简历标准化解析虾

简历标准化解析虾 — 将非标简历（PDF/Word/图片/文本）解析为结构化候选人数据，并可写入飞书多维表格或导出 Excel/JSON。 **当以下情况时使用此 Skill**： (1) 用户上传或提供简历文件（PDF、Word、图片），要求提取候选人信息 (2) 需要批量解析简历并录入数据库或飞书多维表格 (3) 需要提取技能标签、工作年限、最高学历等结构化字段 (4) 需要对简历进行去重、质量评分或格式统一 (5) 用户提到"解析简历"、"简历录入"、"简历标准化"、"提取技能"、"简历筛选"、"候选人信息"、"简历数据库"、"批量简历"、"简历去重"、"人才数据"

将非标简历转化为标准化候选人数据，支持单份和批量处理，可输出到飞书多维表格、Excel 或 JSON。

工作流程

[简历文件/文本] → [格式识别] → [内容提取] → [字段解析] → [标准化] → [输出/入库]

步骤 1：获取简历内容

输入类型	处理方式
PDF（文本层）	用 scripts/parse-resume.py 提取文本
PDF（扫描件）/ 图片	先 OCR，再提取文本
Word/DOCX	用 scripts/parse-resume.py 解析段落和表格
纯文本	直接进入字段解析
飞书消息中的文件	用 feishu_im_bot_image 下载到本地，再解析

步骤 2：字段解析

解析目标字段（参考 references/resume-schema.md）：

• 基本信息：姓名、手机、邮箱、性别、年龄、所在城市
• 求职意向：期望职位、期望薪资、到岗时间
• 教育经历：学校、专业、学历、时间
• 工作经历：公司、职位、时间段、职责描述（自动计算工作年限）
• 技能标签：技术技能、语言能力、证书（参考 references/skills-dictionary.md 标准化）
• 项目经历：项目名称、角色、技术栈、成果

步骤 3：标准化处理

• 时间格式统一为 YYYY-MM
• 学历统一为枚举：本科 / 硕士 / 博士 / 专科 / 高中
• 技能名称标准化（如 "JS" → "JavaScript"，参考 references/skills-dictionary.md）
• 工作年限自动计算（当前年份 - 最早工作年份）
• 对置信度低的字段标记 [待确认]

步骤 4：质量评分

• 完整度评分（0-100）：必填字段覆盖率
• 逻辑校验：工作时间是否重叠、学历时间是否合理
• 核心字段（姓名、手机/邮箱）缺失时标记为"低质量简历"

步骤 5：输出

根据用户需求选择输出方式：

输出方式	操作
飞书多维表格	用 feishu_bitable_app_table_record 写入，表结构参考 references/resume-schema.md
Excel	用 scripts/parse-resume.py export 导出
JSON	直接输出标准化 JSON
飞书消息摘要	格式化后直接回复用户

批量处理

用户提供多份简历时：

1. 逐份解析，汇总结果
2. 相同手机号/邮箱的候选人自动去重（保留最新版本）
3. 最终输出汇总表格，注明解析成功/失败数量

与其他虾的协作

• 解析完成后，可直接触发 面试邀约虾（interview-scheduler-claw）发送面试邀请
• 标准化数据可传给 简历筛选虾 按条件筛选候选人

参考文件

• references/resume-schema.md — 标准字段定义和飞书多维表格建表结构
• references/skills-dictionary.md — 技能名称标准化词典
• scripts/parse-resume.py — 文件解析脚本（PDF/Word/图片）