AI 招聘 Agent — ClawBrain 案例

你每天都在经历的痛点

简历筛选拖慢整个招聘节奏
一个 JD 一天涌进 1000+ 简历，人工逐条看 3 天，70% 候选人完全不匹配，HR 的时间全部消耗在硬指标筛选上，根本没空看真正高潜的人。
不同阶段话术写到手酸
外联、筛选、邀约、婉拒每个阶段调性不同，每个 HR 自己在 Word 维护一套模板，新人入职要重新整理，质量参差不齐，公司形象不统一。
候选人已读不回不知道下一句说啥
高潜候选人沉默 3 天，HR 想跟进又怕措辞重复或催太紧，于是不发了——错失的人才比拒掉的还多。
跨境招聘缺多语言话术
出海团队或远程招聘要中英日韩多语言，Google 翻译质量不可控，"我是 X 公司 HR"这种生硬翻译让候选人体验很差。
简历 PDF/Word 各种格式难解析
结构化字段（学历/经验/技能）靠人眼提取准确率 60%，AI 工具又经常把日期颠倒、公司名搞错，数据进 ATS 后还得人工二次校对。
候选人隐私字段裸露合规风险高
HR 沟通系统里候选人姓名、上家公司、当前薪资明文存储，GDPR 和国内个人信息保护法都踩线，一旦泄露就是大事故。

效果数据

以下数据来自实际部署客户的对比测试。

简历筛选效率

3 天 / 100 份

5 分钟

话术撰写

2 分钟 / 条

1.5 秒

候选人响应率

12%

35%

已读未回挽回率

0%

25%

简历解析准确率

60%

95%

HR 人均处理量

50 / 天

500 / 天

8 大核心能力

resume_match + hr/reply 两个 API 端到端跑通整条招聘流程。

resume_match 双层评分

硬指标（学历/经验/技能/地点/薪资/年龄）规则计算 + LLM 软指标（项目契合度/稳定性/潜力/沟通）评分。输出 overall_score (0-100) + decision (pass/review/reject) + highlights + concerns 面试问题清单。

硬规则 LLM 软指标决策建议

简历结构化抽取

PDF / DOCX / TXT 简历自动转结构化 JSON：姓名、年龄、性别、学历、经验年限、技能、工作经历、教育经历、健康声明、无犯罪记录共 14 字段。LLM 解析准确率 95%+，工作经历错位、日期颠倒等 12 个 corner case 都修过。

PDF Word 14 字段

97 条中文 phrase 模板

outreach（外联）/ screening（筛选）/ invite（邀约）/ reject（婉拒）四大场景覆盖。30+ 候选人提问意图（薪资/远程/加班/晋升/福利/技术栈等），每条 phrase 有 confidence_base 和 tags，RAG 智能命中。

outreach screening invite reject

LLM 兜底话术生成

RAG miss 时切到 qwen3-coder-plus（实测 1.5s 稳定），temperature 0.15 风格统一。LLM system prompt 不暴露 company 字段，强制中文输出，遵循"不出现公司名/人名"PII 规则。

qwen3-coder-plus 1.5s 响应强制中文

自动避免重复

同对话中已用过的 phrase 自动跳过；LLM prompt 层注入"已发送过这些"提示让 LLM 换角度切入。第 3 轮不会再"看到您技术不错"——而是问求职意向、期望薪资、离职原因。

RAG 排除 LLM 反重复换角度

HR 单边连发 → follow-up

候选人已读不回时，Agent 检测到末尾 2+ 条都是 HR，自动切 outreach_followup 风格，从"问到岗时间"变成"软提醒 + 不打扰"，已读未回挽回率 25%。

已读未回软提醒挽回率 25%

PII 自动脱敏

内置 _scrubReply：候选人姓名 → "您"；HR 公司名 → "我方"；上家公司 → "我们这边的同行"；面试官名 → "面试官"。LLM system prompt 不收 candidate.name。GDPR + 国内个人信息保护法合规。

姓名脱敏公司隐藏 GDPR

中英日多语言扩展

默认中文（简体），可按候选人简历语言或显式 lang 参数切英 / 日 / 韩 / 西 5 种。东南亚出海团队、北美远程团队、跨境 HR 用一套 API。

中 En 日韩西

使用前 vs 使用后

维度	传统方式	ClawBrain HR Agent
简历筛选	人工 3 天 / 100 份	5 分钟含双层评分
话术生成	2 分钟/条手写	1.5 秒/条 RAG，3s LLM 兜底
候选人响应率	12%（群发模板感强）	35%（个性化生成）
已读未回处理	HR 凭感觉跟进	自动切 follow-up 风格
简历解析准确率	人眼 60%	LLM 95%
多语言支持	Google 翻译临时凑	中英日韩西原生
PII 合规	裸露在沟通系统	自动脱敏
维护成本	HR 自己整理 Word 模板	97 条 phrase 内置 + 增量扩

完整工作流程

JD 上传 → 简历池接入 → resume_match 评分 → pass/review/reject 分级 → hr/reply 生成话术 → 多渠道群发 → 候选人回复 → 自动 follow-up

