写在前面

上周和做HR的朋友吃饭，她跟我吐槽："每次招聘季，光看简历就要看到吐，100份里能有10份合适就不错了。" 我当时就想，这不就是个典型的AI应用场景吗？

于是周末两天，我撸了个简历智能筛选工具。成本不到10块钱，准确率能达到80%以上。今天把整个开发过程分享出来，代码全开源，你也能做一个。

一、我想要什么功能？

先别急着写代码，我花了半小时梳理了需求：

核心流程：

上传PDF简历 → 提取文本内容 → AI分析能力匹配度 → 输出结构化评分 → 按分数排序

技术选型思路：

• PDF解析：PyPDF2够用了，别整那些花里胡哨的

• AI大模型：用Claude API，理解能力强，关键是便宜

• 后端语言：Python，库多好上手

• 数据格式：JSON，方便后续对接前端

有个问题困扰了我挺久：到底是让AI直接打分，还是我自己写规则？ 后来发现两者结合效果最好，后面会细说。

二、开发过程拆解

模块1：把PDF变成文字

一开始我想用OCR，后来发现大部分简历都是可复制的文本型PDF，直接提取就行。

import PyPDF2

def extract_resume_text(pdf_path):
    """提取PDF简历文本"""
    text = ""
    with open(pdf_path, 'rb') as file:
        reader = PyPDF2.PdfReader(file)
        # 遍历每一页
        for page in reader.pages:
            text += page.extract_text()
    return text.strip()

遇到的第一个坑：有些简历是扫描件，PyPDF2提取出来是乱码。解决方案是加个判断，如果提取文本少于100字，就调用OCR库（我用的paddleocr）作为补充方案。

模块2：设计Prompt让AI干活

这是整个项目的核心。我的Prompt经过了3次迭代：

第一版（太简单，效果差）：

分析这份简历是否适合Python开发岗位

第二版（加了结构化要求）：

你是资深HR，分析简历匹配度。
岗位要求：Python开发，3年经验，熟悉Django
请从技能匹配、经验年限、项目经历三个维度打分（每项10分）

第三版（当前使用，效果最好）：

PROMPT_TEMPLATE = """
你是10年经验的技术招聘专家。请分析简历与岗位的匹配度。

【岗位需求】
{job_requirements}

【候选人简历】
{resume_text}

【评分标准】
1. 技术栈匹配度（40分）：关键技术必须覆盖80%以上
2. 工作经验（30分）：年限要求±1年可接受
3. 项目质量（30分）：是否有类似项目经验

请以JSON格式输出：
{{
  "score": 总分,
  "tech_match": 技术栈得分,
  "experience": 经验得分,
  "project": 项目得分,
  "reason": "一句话评价",
  "highlights": ["亮点1", "亮点2"]
}}
"""

调用API的代码：

import anthropic

def analyze_resume(resume_text, job_desc):
    client = anthropic.Anthropic(api_key="你的API密钥")
    
    message = client.messages.create(
        model="claude-sonnet-4-5-20250929",
        max_tokens=1024,
        messages=[{
            "role": "user",
            "content": PROMPT_TEMPLATE.format(
                job_requirements=job_desc,
                resume_text=resume_text
            )
        }]
    )
    
    # 解析JSON结果
    return json.loads(message.content[0].text)

模块3：加点规则提高准确率

纯靠AI有时候会"脑补"，我加了关键词硬匹配：

def keyword_bonus(resume_text, keywords):
    """关键词加分机制"""
    bonus = 0
    for word in keywords:
        if word.lower() in resume_text.lower():
            bonus += 2  # 每个关键词+2分
    return min(bonus, 10)  # 最多加10分

比如招Python岗，简历里必须有"Django"或"Flask"，否则直接-20分。这个小机制让误判率下降了15%。

模块4：批量处理和结果输出

import os
import pandas as pd

def batch_process(resume_folder, job_desc):
    results = []
    
    for filename in os.listdir(resume_folder):
        if filename.endswith('.pdf'):
            # 提取文本
            text = extract_resume_text(
                os.path.join(resume_folder, filename)
            )
            
            # AI分析
            analysis = analyze_resume(text, job_desc)
            
            # 关键词加分
            bonus = keyword_bonus(text, ["Django", "FastAPI"])
            analysis['score'] += bonus
            
            results.append({
                'name': filename,
                'total_score': analysis['score'],
                'reason': analysis['reason']
            })
    
    # 按分数排序
    df = pd.DataFrame(results)
    df = df.sort_values('total_score', ascending=False)
    df.to_excel('ranking.xlsx', index=False)
    
    return df

三、踩过的三个大坑

坑1：Token成本失控

最开始我把整份简历（5000字）全扔给AI，一份简历花3毛钱。后来优化成只提取工作经历和技能部分，成本降到5分钱。

坑2：JSON解析老出错

AI有时候返回的不是标准JSON（比如多了注释），加了try-except + 正则清洗才稳定：

import re

def clean_json(text):
    # 去掉markdown代码块标记
    text = re.sub(r'```json\s*|\s*```', '', text)
    return json.loads(text.strip())

坑3：中文简历识别差

发现AI对中文简历的理解不如英文，解决方案是Prompt里加一句："如遇中文，请先理解语义再评分"。

四、效果怎么样？

拿朋友公司真实的30份简历测试：

• 准确率：与HR人工筛选对比，前10名重合度83%

• 速度：30份简历3分钟搞定（人工要2小时）

• 成本：总共花了1.5元（Claude API费用）

有个有意思的发现：AI会发现人类忽略的亮点。比如有个候选人虽然经验只有2年，但GitHub有个8k stars的开源项目，AI给了高分，HR差点漏掉。

五、还能怎么优化？

周末的时间只够做个Demo，后续我打算加这些功能：

1. Web界面：用Streamlit搞个拖拽上传的页面，5分钟能做出来

2. 简历去重：检测重复投递的候选人

3. 岗位模板库：预设10个常见岗位的评分标准

4. 导出HR报告：生成PDF版筛选报告

你觉得还缺什么功能？评论区说说你的想法，点赞前三的我下周实现！

六、完整代码获取

代码已上传GitHub（搜"resume-ai-screener"），包含：

• 完整源码（200行）

• 测试简历样本

• Docker一键部署脚本

• 视频教程链接

小提示：如果你是AI开发新手，建议先跑通这个项目，再去改。遇到问题先看Issue区，80%的坑别人踩过了。

---

写在最后

这个项目让我感受到：AI应用的门槛真的降低了。三年前做这个需要训练模型、标注数据，现在只要会写Prompt和调API就行。

你有什么想用AI解决的重复性工作？评论区告诉我，说不定下一篇就是你的点子！

记得关注我，每周更新AI实战项目，咱们一起在2026年把AI玩明白