和招聘管理者将AI工具的效能发挥到极致，实现简历筛选效率与质量的双重飞跃。

作为一名“提示工程架构师”，我将带你深入HR场景下AI提示设计的实战领域。读完本文，你将能够：

理解提示工程在人力资源AI简历筛选中的核心作用与价值。
掌握针对简历筛选场景的Prompt设计原则、核心要素与结构化框架（“HR Prompt金字塔”模型）。
学会如何将模糊的招聘需求转化为AI可理解和执行的精确指令。
精通不同复杂度和应用场景下的简历筛选Prompt模板与优化技巧。
识别并规避AI简历筛选中可能出现的偏见、公平性及其他风险，并通过Prompt设计进行 mitigation。
评估和持续优化你的简历筛选Prompt，建立起PDCA（Plan-Do-Check-Act）的良性循环。

本文将采用“理论+实践+案例”的方式，循序渐进地展开。我们将从最基础的概念讲起，逐步深入到复杂的提示设计策略，并辅以大量真实的HR招聘场景案例和Prompt示例，让你能够即学即用，快速提升设计高质量HR AI提示的能力。无论你是HR新手，还是有经验的招聘管理者，亦或是对AI+HR交叉领域感兴趣的技术爱好者，都能从本文中获得宝贵的 insights 和实用技能。

让我们开始这段“提示工程架构师”的实战之旅，探索如何用精准Prompt赋能HR，让AI成为你最得力的简历筛选助手！

二、基础知识/背景铺垫 (Foundational Concepts)

在我们深入HR场景下的简历筛选Prompt设计实战之前，有必要先铺垫一些核心的基础知识。这将帮助我们更好地理解后续内容，并为成为一名合格的“提示工程架构师”打下坚实基础。

2.1 什么是提示工程 (Prompt Engineering)？

提示工程（Prompt Engineering） 是指为人工智能模型（特别是大型语言模型，LLMs）设计、构建和优化输入文本（即“提示”或“Prompt”），以引导模型生成特定的、高质量的、有用的输出的过程。

可以将Prompt理解为你与AI模型沟通的“语言”和“指令集”。一个好的Prompt能够清晰地告诉AI：

你是谁？ (角色设定)
你要做什么？ (任务定义)
你需要基于什么信息做？ (输入数据)
你需要遵循什么规则或标准做？ (约束条件/评估标准)
你希望得到什么样的结果？ (输出格式/期望输出)

提示工程不仅仅是简单地“问问题”，它是一门融合了语言学、心理学、逻辑思维和领域知识的交叉学科。它要求我们站在AI模型的角度思考，理解模型的“思维方式”（尽管是模拟的）和“能力边界”，从而有效地引导模型。

在HR领域，特别是简历筛选中，提示工程的目标是：让AI模型能够像一位经验丰富的HR专家一样，理解招聘需求，分析简历内容，并做出准确的筛选判断。

2.2 AI简历筛选的基本原理

AI简历筛选通常依赖于自然语言处理（NLP）技术。在生成式AI（如GPT系列、Claude、Gemini等）普及之前，常见的是基于关键词匹配、规则引擎或传统机器学习模型的筛选工具。这些工具对于简单的硬性条件筛选（如“3年Java经验”、“本科及以上学历”）有一定效果，但在处理复杂语义、上下文理解、软性技能评估等方面能力有限。

基于大型语言模型（LLMs）的简历筛选则展现出更强大的能力：

语义理解：LLMs能够理解简历文本和招聘需求的深层含义，而不仅仅是表面的关键词匹配。例如，它能理解“熟悉分布式系统”与“参与过微服务架构设计与实施”之间的关联。
上下文整合：LLMs能够将简历中不同部分的信息（如工作经历、项目经验、技能证书）进行综合分析。
推理能力：LLMs能够基于简历信息进行一定程度的推理，例如从项目描述中推断候选人是否具备团队协作能力。
多任务处理：通过精心设计的Prompt，LLMs可以同时完成匹配度评分、关键信息提取、优势劣势分析等多项任务。
自然语言交互：HR可以用自然语言描述需求和调整筛选策略。

其基本流程通常是：

输入：招聘需求描述 (Job Description, JD)、候选人简历 (Resume/CV)、以及引导AI进行筛选的Prompt。
处理：LLM接收这些信息，根据Prompt的指令，对简历与JD的匹配度进行分析、关键信息提取、风险点识别等。
输出：LLM生成筛选结果，可能包括匹配度分数、是否推荐进入下一轮、关键匹配点、缺失技能、简短评语等。

