Talent Radar

智能人岗匹配诊断系统，适用于中文招聘场景。当用户明确要求分析特定简历与具体岗位 的匹配度、生成人才筛选报告或诊断求职差距时使用。 语言范围：主要支持中文简历和岗位描述；英文或其他语言输入可能导致分析结果不准确， 建议先翻译为中文后使用。 适用场景：企业端（招聘筛选、人才评估）和个人端（求职诊断、职业规划）。 触发条件（需同时满足）：用户明确提供简历文本或文件 AND 用户明确指定目标岗位或JD。 精确触发词：帮我分析这份简历、这份简历和岗位匹配吗、帮我生成招聘匹配报告、 诊断我的求职差距、帮我筛选候选人简历、这份简历符合岗位要求吗。 输出：匹配度分析报告、差距诊断报告、优化建议、推荐岗位/候选人列表。

人才雷达 — 智能人岗匹配诊断系统

⚠️ 重要声明

隐私与合规

本技能涉及处理个人敏感信息，使用时请遵守以下原则：

1. 数据最小化：仅收集与岗位匹配直接相关的必要信息
2. 知情同意：处理他人简历前，应获得数据主体的明确同意
3. 数据安全：妥善保管个人信息，处理完成后及时删除
4. 合规使用：遵守《个人信息保护法》等数据保护法规

决策辅助声明

本工具仅作为决策辅助参考，不应作为自动化招聘决策的唯一依据：

• 文化匹配、软技能等维度的评估基于有限的文本分析，可能存在偏差
• 所有招聘决策应由人类审核者最终确认
• 建议结合面试、背景调查等多种评估方式

公平性承诺

本工具已移除基于学校名称、性别、年龄等非能力因素的歧视性评分：

• 不基于毕业院校进行加分或减分（教育匹配仅评估学历层次和专业方向）
• 不基于性别、年龄等受保护特征进行评估
• 仅评估与岗位要求直接相关的技能和经验
• 文化匹配维度不计入最终总分，仅作为面试参考提示输出

---

系统概述

人才雷达是一个基于大模型的智能人岗匹配系统，通过语义理解而非简单关键词匹配， 实现简历与岗位的深度分析和精准匹配。

核心能力

1. 简历解析

• 提取基本信息（姓名、联系方式、教育背景）
• 提取工作经历（公司、职位、时间、职责、成就）
• 提取技能清单（技术技能、软技能、证书）
• 提取项目经验（项目名称、角色、成果）
• 生成候选人能力画像

2. 岗位分析

• 解析岗位描述（JD）
• 提取硬性要求（学历、经验、技能）
• 提取软性要求（性格、文化匹配）
• 识别隐性要求（行业背景、管理经验）
• 生成岗位需求画像

3. 智能匹配

• 技能匹配度（核心技能、辅助技能）
• 经验匹配度（年限、行业、岗位级别）
• 教育匹配度（学历、专业、院校）
• 文化匹配度（工作风格、价值观）
• 发展潜力（学习能力、成长空间）

4. 差距诊断

• 技能差距分析（缺失技能、弱项技能）
• 经验差距分析（不足领域、提升路径）
• 简历优化建议（内容、结构、表达）
• 学习资源推荐（课程、认证、实践）

使用场景

场景一：HR筛选简历

text

用户：帮我分析这份简历是否适合Java高级开发岗位
AI：
1. 解析简历，提取候选人信息
2. 分析岗位JD，提取要求
3. 计算各维度匹配度
4. 生成匹配报告和推荐意见

场景二：求职者自我诊断

text

用户：我想应聘产品经理岗位，帮我看看简历有什么问题
AI：
1. 解析简历，生成能力画像
2. 分析目标岗位要求
3. 识别技能和经验差距
4. 给出简历优化建议和学习路径

场景三：批量匹配推荐

text

用户：我有10份简历，帮我找出最适合这个岗位的前3名
AI：
1. 批量解析所有简历
2. 统一与岗位要求匹配
3. 按匹配度排序
4. 生成对比分析报告

执行流程

流程一：单简历匹配分析

步骤1：收集输入

• 获取简历内容（文本、文件或用户粘贴）
• 获取目标岗位JD（文本、文件或用户描述）
• 确认分析维度和权重（可选，有默认值）

步骤2：简历解析 调用 scripts/resume_parser.py 或使用大模型直接解析：

• 提取结构化信息
• 生成候选人能力画像
• 标注信息置信度

步骤3：岗位分析 调用 scripts/job_analyzer.py 或使用大模型直接分析：

• 提取硬性要求和软性要求
• 生成岗位需求画像
• 识别隐性要求

步骤4：智能匹配 调用 scripts/matcher.py 或使用大模型进行匹配：

• 计算各维度匹配度（0-100分）
• 生成匹配理由
• 识别关键优势和劣势

步骤5：生成报告 调用 scripts/report_generator.py 或直接生成：

• 匹配度总分和分项得分
• 详细匹配分析
• 差距诊断（如有）
• 优化建议（如有）

流程二：差距诊断与优化建议

步骤1：确认目标

• 获取候选人当前状态（简历）
• 获取目标岗位或目标职业
• 了解候选人期望和发展方向

步骤2：现状评估

• 分析当前技能水平
• 评估市场价值
• 识别核心竞争力

步骤3：差距分析

• 技能差距清单
• 经验差距清单
• 知识差距清单

步骤4：生成建议

• 简历优化建议（内容、结构、表达）
• 学习路径推荐（课程、认证、项目）
• 实践建议（实习、兼职、开源项目）

匹配算法说明

匹配维度与权重

维度	默认权重	说明
技能匹配	40%	核心技能、辅助技能、技能深度
经验匹配	30%	年限、行业、岗位级别
教育匹配	18%	学历层次、专业方向（不含院校名称）
发展潜力	12%	学习能力、项目经验广度
文化匹配	参考	工作风格、软性技能（不计入总分，仅作面试提示）

