HR面试评价助手

🎯 智能面试评估助手 通过口令触发，自动结合JD文字+简历文档+面试记录文档，生成专业面试评估报告 【触发口令】 面试评估、生成评估报告、候选人评估、面试评价、评估候选人 【使用方式】 1. 发送触发口令（如'面试评估'） 2. 粘贴JD文字 3. 上传简历PDF/Word 4. 上传面试记录PDF/Word（可选） 5. 系统自动生成完整评估报告 【输出内容】 💡 智能录用建议 —— ✅建议 / ⚠️条件录用 / ❌不建议 ⭐ 五维星级评分 —— 技术/专业/学习力/匹配度/稳定性 📊 人岗匹配度分析 📄 一键导出 —— PDF/PNG 专业报告 【评估维度】 - 技术能力（25%）：核心技能掌握程度 - 专业经验（20%）：行业经验和项目匹配度 - 学习能力（20%）：成长潜力和适应力 - 岗位匹配（20%）：与JD要求契合度 - 稳定性（15%）：职业规划连续性

HR智能面试评估助手

🎬 使用流程（三步完成）

第一步：发送触发口令

发送以下任意口令启动评估：

• 面试评估
• 生成评估报告
• 候选人评估
• 面试评价

第二步：提供JD信息

直接粘贴JD文字内容，例如：

text

岗位：前端开发工程师（P5）
要求：
1. 3-5年前端开发经验
2. 精通React或Vue框架
3. 熟悉TypeScript
4. 有大型项目经验
5. 薪资范围：20k-35k

第三步：上传文档

上传以下文档（支持PDF、Word格式）：

• 📄 简历文档（必需）- 候选人简历
• 📝 面试记录（可选）- 面试官评价、反馈记录

---

📋 完整示例

用户操作流程

你： 面试评估

系统： 请输入岗位JD信息（直接粘贴文字即可）：

你：

text

前端开发工程师招聘JD

岗位职责：
1. 负责公司核心产品前端开发
2. 参与前端架构设计
3. 优化前端性能

任职要求：
1. 3-5年前端经验
2. 精通React，熟悉Vue
3. 熟练使用TypeScript
4. 有大型项目经验优先

薪资：20k-35k

系统： 请上传候选人简历（PDF/Word）：

你： 📎 张三简历.pdf

系统： 是否上传面试记录？（如无需上传请回复"跳过"）

你： 📎 张三面试记录.docx

系统：

text

📊 正在分析...
✅ JD解析完成
✅ 简历解析完成  
✅ 面试记录解析完成
🎯 计算人岗匹配度...
📄 生成评估报告...

══════════════════════════════════════════════════
🎯 面试评估报告 - 张三
══════════════════════════════════════════════════

📋 岗位信息
岗位：前端开发工程师（P5）
薪资范围：20k-35k
要求年限：3-5年

👤 候选人信息
姓名：张三
学历：本科 / 浙江大学 / 计算机科学
工作年限：3年
当前职位：高级前端开发

══════════════════════════════════════════════════
📊 五维评估评分
══════════════════════════════════════════════════

┌──────────────┬────────┬────────────────────────┐
│ 评估维度     │ 评分   │ 说明                   │
├──────────────┼────────┼────────────────────────┤
│ 技术能力     │ ⭐⭐⭐⭐☆ │ React/TS精通，基础扎实  │
│ （25%）      │ 8.5/10 │                        │
├──────────────┼────────┼────────────────────────┤
│ 专业经验     │ ⭐⭐⭐⭐☆ │ 大型项目经验丰富        │
│ （20%）      │ 8.0/10 │ 电商行业匹配           │
├──────────────┼────────┼────────────────────────┤
│ 学习能力     │ ⭐⭐⭐⭐⭐ │ 主动学习新技术          │
│ （20%）      │ 9.0/10 │ 有技术分享经验         │
├──────────────┼────────┼────────────────────────┤
│ 岗位匹配     │ ⭐⭐⭐⭐☆ │ 技能与JD高度匹配        │
│ （20%）      │ 8.5/10 │ 经验年限符合           │
├──────────────┼────────┼────────────────────────┤
│ 稳定性       │ ⭐⭐⭐☆☆ │ 2年跳槽一次，可接受     │
│ （15%）      │ 6.0/10 │ 职业规划清晰           │
└──────────────┴────────┴────────────────────────┘