在这个流程中，Prompt扮演着“指挥官”和“裁判”的角色，它决定了AI如何解读JD、如何分析简历、以及如何评判两者的匹配程度。

2.3 主流AI工具在HR简历筛选中的应用概览

目前，市场上有多种AI工具可用于简历筛选，大致可以分为以下几类：

独立的AI招聘SaaS平台：
- 特点：功能全面，集成了招聘流程的多个环节（如职位发布、简历收集、筛选、面试安排等），通常内置了AI筛选模块。
- Prompt设计参与度：HR用户可能无法直接编写底层Prompt，但可以通过平台提供的界面配置筛选条件、权重、关键词等，这些配置会间接影响平台内部Prompt的生成。
- 举例：Greenhouse, Lever, Workday, BambooHR (部分高级功能), HireVue (含视频面试), Eightfold AI, Pymetrics。
基于通用LLM API构建的定制化工具：
- 特点：企业或开发者利用OpenAI (GPT-3.5/4), Anthropic (Claude), Google (Gemini), AWS (Bedrock) 等提供的LLM API，结合自己的招聘数据和流程，开发定制化的简历筛选应用。
- Prompt设计参与度：极高。开发者和“提示工程架构师”需要直接设计和优化Prompt，以适应特定的招聘需求和公司文化。
- 举例：企业内部开发的AI招聘助手，或一些专注于提供AI筛选API的初创公司。
通用LLM的Web界面直接应用：
- 特点：直接使用ChatGPT, Claude, Gemini等LLM的Web聊天界面进行简历筛选。
- Prompt设计参与度：高。用户需要手动输入Prompt和简历文本（通常需要处理隐私问题）。
- 适用场景：小型团队、临时需求或Prompt设计的原型验证。

对于追求高度定制化和精确控制筛选逻辑的企业和HR团队而言，基于通用LLM API构建定制化工具，并掌握Prompt设计的主动权，是发挥AI最大潜力的途径。这也是本文后续实战部分的主要聚焦场景。

2.4 HR提示工程的独特挑战与考量

将提示工程应用于HR简历筛选，相比其他通用场景，有其独特性和需要额外考量的因素：

需求的模糊性与动态性：
- 挑战：JD中的很多要求（如“良好的沟通能力”、“较强的学习能力”）是模糊和主观的。不同的 hiring manager 对同一职位的期望可能不同，且需求可能随时间和项目变化。
- 考量：Prompt需要能够将模糊需求尽可能具体化、可操作化，并允许灵活调整。
信息的复杂性与多样性：
- 挑战：简历格式多样，内容详略不一，候选人背景各异。AI需要从中提取有效信息并综合判断。
- 考量：Prompt需要引导AI关注关键信息，处理不规范格式，并具备一定的容错性。
公平性与偏见问题：
- 挑战：LLMs可能从训练数据中学习到历史偏见（如性别、年龄、种族、院校等）。不当的Prompt设计可能放大这些偏见。
- 考量：Prompt设计必须将公平性置于优先地位，明确禁止模型考虑无关因素，并采取措施检测和减轻潜在偏见。这是HR AI伦理的核心。
隐私与合规性：
- 挑战：简历包含大量个人敏感信息（PII）。在使用AI筛选时，如何保护隐私、遵守GDPR、劳动法等相关法规是必须解决的问题。
- 考量：这不仅仅是Prompt本身的问题，但Prompt设计可以避免要求AI处理或输出不必要的敏感信息。更重要的是，选择合规的AI服务提供商和数据处理方式。
结果的可解释性需求：
- 挑战：AI的“黑箱”特性使得筛选决策难以解释。HR需要知道为什么一个候选人被推荐或被拒绝。
- 考量：Prompt需要明确要求AI提供筛选决策的依据、关键匹配点和不匹配点，提高结果的透明度和可解释性。
与HR专业知识的深度结合：
- 挑战：优秀的HR Prompt设计者需要同时理解AI的能力和局限，以及HR招聘的专业知识、岗位特性、人才画像等。
- 考量：提示工程架构师需要与HR团队紧密合作，将HR的专业洞察融入到Prompt设计中。

理解了这些基础知识和独特挑战后，我们就可以更有针对性地进入HR场景下简历筛选Prompt设计的核心实战环节了。

三、核心内容/实战演练 (The Core - “How-To”)