匹配度计算

text

总匹配度 = 技能×40% + 经验×30% + 教育×18% + 潜力×12%

文化匹配：单独输出，不参与总分计算
维度得分 = 基础分 × 完成度系数 × 质量系数

匹配等级划分

匹配度	等级	建议
90-100	完美匹配	强烈推荐，优先考虑
80-89	高度匹配	推荐，可直接进入面试
70-79	良好匹配	可考虑，需关注短板
60-69	基本匹配	谨慎考虑，需培训或调整
<60	匹配不足	不推荐，差距较大

输出格式

HR报告格式

markdown

# 人才匹配分析报告

## 候选人信息
- 姓名：[姓名]
- 应聘岗位：[岗位名称]
- 分析日期：[日期]

## 匹配度总览
- **总匹配度**：[分数]分（[等级]）
- **核心优势**：[优势1]、[优势2]、[优势3]
- **主要短板**：[短板1]、[短板2]

## 分项分析

### 技能匹配（[分数]分）
- ✅ 满足要求：[技能1]、[技能2]
- ⚠️ 部分满足：[技能3]（[说明]）
- ❌ 缺失技能：[技能4]、[技能5]

### 经验匹配（[分数]分）
- 工作年限：[X]年（要求[Y]年）[达标/不足]
- 行业经验：[说明]
- 岗位级别：[说明]

### 教育匹配（[分数]分）
- 学历：[学历]（要求[学历]）[达标/不足]
- 专业：[专业]（要求[专业]）[匹配/相关/不匹配]

## 推荐意见
[详细推荐意见，包括是否建议面试、重点关注领域等]

## 风险提示
[可能的风险点，如稳定性、薪资预期等]

求职者报告格式

markdown

# 求职诊断报告

## 目标岗位分析
- 岗位名称：[名称]
- 核心要求：[要求1]、[要求2]、[要求3]
- 市场热度：[高/中/低]

## 你的竞争力评估
- **总匹配度**：[分数]分（[等级]）
- **核心优势**：[优势1]、[优势2]
- **待提升领域**：[领域1]、[领域2]

## 差距诊断

### 技能差距
| 技能 | 当前水平 | 要求水平 | 差距 | 提升建议 |
|------|---------|---------|------|---------|
| [技能1] | [水平] | [水平] | [差距] | [建议] |

### 经验差距
- [差距1]：[说明]
- [差距2]：[说明]

## 简历优化建议

### 内容优化
1. [建议1]
2. [建议2]

### 结构优化
1. [建议1]
2. [建议2]

### 表达优化
1. [建议1]
2. [建议2]

## 学习路径推荐

### 短期（1-3个月）
- [学习内容1]
- [学习内容2]

### 中期（3-6个月）
- [学习内容1]
- [学习内容2]

### 长期（6-12个月）
- [学习内容1]
- [学习内容2]

参考文档

• references/clawhub_audit_checklist.md — ClawHub 安全审计检查清单，发布前必读
• references/windows_pdf_extraction.md — Windows 环境下 PDF 文本提取指南
• references/matching_algorithm.md — 匹配算法详细说明
• references/skill_matrix.md — 技能矩阵参考（500+技能）
• references/README.md — 项目说明文档

注意事项

PDF简历提取

如果用户提供的简历是PDF文件，需要使用Python提取文本。 详见 references/pdf_extraction_guide.md

行业匹配案例

PCB行业岗位匹配实战案例详见 references/pcb_industry_analysis.md

数据安全

• 不存储用户提供的简历和JD数据
• 分析完成后立即清除上下文中的敏感信息
• 不将用户数据用于模型训练

准确性保障

• 明确告知用户匹配结果仅供参考
• 建议用户结合实际情况综合判断
• 对于不确定的信息，主动询问用户确认

边界情况处理

• 简历信息不完整时，提示用户补充
• JD描述模糊时，询问具体要求
• 匹配度计算异常时，给出合理解释

示例对话

示例1：HR筛选简历

用户：帮我看看这份简历适不适合我们的Java高级开发岗位

AI：好的，请提供以下信息：

1. 候选人的简历内容（可以直接粘贴或上传文件）
2. 岗位的JD描述（可以粘贴或描述主要要求）

用户：[提供简历和JD]

AI：分析完成！

匹配度总览：82分（高度匹配）

核心优势：

• 5年Java开发经验，超过岗位要求的3年
• 熟悉Spring Boot、微服务架构
• 有大型项目经验

主要短板：

• 缺少分布式系统经验
• 没有团队管理经验

推荐意见：建议安排技术面试，重点考察分布式系统设计能力。

---

示例2：求职者自我诊断

用户：我想应聘产品经理，但不知道简历写得怎么样

AI：好的，请提供：

1. 你的简历内容
2. 目标岗位的JD（如果有具体岗位）
3. 你的求职目标和期望（可选）

用户：[提供简历]

AI：诊断完成！

你的竞争力评估：68分（基本匹配）

核心优势：

• 有2年运营经验，了解用户需求
• 数据分析能力强

待提升领域：

• 缺少产品设计经验
• 没有项目管理经验
• 简历中缺少量化成果

简历优化建议：

1. 增加数据驱动的成果描述（如"提升用户留存率20%"）
2. 突出跨部门协作经验
3. 补充产品相关的项目或作品

学习路径推荐：

• 短期：学习Axure、Figma等原型工具
• 中期：考取PMP或ACP认证
• 长期：积累产品全生命周期管理经验