概览
大多数 AI 初筛工具给出的是一份没人解释得清的排序名单。这是双重问题：用人经理分不清筛选是有效的还是坏掉的，而公司也无法回答一位被拒候选人「为什么」。
这个智能体按你设定的要求逐条给每份申请打分，并引用申请中支撑该分数的那一句话。任何与身份有关的内容都不进入评估——姓名、年龄、性别、国籍、照片、婚姻状况，以及被拿来暗指这些的毕业院校。
它不拒绝任何人。它给出排序、背后的依据，以及一份明确列出「无法判定」的清单——录用决定仍然由人来做。正是这份记录，让这份候选名单在有人追问它是怎么来的时候仍然站得住。
价值
一份站得住的候选名单
你能拿出它是怎么产生的，而不只是它产生了什么。
整叠简历标准一致
第两百份和第一份用的是同一把尺子。
一小时内可复核
依据都附在旁边，经理是在核对，而不是重读一遍。
功能说明
逐条标准打分
每一条写明的要求对应一个分数，而不是一个说不清的总分。
每个分数都有依据
每个分数都引用它所依据的那部分申请内容。
身份不参与评估
姓名、年龄、性别、国籍、照片和婚姻状况被排除，连同常见的替代指标一起。
不拒绝任何人
它只做排序和举证。决定权在设计上就留给人。
说清哪些判定不了
不清晰的要求会标为「无法判定」，而不是打零分。这两件事不一样，而且只有一件是公平的。
可审计的记录
每一次评估在数月之后仍可复原，等有人来问的时候。
这会改变什么
这会如何改变你的一周
- 它接手的工作
- 按写明的标准，稳定地、成批地读完每一份申请。
- 目前由谁完成
- 招聘专员或用人经理，在深夜。
- 多久一次
- 每一个大批量岗位。
- 通常的人工投入
- 两百份申请认真读完要两天。
为什么偏偏是人力资源。第两百份申请与第一份用的是同一把尺子，而且每个分数都带着依据——这正是被拒候选人追问时你需要的东西。
无人值守运行
由你或某个事件启动，然后自行完成。没有什么需要等人坐到工位前。
每一次都是同一标准
第两百件与第一件用同一把尺子衡量。一致性正是人做不到长期保持的部分。
它无法自行采取行动
简历初筛智能体 没有任何发送、支出或承诺的途径。正是这个限制，让依据它的输出行动是安全的。
运行方式
该智能体通过 PROMIVO 运行时在服务器端运行。每次运行都会逐步记录，每次工具调用在执行前都会进行权限检查。
- 1输入按智能体的输入结构进行校验
- 2模型claude-opus-5，并自动回退
- 3工具extract_structured_data
- 4权限自动执行 READ 级操作；更高的等待你批准
- 5输出符合输出结构的结构化结果
- 6日志记录 token、耗时和每一个步骤
演示
演示数据Illustrative sample output, abridged.
输入
{
"roleTitle": "Backend Engineer",
"applications": [
{
"text": "…",
"reference": "APP-014"
}
],
"requirements": [
{
"weight": 3,
"criterion": "3+ years production Python",
"essential": true
},
{
"weight": 2,
"criterion": "Experience with PostgreSQL at scale",
"essential": false
}
]
}输出
{
"disclaimer": "An evidenced ranking for human review. No candidate has been rejected or eliminated. Hiring decisions require a person.",
"assessments": [
{
"scores": [
{
"score": 4,
"status": "met",
"evidence": "'Four years building Django services at …' — stated in experience section.",
"criterion": "3+ years production Python"
},
{
"score": 0,
"status": "undetermined",
"evidence": "Databases are not mentioned. Absent, not negative.",
"criterion": "Experience with PostgreSQL at scale"
}
],
"reference": "APP-014",
"notAssessed": [
"PostgreSQL — not addressed in the application"
],
"weightedScore": 12
}
],
"requirementAnalysis": [
{
"comment": "Only 2 of 40 applications address this. Worth checking whether it is genuinely essential or is shrinking the pool.",
"criterion": "Experience with PostgreSQL at scale",
"metByCount": 2
}
]
}使用条件
集成
无需集成。
开始之前
- 岗位要求，写成一条条标准
- 以文本形式提供的申请材料
- 需要 全量访问 套餐或更高
使用场景
大批量岗位
数百份申请用同一把一致的尺子评估。
结构化的第一轮
一份有排序、有依据的长名单，由人从中挑出短名单。
审视你自己的流程
看清哪些要求真的在筛选，哪些只是在无谓地排除人。
价格
常见问题
它会自动拒绝候选人吗？
不会，也做不到。它只排序和举证；由人来决定。自动拒绝正是会招来监管关注的做法，而这个智能体并不具备这项能力。
你们如何防止偏见？
它只依据你写明的要求打分，身份属性连同其常见替代指标一并排除——用院校暗指出身、履历空档、姓名来源。这是实实在在的削减，但不是保证：你写的要求本身也可能带有偏见，所以每个分数都有依据、都可复核。
我可以用它做雇佣决定吗？
它支持决定，但不做决定。自动化雇佣决策工具在多个法域受到监管，可能要求告知、偏见审计或人工复核。请确认哪些适用于你——这个智能体产出的正是这类规定通常要求的那份记录。
评价
客户运行过该智能体后，评价功能将开放。
需要这个智能体换一种做法？
告诉我们要改什么，我们的团队会为您的业务规划一个定制版本。
定制此智能体