现在，我们进入本文最核心的部分：HR场景下简历筛选Prompt的设计实战。作为一名“提示工程架构师”，我将带你从需求分析开始，逐步掌握设计高质量筛选Prompt的完整流程、核心要素、结构化框架、以及不同场景下的模板与案例。

3.1 HR简历筛选Prompt设计的核心原则

在开始具体设计之前，让我们先确立几个核心原则，这些原则将贯穿Prompt设计的始终：

清晰性 (Clarity)：
- 含义：你的Prompt必须清晰、明确地告诉AI你希望它做什么，达到什么目标。避免模糊、歧义的表述。
- HR筛选体现：明确指出筛选任务（如“评估候选人与XX岗位的匹配度”）、评估标准（如“技术技能”、“项目经验”）、输出要求（如“匹配度分数0-100分”、“优缺点分析”）。
具体性 (Specificity)：
- 含义：尽可能提供具体的细节和信息，而不是泛泛而谈。AI模型“见多识广”，但它无法读取你的思想或假设你未说明的细节。
- HR筛选体现：提供详细的JD文本，明确列出“必须具备”和“希望具备”的技能清单，定义技能熟练度的等级（如“入门级”、“熟练级”、“专家级”），给出项目经验的期望（如“至少主导过一个用户量10万+的项目”）。
相关性 (Relevance)：
- 含义：Prompt应聚焦于与当前任务最相关的信息，避免引入无关内容，以免分散AI的注意力或导致混淆。
- HR筛选体现：只提供与当前招聘岗位直接相关的JD信息，引导AI重点关注简历中与岗位要求相关的部分，避免AI被无关的个人信息干扰。
结构化 (Structure)：
- 含义：将复杂的指令和信息组织成有逻辑、有层次的结构，方便AI理解和遵循。使用标题、列表、编号等格式。
- HR筛选体现：将筛选任务分解为“角色设定”、“任务描述”、“评估维度与权重”、“输出格式”等模块。对简历的不同模块（工作经历、技能、教育背景）提出不同的分析要求。
指令性 (Directiveness with Flexibility)：
- 含义：明确给出AI需要执行的动作指令，但也要为AI保留一定的判断和推理空间，特别是在处理模糊信息或需要综合评估时。
- HR筛选体现：使用“请分析…”、“请评估…”、“请提取…”等明确指令。对于“良好沟通能力”这类软技能，可以引导AI从简历的项目描述、职责描述中寻找证据，但不要过度限制AI的判断方式。
公平性与无偏性 (Fairness and Unbiasedness)：
- 含义：在Prompt中明确禁止AI考虑年龄、性别、种族、宗教、国籍、婚姻状况等与工作无关的个人特征，并努力减少潜在的偏见。
- HR筛选体现：加入明确的反偏见声明，如“在筛选过程中，你不得因候选人的年龄、性别、种族、宗教信仰、民族、 sexual orientation、婚姻状况、残疾状况或任何其他受保护的特征而产生任何偏见。评估应完全基于候选人与职位要求的相关性和匹配度。”
可解释性 (Explainability)：
- 含义：要求AI对其判断和结论提供清晰的理由和依据，而不仅仅是给出结果。
- HR筛选体现：明确要求AI“解释为什么给出该匹配度分数”、“列出至少3个支持该候选人的关键优势点，并引用简历原文作为证据”、“指出候选人可能存在的1-2个主要不足或与岗位要求的差距”。
迭代优化 (Iterative Refinement)：
- 含义：没有一劳永逸的完美Prompt。需要根据实际输出结果、反馈和新的需求，持续调整和优化Prompt。
- HR筛选体现：设计初步Prompt后，用几份已知优秀和不合格的简历进行测试，分析AI的输出是否符合预期，然后针对性地修改Prompt中的指令、标准或格式。

这八大原则是我们设计HR简历筛选Prompt的“北斗七星”，在后续的所有设计工作中都应时刻牢记。

3.2 HR简历筛选Prompt的核心要素 (The “HR Prompt Pyramid”)

基于上述原则，我提出一个“HR Prompt金字塔”模型，它清晰地列出了构成一个高质量HR简历筛选Prompt的核心要素及其层级关系。一个完整的Prompt应该像一座稳固的金字塔，从基础到顶层，层层递进，缺一不可。

