job-match-priority

Match and prioritize job listings against a candidate profile using KSAO-based dual-layer funnel scoring with Agent reasoning.

JD 匹配优先级判定

基于 KSAO 框架（Knowledge / Skills / Abilities / Other）的双层漏斗匹配。全链路 Agent 推理，零脚本。

---

快速开始

当用户要求简历匹配、JD 匹配、岗位筛选时，触发此 skill。

---

Workflow

Step 0: 判断使用阶段

首次使用 → 进入引导流程（Step 0.1 - 0.6） 非首次使用 → 检查已存配置，直接进入 Step 1

判断依据：

• 用户是否已有候选人画像（KSAO）→ references/candidate-profile.md
• 用户是否已校准过匹配标准
• 用户是否明确说"用之前的配置"

---

Step 0.1: 收集求职偏好（5 问，逐问逐答）

交互原则：每问一答，不一次甩 5 个问题。

#	问题	目的	输出
1	你期望的岗位方向是什么？（如：总助、HR、产品经理、运营...）	确定目标岗位类型	岗位类型标签
2	期望薪资范围？（月薪，如 15-20K）	硬过滤阈值	薪资区间
3	期望工作城市？（可多选）	硬过滤阈值	城市列表
4	有哪些绝对不考虑的行业/岗位类型？	硬过滤排除项	排除列表
5	对工作强度/福利的底线要求？（如：双休、不加班、不接受单休...）	硬过滤福利项	福利底线

---

Step 0.2: 提供简历

两种方式（二选一）：

• 方式 A： 提供简历文件路径（本地文件）
• 方式 B： 直接粘贴简历文本内容

---

Step 0.3: 生成双画像

画像 A：候选人画像（KSAO）

从简历中提取，按 KSAO 四维度结构化。详见 references/candidate-profile.md#一、候选人画像结构（KSAO 四维度）。

输出格式：

text

【候选人画像】
K（知识）：学历 X，院校 XX，行业知识 XX
S（技能）：硬技能 XX，管理技能 XX，工具技能 XX
A（能力）：战略能力 L_X，组织能力 L_X，沟通能力 L_X，执行能力 L_X
O（其他）：动机 XX，价值观 XX

画像 B：求职 JD 画像（理想岗位特征）

综合求职偏好 + 候选人能力画像，生成"理想 JD"：

text

【求职 JD 画像】
目标岗位：XX（XX方向）
岗位层级推断：L_X-L_X（基于 X 年经验 + 薪资期望）
核心能力维度：XX、XX、XX
加分维度：XX、XX
排除项：XX、XX
福利底线：XX

---

Step 0.4: 确认漏斗标准 + 自定义能力维度

重要：能力维度需根据用户画像动态生成，而非使用预设维度。

将画像转化为可执行的匹配规则，向用户确认：

text

基于你的画像，我拟定了以下匹配标准：

【硬过滤】
- 薪资：XX-K 之外直接标记 low
- 地点：非 XX 且不接受远程 → low
- 行业：XX、XX → low
- 排除：XX、XX

【能力维度权重】（根据你的画像定制，5-8 个维度）
- 核心维度：XX、XX（权重最高）
- 重要维度：XX、XX
- 加分维度：XX、XX

【能力深度要求】
- 目标岗位层级：L_X-L_X
- 深度匹配范围：L_X-L_X 可接受

以上标准是否需要调整？可以增删维度或调整权重。

维度生成原则：

1. 从候选人简历中提取高频能力关键词，聚类为维度
2. 结合目标岗位的典型能力要求
3. 用户可自定义维度名称和同义词簇
4. 总维度数建议 5-8 个

用户确认 → 进入校准测试

---

Step 0.5: 校准测试（用户提供 ≥10 份 JD）

目的： 用真实数据验证匹配标准，让用户校准判定结果。

要求用户提供：

• ≥10 份 JD（飞书表格链接 / 本地 CSV / 直接粘贴）
• 优先选择用户已知"应该匹配"和"不应该匹配"的 JD（用于验证）

执行：

1. 对每份 JD 执行完整的 Layer 1-3 匹配（详见 Step 3）
2. 生成匹配结果表格：

#	岗位名称	公司	判定	理由	命中维度	深度匹配
1	XX	XX	high	XX	维度A+维度B	匹配
2	XX	XX	low	XX	仅维度C	不匹配
...	...	...	...	...	...	...

---

Step 0.6: 用户审阅 + 校准

展示结果后，问用户：

text

以上 10 份 JD 的匹配结果，是否有需要调整的？
- 哪些判定偏高了？（实际不匹配但判为 high/medium）
- 哪些判定偏低了？（实际匹配但判为 low）
- 漏斗标准需要修改吗？

用户反馈处理：

反馈类型	处理方式
"这条应该是 high 不是 medium"	检查维度命中和深度，调整对应维度权重或阈值
"这条不应该被过滤"	调整硬过滤规则（放宽薪资/地点/行业限制）
"这条应该被过滤掉"	增加硬过滤规则（添加排除项）
"整体没问题"	确认配置，进入正式匹配

