AI 简历筛选成本测算：100 份简历用 ClawBrain 花多少钱

AI 简历筛选成本测算：100 份简历用 ClawBrain 花多少钱

招聘旺季一到，HR 的邮箱里堆满几百份简历。人工初筛 100 份平均要 3 小时，其中 60% 是注定被淘汰的硬性不匹配——学历门槛、年限不够、技能对不上。与其让工程师写死规则，或者花大价钱上企业级 ATS，不如先算一笔账：用 AI Agent 筛 100 份简历，到底花多少钱？

这篇文章用 ClawBrain 跑一个真实可复现的简历筛选流程，把成本拆到 token 级别。结论先放这里：100 份简历的硬指标评分 0 token，软指标 LLM 评分平均 1200 token/份，总成本不到 5 元人民币。

成本拆解：硬指标 0 token，软指标 1200 token

简历筛选可以拆成两层：硬指标（学历、年限、技能关键词）和软指标（项目匹配度、表达逻辑、成长曲线）。硬指标完全不需要大模型——用正则和规则引擎就能搞定，这部分 token 消耗是 0。

软指标才需要 LLM 介入。以 ClawBrain 的简历评分流程为例，每份简历的调用链是：读取简历文本 → 构造评分提示词 → 调用 LLM → 解析 JSON 输出。实测下来，一份 800 字左右的简历，输入 token 约 900，输出 token 约 300，合计约 1200 token/份。

这里用的是国产开源模型的 API 价格（约 0.002 元/千 token），如果换用更高端的商业模型，成本会到 1-2 元/百份，依然远低于人工。

实际配置：一个可运行的简历评分流程

下面是一个用 ClawBrain 跑简历筛选的最小配置。核心思路是：先用规则引擎做硬指标初筛，只把通过的简历交给 LLM 做软指标评分，这样能省掉大量无效 token。

# resume_screener.py
import re
import json

def hard_score(resume_text: str, jd: dict) -> dict:
    """硬指标评分：0 token，纯规则引擎"""
    score = 0
    reasons = []
    # 学历匹配
    if jd["min_degree"] in resume_text:
        score += 30
        reasons.append("学历达标")
    # 年限判断
    years_match = re.search(r"(\d+)\s*年.*经验", resume_text)
    if years_match and int(years_match.group(1)) >= jd["min_years"]:
        score += 30
        reasons.append("年限达标")
    # 技能关键词
    hit = [s for s in jd["skills"] if s in resume_text]
    score += min(len(hit) * 10, 40)
    reasons.append(f"技能命中 {len(hit)} 项")
    return {"score": score, "reasons": reasons, "passed": score >= 60}

def soft_score(resume_text: str, jd: dict) -> dict:
    """软指标评分：走 LLM，约 1200 token/份"""
    prompt = f"""你是资深技术招聘官。请根据 JD 评估以下简历的项目匹配度、表达逻辑和成长性。
    只输出 JSON：{{"project_match": 0-100, "logic": 0-100, "growth": 0-100, "summary": "一句话结论"}}
    JD: {json.dumps(jd, ensure_ascii=False)}
    简历: {resume_text[:1500]}"""
    # 调用 ClawBrain 的 LLM 接口
    result = clawbrain.llm_call(prompt, max_tokens=300)
    return json.loads(result)

# 主流程
def screen_resumes(resumes: list, jd: dict) -> list:
    results = []
    for r in resumes:
        hard = hard_score(r["text"], jd)
        if not hard["passed"]:
            results.append({**r, "hard": hard, "soft": None})
            continue
        soft = soft_score(r["text"], jd)
        total = hard["score"] * 0.6 + soft["project_match"] * 0.4
        results.append({**r, "hard": hard, "soft": soft, "total": total})
    return sorted(results, key=lambda x: x.get("total", 0), reverse=True)

对比账本：AI 5 元 vs 外包 1500 元

传统外包筛简历的市场价大约是每份 8-15 元，100 份就是 800-1500 元，还要等 1-2 个工作日。用 ClawBrain 自建流程，成本主要在两块：一是 API 调用费（约 0.24 元），二是开发调试时间（首次搭建约半天，之后复用）。

如果算上开发成本摊销，假设这套流程用一年、每月筛 500 份简历，那么单份简历的固定成本会被摊到几乎为零。

总结

AI 筛简历的成本远低于大多数人的直觉。硬指标用规则引擎 0 token，软指标用 LLM 平均 1200 token/份，100 份简历总成本不到 5 元。对比外包筛简历每份 8-15 元的价格，性价比差距接近 20 倍。

真正的成本不在 API 调用，而在提示词设计和流程编排——如何用最少的 token 拿到最稳定的结构化输出，如何让规则引擎和 LLM 各司其职。这正是 ClawBrain 的价值所在：作为专为龙虾（OpenClaw）打造的智能决策引擎，它具备任务闭环、自主规划、错误自愈能力，能把"筛简历"这种多步骤任务拆解、执行、校验一气呵成，让龙虾真正能独立做事。下次招聘旺季，与其让 HR 加班到半夜，不如先花 5 块钱试试。