┌─────────────────────────────────────────────────────────────┐
│                     8. 输出格式与指引 (Output Format & Guidance)      │ 顶层：结果呈现
├─────────────────────────────────────────────────────────────┤
│                     7. AI行为约束与提示 (AI Behavior Constraints & Hints) │ 约束层：规范AI
├─────────────────────────────────────────────────────────────┤
│     6. 评估标准与权重 (Evaluation Criteria & Weighting)     │ 核心层：判断依据
├─────────────────────────────────────────────────────────────┤
│     5. 输入数据界定 (Input Data Definition)                 │ 素材层：分析对象
├─────────────────────────────────────────────────────────────┤
│     4. 任务详细描述 (Detailed Task Description)             │ 行动层：具体做什么
├─────────────────────────────────────────────────────────────┤
│     3. 角色与背景设定 (Role & Context Setting)              │ 定位层：AI是谁，为谁服务
├─────────────────────────────────────────────────────────────┤
│     2. 目标声明 (Goal Statement)                            │ 导向层：为何做，达到什么效果
├─────────────────────────────────────────────────────────────┤
│     1. 系统指令 (System Instruction - 可选，视平台而定)      │ 基础层：AI能力开关 (如GPT的<|FunctionCallBegin|>)
└─────────────────────────────────────────────────────────────┘