API 调用示例

一行 curl 上手，所有参数都是 OpenAI 兼容格式。

"c-comment"># 1. 简历匹配（硬指标 + LLM 软指标双层评分）
"c-cmd">curl "c-flag">-X "c-cmd">POST https://api.clawbrain.dev/api/hr/resume_match \
  "c-flag">-H "Authorization: Bearer YOUR_KEY" \
  "c-flag">-H "Content-Type: application/json" \
  "c-flag">-d '{
    "resume": {"text": "张三 本科 5 年 Node.js 后端经验..."},
    "job": {
      "title": "高级后端工程师",
      "requirements": {
        "education_min": "本科",
        "experience_years_min": 3,
        "skills_required": ["Node.js", "MySQL"],
        "location": "杭州"
      }
    }
  }'

"c-comment"># 返回：
"c-comment"># {
"c-comment">#   "overall_score": 87,
"c-comment">#   "decision": "pass",
"c-comment">#   "next_action": "invite_for_interview",
"c-comment">#   "highlights": ["阿里高级后端，分布式事务经验", ...],
"c-comment">#   "concerns": ["工作经历过于简略", ...],
"c-comment">#   "dimensions": {...}
"c-comment"># }

"c-comment"># 2. 生成 HR 邀约话术
"c-cmd">curl "c-flag">-X "c-cmd">POST https://api.clawbrain.dev/api/hr/reply \
  "c-flag">-H "Content-Type: application/json" \
  "c-flag">-d '{
    "scenario": "invite",
    "job_context": {"title": "高级后端"},
    "conversation_history": [
      {"role": "candidate", "content": "好的，可以安排个面试"}
    ]
  }'

"c-comment"># 返回（1.5 秒）：
"c-comment"># {
"c-comment">#   "reply": "好的，那我们下一步约个详细聊。您方便明天上午还是下午？",
"c-comment">#   "source": "rag",
"c-comment">#   "phrase_id": "INV_05_two_slot_choice",
"c-comment">#   "confidence": 0.88
"c-comment"># }

常见问题

简历评分准确率多高？

硬指标（学历/经验/技能/薪资）匹配 100% 精准（规则计算）；软指标（项目契合度/稳定性/潜力）由 LLM 评分，与资深 HR 双盲对比一致率 78-85%。决策建议（pass/review/reject）准确率 90%+。

中文话术由 LLM 生成质量稳定吗？

RAG 路径（高 confidence 命中）直接返模板，<100ms 返回固定优质内容。LLM 兜底（qwen3-coder-plus）temperature 0.15，多次实测同输入风格统一。强制中文 + 不出现公司名/人名都写在 system prompt 里。

候选人沉默时 Agent 怎么知道发什么？

Agent 检测到 conversation_history 末尾连续 2+ 条都是 HR 时（候选人已读未回），自动切 outreach_followup stage + candidate_state=unread。retriever 优先选 OUT_06/OUT_24/OUT_25/OUT_30 follow-up 系列 phrase，措辞从"问"变"提醒 + 不打扰"。

候选人姓名、上家公司这些 PII 怎么保护？

回复输出前过 _scrubReply：候选人姓名 → "您"；HR 公司名 → "我方"；上家公司 → "我们这边的同行"；面试官名 → "面试官"。同时 LLM system prompt 不收 candidate.name，确保 LLM 也看不到姓名。

能接入脉脉 / Boss / 智联等招聘平台吗？

不直接对接（每家协议不同），但提供标准 RESTful API：你的 ATS / 招聘系统调 /api/hr/resume_match 拿评分，调 /api/hr/reply 拿话术，再推回原渠道。已有客户接 SmartRecruiters、Boss 机器人、自研 ATS。

一次 resume_match 调用多少钱？

硬指标评分（rules）0 token。软指标 LLM 评分平均 1200 token / 份，按 ClawBrain Pro 定价 1 credit。100 份简历评分约 ¥100 元（按 ¥99/月 1000 credits 计）。话术生成 RAG hit 0 token，LLM 兜底 ~300 token，几乎可忽略。

从 100 份简历到
5 个面试名单

你每天都在经历的痛点

效果数据

8 大核心能力

resume_match 双层评分

简历结构化抽取

97 条中文 phrase 模板

LLM 兜底话术生成

自动避免重复

HR 单边连发 → follow-up

PII 自动脱敏

中英日多语言扩展

使用前 vs 使用后

完整工作流程

API 调用示例

常见问题

让 HR 从重复劳动中解放

从 100 份简历到5 个面试名单

你每天都在经历的痛点

效果数据

8 大核心能力

resume_match 双层评分

简历结构化抽取

97 条中文 phrase 模板

LLM 兜底话术生成

自动避免重复

HR 单边连发 → follow-up

PII 自动脱敏

中英日多语言扩展

使用前 vs 使用后

完整工作流程

API 调用示例

常见问题

让 HR 从重复劳动中解放

从 100 份简历到
5 个面试名单