AI 中文面试邀约话术：97 条 RAG 模板覆盖全部 HR 沟通场景
AI 中文面试邀约话术：97 条 RAG 模板覆盖全部 HR 沟通场景
招聘旺季里，HR 每天要在 Boss、脉脉、邮件、短信之间反复切换，发出的面试邀约往往逃不开三种尴尬：开场就是“我是 X 公司 HR”，候选人看完毫无回复；同一岗位不同渠道的话术版本参差不齐；婉拒、改期、追问反馈等场景全靠临场发挥，很容易踩雷。
今年以来，RAG（检索增强生成）已经被大量工程团队用于客服、知识库、运维告警等场景，而把“结构化话术模板 + 大模型生成”用到招聘外联，同样能显著提升专业度和回复率。本文分享一套可落地的中文 HR 话术 RAG 方案：outreach 外联、screening 筛选、invite 邀约、reject 婉拒 四大场景，共 97 条精挑细选模板，再加一条 LLM 兜底策略，让 AI 既能说人话，又不会胡说。
一、为什么面试邀约适合用 RAG？
面试沟通有一个鲜明特点：流程高度模式化，但细节极度上下文相关。模式化体现在开场、确认岗位、约时间、发地址、提醒到场、反馈结果等环节基本固定；上下文相关体现在候选人是主动投递还是被动猎取、岗位是技术还是销售、当前处于初筛还是终面，每一句话都应该不一样。
纯模板系统的问题是“僵硬”，每一句话都写死，候选人一眼就能看出是群发；纯大模型生成的风险是“越界”，可能透露未确定的薪资、给出错误面试官信息，甚至把拒绝说成“你很棒但我们不要你”。
RAG 的思路正好平衡这两点：先把经过法务和 HR 审核的 97 条优质 phrase 存入向量库，生成时根据“场景标签 + 候选人画像 + 当前阶段”召回最相关的话术片段，再交给大模型润色、拼接、补全变量。这样既保留了大模型的语言自然度，又把关键表述约束在合规语料里。
二、97 条话术怎么建库、怎么检索？
我们把话术库拆成四个一级场景，每个场景再按“语气、渠道、候选人来源”细分。下面是一张简化矩阵：
| 场景 | 子分类示例 | 模板数量 | 典型用途 |
|---|---|---|---|
| outreach 外联 | 主动猎取 / 内推激活 / 人才池唤醒 | 28 | 在招聘平台首次触达被动候选人 |
| screening 筛选 | 电话初筛 / 在线确认 / 资质核对 | 24 | 判断基本匹配度并推进下一步 |
| invite 邀约 | 初面邀请 / 复试邀请 / 线下面试 / 视频面试 | 30 | 发送时间、地点、面试官信息 |
| reject 婉拒 | 简历未通过 / 面试未通过 / 岗位暂停 / 保持联系 | 15 | 温和、体面地结束流程 |
建库时不建议直接存整段长文案，而是把每条话术切成“固定框架 + 可替换槽位”。下面是一段 JSON 配置示例：
{
"phrase_id": "invite_tech_onsite_v1",
"scene": "invite",
"channel": "sms",
"tone": "formal",
"template": "您好 {candidate_name}，我是 {company_name} 技术招聘负责人 {hr_name}。您在 {source} 投递的 {job_title} 岗位已通过简历筛选，想邀请您于 {date} {time} 到 {address} 参加现场面试。面试官是 {interviewer_name}（{interviewer_title}），预计时长 {duration}。如您方便，请回复确认；如有冲突，也请告知可调整时间。"
}检索侧使用简单的 Embedding + 向量相似度即可。这里给出一个最小可运行的生成流程示例：
from sentence_transformers import SentenceTransformer
import numpy as np
model = SentenceTransformer('BAAI/bge-large-zh-v1.5')
def retrieve_phrases(query, scene, top_k=3):
# 先按场景过滤，再按语义相似度召回
candidates = [p for p in phrase_db if p['scene'] == scene]
q_emb = model.encode(query)
scored = [
(p, cosine_similarity(q_emb, p['embedding']))
for p in candidates
]
scored.sort(key=lambda x: x[1], reverse=True)
return scored[:top_k]召回后，把模板、候选人画像、公司信息一起拼进 prompt，让模型完成变量填充和语气润色。提示词大致如下：
你是一位专业且亲和的 HR。请根据以下已审核话术模板，为候选人生成一条 {channel} 消息。
要求：1）保留所有关键信息；2）语气 {tone}；3）不编造模板以外的信息。
[模板]
{retrieved_template}
[候选人信息]
姓名：{candidate_name}
岗位：{job_title}
来源：{source}三、工程落地与兜底：让 AI 不“乱说话”
仅有模板还不够。面试沟通涉及时间、地点、面试官、薪资区间等敏感信息，任何幻觉都可能带来极差体验。因此必须设计三层兜底机制。
第一层，变量校验。在 prompt 中明确告诉模型“若某个变量为空，则删除对应句子，不要编造”。例如没有面试官姓名时，就不要出现“面试官是张经理”。
第二层，检索失败兜底。如果向量召回的相似度都低于阈值，说明当前请求超出了 97 条模板覆盖范围，此时应直接返回一条通用安全话术，而不是让模型自由发挥。配置示例：
retrieval:
model: "BAAI/bge-large-zh-v1.5"
top_k: 3
similarity_threshold: 0.72
fallback:
enabled: true
message: "您好，感谢您的关注。关于当前问题，我会尽快与用人部门确认后回复您，预计 1 个工作日内给您答复。"第三层，输出审核。生成结果要经过规则过滤：检查是否包含未授权薪资、是否出现竞品公司名称、是否语气不当。审核不通过自动进入人工复核队列，而不是直接发出。
总结
把 97 条中文 HR 话术做成 RAG 知识库，本质上是把“优秀 HR 的沟通经验”沉淀成可检索、可复用、可审计的结构化资产。它不仅解决了开场生硬、版本混乱、婉拒伤人等痛点，还能随业务发展不断扩充场景、优化模板，让招聘沟通从“人力密集型”走向“知识驱动型”。
回到工程落地，这套“任务召回—生成—校验—闭环”的思路，也正是我们在为龙虾（OpenClaw）打造的智能决策引擎 ClawBrain 中所践行的：任务闭环、自主规划、错误自愈，让龙虾真正能独立做事。如果你的团队也正在用 AI 改造招聘流程，不妨从一份高质量的中文话术 RAG 库开始。