HR Prompt金字塔各层详解：

系统指令 (System Instruction - 可选，视平台而定)
- 位置：金字塔最底层。
- 作用：在某些LLM平台（如OpenAI的API）中，系统指令用于设置模型的行为和能力边界，例如“你是一个 helpful 的助手”或启用特定功能（如函数调用）。在Web界面中，这通常由平台预设。
- HR筛选体现：例如，当使用工具调用时，可以提示“你拥有调用工具的能力，当需要查询外部信息验证候选人技能证书时，可以调用XX工具API”。对于简历筛选，此层有时可省略或融入角色设定。
目标声明 (Goal Statement)
- 位置：第二层。
- 作用：清晰、简洁地阐述本次Prompt的总体目标和期望达成的最终成果。它为整个筛选任务指明方向。
- HR筛选体现：“本次任务的目标是评估候选人[姓名]的简历与[职位名称]岗位的匹配程度，为HR团队提供是否将该候选人推进至下一轮面试的决策支持。”
角色与背景设定 (Role & Context Setting)
- 位置：第三层。
- 作用：为AI设定一个具体的角色身份，并提供必要的背景信息，帮助AI理解其决策环境。
- HR筛选体现：
  - 角色：“你是一位经验丰富的[职位名称]岗位招聘专家和技术面试官，拥有超过10年相关行业经验。”
  - 背景：“我们公司是一家[行业领域]的[发展阶段，如初创/快速发展/成熟]公司，名为[公司名称]。我们正在招聘一名[职位名称]，加入我们的[部门名称]团队，负责[简述核心职责领域]。我们重视[公司价值观，如创新、协作、客户至上]。”
任务详细描述 (Detailed Task Description)
- 位置：第四层。
- 作用：将总体目标分解为具体的、可执行的任务步骤或动作序列。
- HR筛选体现：“请你执行以下任务：
  1. 仔细阅读并理解提供的[职位名称]岗位的职位描述（JD）。
  2. 仔细阅读并分析提供的候选人[姓名]的简历。
  3. 根据JD中列出的要求，逐项评估候选人是否满足，特别关注[可列出1-2个核心重点领域]。
  4. 综合各项评估，给出候选人与该岗位的总体匹配度评分。
  5. 总结候选人的主要优势和潜在不足。
  6. 基于以上分析，给出是否推荐该候选人进入下一轮面试的建议。”
输入数据界定 (Input Data Definition)
- 位置：第五层。
- 作用：明确告知AI本次任务将基于哪些输入数据进行处理，并清晰地标示出这些数据的模块。
- HR筛选体现：“你将基于以下两部分信息进行工作：
  - 第一部分：职位描述 (JD)
    [此处粘贴完整的职位描述文本]
  - 第二部分：候选人简历
    [此处粘贴完整的候选人简历文本，或指明简历数据的来源/格式]”
- 最佳实践：如果可能，对简历数据进行预处理，去除无关格式，确保文本清晰。对于通过API调用，可以将简历和JD作为变量传入。
评估标准与权重 (Evaluation Criteria & Weighting)
- 位置：第六层，金字塔的核心。
- 作用：这是HR筛选Prompt中最关键的部分。明确告诉AI将从哪些维度评估候选人，以及每个维度的相对重要性（权重）。这直接决定了筛选的“尺子”。
- HR筛选体现：“请从以下维度对候选人进行评估，并注明各维度的权重：
  - 技术技能匹配度 (权重：40%)：评估候选人掌握的技术栈、工具、平台与JD要求的契合程度。包括[列出核心技术点，如Python, Java, 微服务, 大数据处理等]。
  - 相关工作经验与项目经验 (权重：30%)：评估候选人过往工作经历和项目经验与目标岗位职责的相关性、深度和广度。重点关注[列出关键经验要求，如“3年以上分布式系统开发经验”，“主导过电商平台后端架构设计”等]。
  - 教育背景与资质 (权重：10%)：评估候选人的学历、专业、以及相关的认证证书是否符合要求。
  - 软技能与综合素质 (权重：15%)：评估候选人的沟通能力、团队协作能力、问题解决能力、学习能力、责任心等。请从简历描述中寻找相关证据。
  - 公司文化与价值观契合度 (权重：5%)：基于简历中透露的信息（如过往公司类型、项目合作方式等），初步判断候选人与我方公司文化的契合可能性。”
- 进阶技巧：对于每个维度，可以进一步细化评分标准，例如：
  - “技术技能匹配度”可以细分为“核心技能掌握程度”和“辅助技能掌握程度”。
  - 为每个技能点设定“必须具备”和“加分项”。
AI行为约束与提示 (AI Behavior Constraints & Hints)
- 位置：第七层。
- 作用：设定AI在执行任务时必须遵守的规则、需要避免的行为，以及一些有助于提升表现的提示或引导。
- HR筛选体现：“在执行上述任务时，请严格遵守以下约束：
  - 公平性原则：不得因候选人的年龄、性别、种族、宗教信仰、民族、 sexual orientation、婚姻状况、残疾状况、出生地、毕业院校（除非JD明确将特定院校列为硬性要求，且符合相关法规）或任何其他受保护的特征而产生任何偏见。评估应完全基于候选人与职位要求的相关性和匹配度。
  - 证据导向：所有判断和结论必须有简历原文内容作为直接或间接证据支持。避免无根据的猜测。如果简历中未提及某方面信息，应注明“简历中未体现”或“信息不足，无法评估”。
  - 避免过度解读：基于简历信息进行合理推断，但避免过度脑补或做出没有根据的积极/消极假设。
  - 关注成就而非职责：在评估工作经验时，优先关注候选人描述的具体成就、贡献和成果，而不仅仅是职责列表。
  - 处理模糊信息：如果JD中的某项要求或简历中的某段描述含义模糊，请基于行业普遍理解和该岗位的常见需求进行合理判断，并在报告中注明你的理解和判断依据。
  - 语言专业度：使用专业、客观、中立的语言进行分析和总结。”
输出格式与指引 (Output Format & Guidance)
- 位置：金字塔最顶层。
- 作用：规定AI输出结果的具体格式、结构、内容组织方式和呈现顺序。这能确保输出结果的一致性、可读性和易用性。
- HR筛选体现：“请按照以下严格的格式输出你的分析结果，不要遗漏任何部分：
  
  候选人简历筛选评估报告
  
  基本信息
  - 候选人姓名: [从简历中提取或留空]
  - 应聘职位: [职位名称]
  - 总体匹配度评分: [0-100分，整数] - [简要理由，1-2句话]
  关键维度评估详情
  