校准循环：

• 用户有调整 → 修改标准 → 重新跑校准测试 → 再次审阅
• 用户确认无误 → 存储最终配置 → 进入 Step 1

---

Step 1: 检查数据源与 JD 完整性

1.1 数据源识别

输入类型	处理方式
飞书多维表格链接	通过 bitable API 读写
本地 CSV 文件	新建 <原名>_判定结果.csv
本地 Excel 文件	新建 <原名>_判定结果.xlsx
直接粘贴 JD	逐条分析

1.2 JD 信息完整性检查

对每条 JD 检查以下字段是否齐全：

字段	必要性	缺失影响
岗位名称	必需	无法判断岗位类型和 AI 提升
公司名称	重要	无法判断行业
JD 描述	必需	无法进行能力维度匹配
薪资范围	重要	硬过滤可能误判
工作地点	重要	硬过滤可能误判
经验要求	参考	深度匹配精度下降
行业信息	参考	行业过滤可能误判

完整性判定：

• 完整： 岗位名称 + JD 描述 + 薪资 + 地点 齐全
• 基本完整： 岗位名称 + JD 描述 齐全，缺薪资或地点
• 不完整： 缺岗位名称或 JD 描述

处理方式：

• 完整 / 基本完整： 正常执行匹配，结果可信
• 不完整： 提醒用户，说明"基于不完整信息分析，结果可能不准确"，仍执行匹配

1.3 数据去重（必须）

• 按 job_id 或 岗位名称+公司名称 去重，保留首条
• 去重后统计实际总数，汇报去重数量

---

Step 2: 读取待处理记录

1. 获取表格记录（飞书 bitable / 本地文件）
2. 过滤：排除已有"优先级判断"的记录
3. 获取准确的 record_id

---

Step 3: 批量判定（每批 5 条）

对每条记录执行完整匹配流程：

Layer 1：硬过滤

按 references/priority-rules.md#Layer 1：硬过滤 执行：

• 薪资过滤
• 地点过滤
• 行业过滤
• 排除项检查

不通过 → 直接标记 low，理由说明硬过滤原因

Layer 2：能力维度匹配（语义聚类）

按 references/priority-rules.md#Layer 2：能力维度匹配（语义聚类） 执行：

• 使用 Step 0.4 用户确认的自定义能力维度（5-8 个）
• 每个维度有同义词簇
• 命中任一同义词 → 该维度得分 +1（不重复计分）
• 统计命中维度数

Layer 3：能力深度匹配

按 references/priority-rules.md#Layer 3：能力深度匹配 执行：

• 从 JD 推断岗位层级（多维信号）
• 评估候选人能力深度
• 判断深度匹配类型（精准/超配/不足）

综合判定

text

Layer 1 不通过 → low
Layer 1 通过 → 结合 Layer 2 + Layer 3 综合判定
  → high / medium / low

判定标准参考 references/priority-rules.md#综合判定（Layer 1-3 汇总）， 但以 Step 0.4 用户确认的标准为准。

AI 关键词提升

仅检测职位名称（title），不检测职位描述（description）。 title 含 AI 关键词 → 提升 1 级（low→medium, medium→high）。 详见 references/priority-rules.md#AI 关键词提升规则。

理由生成

30 字以内，格式：[核心原因]，[辅助说明]

---

Step 4: 写入结果

飞书多维表格： 每批 5 条判定完成后立即 batch_update

本地 CSV / Excel： 创建新文件 <原名>_判定结果.<扩展名>

• 检查是否已有 优先级判断 和 优先级判断理由 字段，若无则追加
• 原始文件不做任何修改

字段配置： 见 references/field-config.md

失败 → 记录失败 record_id，继续下一批，最后重试

---

Step 5: 汇报结果

简洁汇报：

text

匹配完成
总计：X 条（去重后）
high：Y 条（Z%）
medium：M 条（N%）
low：L 条（P%）
不完整 JD：N 条（结果可能不准确）

---

核心提醒

• 数据必须先去重（按 job_id 或 岗位+公司），否则重复记录导致判定结果膨胀
• AI 提升仅检测 title，description 中的 AI 关键词不触发提升
• 能力维度按维度计分，不按关键词计分，避免同义词重复膨胀
• 全链路 Agent 推理，不使用脚本，确保语义理解准确性
• JD 不完整时必须提醒用户，说明结果可信度下降
• 能力维度需动态生成，根据用户画像定制，而非使用预设维度

---

相关文件

文件	用途	何时加载
references/candidate-profile.md	候选人画像标准（KSAO 框架 + 能力深度模型）	Step 0.3 生成画像时
references/priority-rules.md	优先级判定规则（硬过滤 + 能力维度 + 深度匹配 + AI 规则）	Step 3 批量判定时
references/field-config.md	飞书多维表格字段配置 + 易错点 + 错误回滚	Step 1 检查字段 + Step 4 写入时

Assets（模板与文档）

文件	用途
assets/usage-guide.md	用户使用指南（首次使用流程说明）
assets/edge-cases.md	Edge Cases 与特殊情况处理