综合评分：8.1/10 ⭐⭐⭐⭐☆

══════════════════════════════════════════════════
🔴🟡🟢 风险评估
══════════════════════════════════════════════════

🟢 低风险：
   • 技能完全匹配JD要求，入职即可上手
   • 技术基础扎实，通过面试验证

🟡 中风险：
   • 期望薪资28k，处于JD范围上限
   • 管理经验较少，如需要带团队需培养

🔴 高风险：无

══════════════════════════════════════════════════
💡 智能录用建议
══════════════════════════════════════════════════

【建议类型】✅ 建议录用

【综合判断】
候选人综合评分8.1/10，属于优质候选人。
技术能力与JD要求高度匹配，项目经验符合期望，
面试表现优秀，建议尽快发放offer。

【匹配度分析】
✅ 必需技能100%匹配：React、TypeScript、Vue均满足
✅ 工作年限3年，符合JD要求
✅ 有大型电商项目经验，与业务匹配
✅ 期望薪资28k在预算范围内
⚠️ 管理经验欠缺（非JD必需项）

【录用条件】
• 薪资：28k（需确认预算审批）
• 级别：P5
• 试用期：3个月
• 入职时间：协商确定

【试用期考察重点】
1. 项目交付能力和代码质量
2. 团队协作和沟通表现
3. 业务理解和需求把控能力

══════════════════════════════════════════════════
📎 附件导出
══════════════════════════════════════════════════

已生成以下文件：
📄 张三_面试评估报告.pdf
🖼️ 张三_面试评估报告.png
📊 五维评分雷达图.png

══════════════════════════════════════════════════

---

🎯 技能激活逻辑

触发条件

当检测到以下任一情况时，自动激活本技能：

yaml

activation:
  # 口令触发
  keywords:
    - "面试评估"
    - "生成评估报告"
    - "候选人评估"
    - "面试评价"
    - "评估候选人"
    - "hiring recommendation"
    - "interview evaluation"
  
  # 文件上传触发（文件名含关键词）
  file_keywords:
    - "简历"
    - "面试"
    - "candidate"
    - "evaluation"
  
  # 文件类型
  file_types:
    - ".pdf"
    - ".doc"
    - ".docx"

对话流程

text

用户发送口令
    ↓
系统：请提供JD信息
    ↓
用户粘贴JD文字
    ↓
系统解析JD → 提取岗位要求
    ↓
系统：请上传简历
    ↓
用户上传简历.pdf
    ↓
系统解析简历 → 提取候选人信息
    ↓
系统：是否上传面试记录？
    ↓
用户：上传/跳过
    ↓
系统联合分析所有信息
    ↓
生成完整评估报告
    ↓
输出报告 + 导出PDF/PNG

---

📊 五维评分算法

评分维度与权重

维度	权重	评分依据	满分
技术能力	25%	JD技能要求 vs 候选人掌握技能	10分
专业经验	20%	年限、行业、项目规模匹配度	10分
学习能力	20%	成长速度、技术广度、主动性	10分
岗位匹配	20%	职责理解、文化契合、薪资匹配	10分
稳定性	15%	跳槽频率、职业规划清晰度	10分

评分标准

text

⭐⭐⭐⭐⭐ (9-10分) = 优秀 - 超出期望
⭐⭐⭐⭐☆ (7-8.9分) = 良好 - 符合期望
⭐⭐⭐☆☆ (5-6.9分) = 一般 - 基本满足
⭐⭐☆☆☆ (3-4.9分) = 较差 - 存在明显不足
⭐☆☆☆☆ (1-2.9分) = 差 - 不满足要求

综合得分计算

python

def calculate_overall_score(dimensions):
    """
    计算综合得分
    """
    weights = {
        'technical': 0.25,
        'professional': 0.20,
        'learning': 0.20,
        'role_fit': 0.20,
        'stability': 0.15
    }
    
    overall = sum(
        dimensions[dim] * weights[dim] 
        for dim in weights
    )
    
    return round(overall, 1)