  1. 技术技能匹配度 ([X]%)
  - 核心技能评估:
    - [技能A]: [符合/部分符合/不符合/未提及] - [具体理由和证据，引用简历原文]
    - [技能B]: [符合/部分符合/不符合/未提及] - [具体理由和证据，引用简历原文]
    - … (列出JD中所有核心技能)
  - 辅助技能评估:
    - [技能C]: [符合/部分符合/不符合/未提及] - [具体理由和证据，引用简历原文]
    - … (列出JD中重要的辅助技能)
  - 技能匹配度小结: [一句话总结]
  2. 相关工作经验与项目经验 ([Y]%)
  - 关键经历匹配:
    - [经历要求A，如“3年分布式系统经验”]: [符合/部分符合/不符合/未提及] - [具体理由和证据，引用简历原文中的时间、项目、职责]
    - [经历要求B，如“主导高并发项目”]: [符合/部分符合/不符合/未提及] - [具体理由和证据]
    - …
  - 代表性项目分析:
    - 项目名称: [项目A名称]
      - 候选人角色: [角色]
      - 项目规模/影响力: [从简历中提取]
      - 与目标岗位相关性: [高/中/低] - [理由]
  - 经验匹配度小结: [一句话总结]
  3. 教育背景与资质 ([Z]%)
  - [学历信息]: [符合/不符合/未提及] - [理由]
  - [关键证书，如PMP]: [有/无/未提及] - [理由]
  - 教育资质小结: [一句话总结]
  4. 软技能与综合素质 ([W]%)
  - [软技能A，如沟通能力]: [表现出/未明确表现出/未提及] - [证据，引用简历中描述性词语或案例]
  - [软技能B，如团队协作]: [表现出/未明确表现出/未提及] - [证据]
  - …
  - 软技能小结: [一句话总结]
  5. 公司文化与价值观契合度 ([V]%)
  - … (基于有限信息的初步判断)
  - 文化契合度小结: [一句话总结]
  候选人主要优势 (Top 3-5)
  1. [优势点1] - [简述理由和证据]
  2. [优势点2] - [简述理由和证据]
  3. [优势点3] - [简述理由和证据]
    …
  候选人潜在不足/风险点 (Top 1-3)
  1. [不足点1] - [简述理由和证据，或信息缺失的说明]
  2. [不足点2] - [简述理由和证据，或信息缺失的说明]
    …
  面试建议关注点
  
  基于以上分析，建议在面试中重点关注以下问题：
  1. [关于不足点1的深入了解问题]
  2. [关于某项关键技能实际应用能力的问题]
  3. [关于候选人职业规划与岗位匹配度的问题]
    …
  综合推荐意见
  - 推荐决策: [强烈推荐进入下一轮/推荐进入下一轮/保留/不推荐]
  - 推荐理由: [详细阐述做出该推荐决策的核心依据]”

这个“HR Prompt金字塔”是我们设计简历筛选Prompt的蓝图。接下来，我们将通过具体案例来展示如何运用这个模型。

3.3 从需求到Prompt：HR需求分析与Prompt转化实例

优秀的Prompt源于对招聘需求的深刻理解。在动手写Prompt之前，“提示工程架构师”或HR需要与 hiring manager 进行充分沟通，将模糊的需求转化为清晰、具体、可操作的评估标准。

场景示例：假设我们需要为某互联网公司招聘一名“高级Python后端工程师”。

步骤1：与Hiring Manager (HM) 沟通，挖掘真实需求

HR/架构师提问：“请问这个高级Python后端工程师岗位的核心职责是什么？”
HM回答：“主要负责公司核心交易系统的后端API开发和维护，解决高并发、高可用问题。”
HR/架构师提问：“您期望候选人具备哪些核心技术技能？至少几年经验？”
HM回答：“Python必须熟练，5年以上Python开发经验。熟悉Django或Flask框架，至少用过一个。数据库方面，MySQL是基础，最好懂点Redis缓存，有MongoDB经验加分。还要懂RESTful API设计。微服务架构经验非常重要，最好做过。”
HR/架构师提问：“软技能方面，您看重哪些？”
HM回答：“沟通能力肯定要好，能和产品、前端顺畅沟通。解决问题能力强，遇到线上故障能快速定位。责任心，能对自己写的代码负责。”
HR/架构师提问：“有没有什么‘加分项’或者‘一票否决’的条件？”
HM回答：“有金融行业背景或者大型电商交易系统经验的优先。如果连基本的Python语法都不熟练，那肯定不行。”
HR/架构师提问：“我们公司目前技术团队氛围比较开放，鼓励创新和主动担责，这点在筛选时需要考虑吗？”
HM回答：“非常重要，希望候选人能快速融入，积极主动。”

步骤2：将HM需求整理成结构化的评估维度与标准

基于上述沟通，我们可以整理出：

核心目标：筛选出能胜任核心交易系统后端API开发与维护，具备高并发高可用解决方案经验的高级Python工程师。
角色设定：高级Python后端工程师招聘专家，熟悉交易系统和高并发架构。
评估维度与权重：
- 技术技能匹配度 (45%)：Python (熟练，5年+)、Web框架 (Django/Flask)、MySQL、Redis、MongoDB (加分)、RESTful API、微服务架构 (重要)。
- 相关工作经验 (30%)：Python后端开发经验时长、核心交易系统经验、高并发高可用处理经验、微服务项目经验、金融/电商背景 (加分)。
- 软技能 (15%)：沟通能力、问题解决能力、责任心。
- 文化契合度 (10%)：开放、创新、主动担责。
一票否决项：Python基础语法不熟练。
输出要求：匹配度评分、维度详情、优劣势、面试关注点、推荐意见。

步骤3：根据“HR Prompt金字塔”转化为具体Prompt

接下来，我们就可以将这些结构化的需求填入“HR Prompt金字塔”的各个层级，构建出完整的Prompt。这将是下一节我们要做的事情。

3.4 实战案例：不同复杂度的简历筛选Prompt模板与解析

基于“HR Prompt金字塔”，我们提供几个不同复杂度的HR简历筛选Prompt模板，并进行解析。你可以根据实际需求选择和调整。

3.4.1 模板一：基础版 - 通用简历初筛Prompt

适用场景：对筛选精度要求不高，快速淘汰明显不合格简历的初步筛选。

# 简历筛选助手提示

## 目标声明
评估候选人简历与提供职位描述的基本匹配程度，快速判断是否值得进一步考虑。

## 角色设定
你是一名经验丰富的HR招聘专员。

## 任务描述
1.  阅读提供的职位描述（JD）和候选人简历。
2.  判断候选人是否满足JD中的基本要求（如学历、工作年限、核心技能）。
3.  给出一个“通过”或“不通过”的初筛结果，并简述理由。

## 输入数据
**职位描述 (JD):**
[在此粘贴职位描述文本]

**候选人简历:**
[在此粘贴候选人简历文本]

## 评估标准
主要关注JD中明确列出的“必须具备”的要求。

## 行为约束
*   保持客观，基于简历内容判断。
*   忽略与工作无关的个人信息。

## 输出格式
**初筛结果:** [通过 / 不通过]
**理由:** [2-3句话说明主要原因]

模板解析：

金字塔要素覆盖：包含了目标、角色、任务、输入数据、评估标准（简化）、行为约束（简化）、输出格式。
优点：简单直接，易于使用，适合快速过滤。
缺点：评估维度少，权重不明确，输出信息少，难以深入分析。

3.4.2 模板二：标准版 - 结构化多维度评估Prompt

适用场景：大多数常规岗位的简历筛选，需要较全面的评估。

# HR简历筛选评估Prompt - 标准版

## 目标声明
全面评估候选人与目标岗位的匹配程度，为招聘团队提供是否邀请候选人面试的详细决策依据。

## 角色与背景设定
你是一位经验丰富的[职位名称，例如：高级Python后端工程师]招聘专家，拥有超过8年在[行业领域，例如：互联网/金融科技]的招聘经验。我们公司是一家[公司简介，例如：快速发展的电子商务科技公司，专注于为用户提供便捷的在线购物体验]，我们重视[公司价值观，例如：创新、协作、客户第一、追求卓越]。

## 任务详细描述
请你：
1.  仔细研读提供的[职位名称]的职位描述（JD）。
2.  详细分析候选人的简历内容。
3.  按照指定的评估维度对候选人进行全面评估。
4.  总结候选人的优势与不足。
5.  给出是否推荐进入面试的建议及理由。

## 输入数据界定
**第一部分：职位描述 (JD)**
[在此粘贴完整的职位描述文本]

**第二部分：候选人简历**
[在此粘贴候选人简历文本]

## 评估标准与权重
请从以下维度进行评估，各维度权重如下：
1.  **核心技术/专业技能匹配度 (权重：40%)**：评估候选人掌握的核心技能与JD要求的匹配程度。
2.  **相关工作经验与项目经历 (权重：30%)**：评估工作经验年限、项目相关性、职责深度。
3.  **教育背景与资质 (权重：10%)**：评估学历、专业及相关证书。
4.  **软技能与综合素质 (权重：15%)**：包括沟通、团队协作、问题解决等。
5.  **公司文化契合度 (权重：5%)**：基于有限信息判断与公司价值观的契合可能性。

对于“核心技术/专业技能匹配度”，请特别关注JD中明确列出的“必须具备”的技能。

## AI行为约束与提示
1.  **公平性第一**：不得因年龄、性别、种族、宗教、民族、 sexual orientation、婚姻状况、残疾、毕业院校（除非JD明确要求）等任何受保护特征产生偏见。
2.  **证据为王**：所有判断必须有简历原文支持，避免臆断。信息不足时注明。
3.  **客观中立**：使用客观语言描述，避免情绪化或主观臆断词汇。
4.  **关注实质**：区分职责描述与实际成就，优先考虑具体成果。