---

💡 录用建议决策逻辑

决策矩阵

综合评分	风险等级	建议类型	说明
≥ 8.0	🟢 低	✅ 建议录用	优质候选人，尽快offer
7.0-7.9	🟡 中	⚠️ 条件录用	基本合格，有条件通过
6.0-6.9	🟡 中	⚠️ 条件录用	有短板，需谨慎评估
< 6.0	🔴 高	❌ 不建议录用	不符合要求

条件录用的典型情况

当出现以下情况时，建议"⚠️ 条件录用"：

• 评分7.0-7.9，但存在可改进的短板
• 个别技能不满足，但可以通过培训补足
• 期望薪资略高，需要协商
• 管理经验不足，但技术能力优秀
• 试用期需要重点考察某些方面

---

📄 报告导出

支持格式

1. PDF报告 - 适合：

   • 发送给用人部门审批
   • 归档保存
   • 打印纸质版

2. PNG图片 - 适合：

   • 插入PPT汇报
   • 微信/钉钉分享
   • 邮件正文展示

3. 雷达图 - 适合：

   • 直观展示五维能力
   • 对比多个候选人

导出命令

bash

# 生成PDF
python3 scripts/export_report.py report.md 张三_评估报告 --format pdf

# 生成PNG
python3 scripts/export_report.py report.md 张三_评估报告 --format png

# 生成雷达图
python3 scripts/generate_radar.py scores.json 张三_雷达图.png

---

🔧 技术实现

核心流程代码

python

async def interview_evaluation_workflow(user_input):
    """
    面试评估主流程
    """
    
    # 阶段1：检测触发
    if not is_trigger_keyword(user_input):
        return None
    
    # 阶段2：收集JD信息
    jd_text = await request_jd_text()
    jd_info = parse_jd_with_llm(jd_text)
    
    # 阶段3：收集简历
    resume_file = await request_resume_file()
    resume_info = await parse_resume_document(resume_file)
    
    # 阶段4：收集面试记录（可选）
    interview_file = await request_interview_record()
    interview_info = None
    if interview_file:
        interview_info = await parse_interview_document(interview_file)
    
    # 阶段5：联合分析
    analysis = analyze_candidate(jd_info, resume_info, interview_info)
    
    # 阶段6：生成报告
    report = generate_evaluation_report(analysis)
    
    # 阶段7：导出文件
    pdf_path = export_to_pdf(report)
    png_path = export_to_png(report)
    
    return {
        'report': report,
        'files': [pdf_path, png_path]
    }

关键Prompt

JD解析Prompt

text

请从以下JD文字中提取结构化信息：

JD内容：
{jd_text}

提取要求：
1. 岗位名称和级别
2. 薪资范围
3. 必需技能清单
4. 加分项技能
5. 工作年限要求
6. 其他硬性要求

以JSON格式返回。

简历解析Prompt

text

请从以下简历内容提取候选人信息：

简历内容：
{resume_text}

提取要求：
1. 基本信息（姓名、学历、联系方式）
2. 工作年限
3. 工作经历（公司、职位、时间）
4. 技能清单
5. 项目经验
6. 教育背景

以JSON格式返回。

评估生成Prompt

text

基于以下信息，生成面试评估报告：

【JD要求】
{jd_info}

【候选人信息】
{resume_info}

【面试评价】
{interview_info}

要求输出：
1. 五维评分（每项1-10分）
2. 风险评估（高/中/低）
3. 录用建议（建议/条件/不建议）
4. 详细理由

---

⚠️ 注意事项

1. 隐私保护：候选人信息仅用于评估，注意数据安全
2. 人工复核：AI评估仅供参考，最终决策需人工判断
3. JD准确性：提供的JD信息越详细，评估结果越准确
4. 面试记录：如有面试记录，评估会更精准

---

🚀 快速开始

只需发送：面试评估

然后按照提示提供JD和简历，系统自动完成全部流程！