## 输出格式与指引
请严格按照以下格式输出：

# 候选人简历评估报告 - [职位名称]

## 一、基本信息
*   **应聘职位**: [职位名称]
*   **总体匹配度评分**: [0-100分] - [一句话简要说明评分理由]

## 二、各维度评估详情
### 1. 核心技术/专业技能匹配度 ([得分]/40分)
*   [技能点A]：[符合/部分符合/不符合/未提及] - [具体理由，引用简历原文]
*   [技能点B]：[符合/部分符合/不符合/未提及] - [具体理由，引用简历原文]
*   ... (列出JD中所有核心技能)
*   **小结**: [一句话总结技能匹配情况]

### 2. 相关工作经验与项目经历 ([得分]/30分)
*   [关键经验要求A]：[符合/部分符合/不符合/未提及] - [具体理由，引用简历原文]
*   [关键经验要求B]：[符合/部分符合/不符合/未提及] - [具体理由，引用简历原文]
*   **代表性项目**: [简述1-2个最相关的项目及其与岗位的关联度]
*   **小结**: [一句话总结经验匹配情况]

### 3. 教育背景与资质 ([得分]/10分)
*   [学历要求]：[符合/不符合/未提及] - [理由]
*   [相关证书]：[有/无/未提及] - [理由]
*   **小结**: [一句话总结]

### 4. 软技能与综合素质 ([得分]/15分)
*   [软技能A，如沟通]：[表现出/未明确表现/未提及] - [证据]
*   [软技能B，如团队协作]：[表现出/未明确表现/未提及] - [证据]
*   **小结**: [一句话总结]

### 5. 公司文化契合度 ([得分]/5分)
*   [基于简历信息的初步判断]
*   **小结**: [一句话总结]

## 三、候选人主要优势 (Top 3)
1. [优势1] - [理由]
2. [优势2] - [理由]
3. [优势3] - [理由]

## 四、候选人潜在不足/风险点 (Top 2)
1. [不足1] - [理由]
2. [不足2] - [理由]

## 五、综合推荐意见
*   **推荐决策**: [强烈推荐面试 / 推荐面试 / 保留观察 / 不推荐]
*   **推荐理由**: [详细阐述理由，至少3句话]

模板解析：

金字塔要素覆盖：全面覆盖了“HR Prompt金字塔”的所有8个要素（系统指令可选）。
优点：结构完整，评估维度清晰，输出信息丰富，平衡了详细度和易用性。
使用要点：需要用户手动将JD中的核心技能、关键经验要求等提取出来，填入到评估详情部分的“[技能点A]”、“[关键经验要求A]”等处。

3.4.3 模板三：高级版 - “高级Python后端工程师”定制化Prompt (基于3.3节需求分析)

适用场景：对特定岗位有深入、细致的筛选要求，结合了具体岗位的特性。

# HR简历筛选评估Prompt - 高级版：高级Python后端工程师

## 目标声明
精准评估候选人与“高级Python后端工程师”岗位的匹配程度，特别是在核心交易系统开发、高并发高可用架构设计与问题解决能力方面，为招聘团队提供深度筛选报告和面试决策支持。

## 角色与背景设定
你是一位资深的高级Python后端工程师招聘专家和技术面试官，拥有超过10年互联网金融和电商领域的技术招聘与团队管理经验。我们公司是一家快速发展的互联网金融科技公司，专注于为小微企业提供在线支付和融资解决方案。我们正在招聘一名高级Python后端工程师，加入核心交易平台团队，负责关键API的开发、优化以及高并发场景下的技术方案设计与落地。我们的技术团队氛围开放，鼓励创新思维、主动担责和持续学习，强调代码质量和系统稳定性。

## 任务详细描述
请执行以下任务：
1.  深入理解提供的“高级Python后端工程师”岗位的职位描述（JD）。
2.  全面分析提供的候选人简历，特别关注其在Python后端开发、微服务架构、数据库优化及高并发处理方面的经验。
3.  根据下方详细的评估标准，对候选人进行逐项打分和文字评估。
4.  识别候选人的核心优势和可能存在的技术短板或经验缺口。
5.  基于评估结果，给出是否推荐进入