按岗位要求筛选、评分并排序求职申请（单人或批量简历初筛）

适用于招聘方需要根据岗位必备项、加分项和淘汰项，对单个或批量求职申请进行一致化评分、排名并给出面试建议的场景。

适用场景

解决思路

1. 为岗位建立 Requirements Matrix：列出 Must-Have (Required) 表格，包含 Requirement、Weight、Criteria；列出 Nice-to-Have (Preferred) 表格，包含 Requirement、Bonus、Criteria；列出 Disqualifiers 清单，如 No work authorization、Below minimum experience、Missing required certification、Salary expectation mismatch。
2. 对单个候选人，使用提示词 "Screen this resume against our [Job Title] requirements" 或 "Evaluate this application for the [Position] role" 进行筛选。
3. 对批量候选人，使用提示词 "Screen these 10 applications for the Senior Developer position" 或 "Rank these candidates based on our requirements" 进行筛选和排序。
4. 若已有明确标准，使用提示词 "Screen for: 5+ years Python, AWS experience required, ML nice-to-have" 的形式提供筛选条件。
5. 生成 Individual Screening Report：先输出 Quick Summary 表格，包含 Position、Score、Recommendation（🟢 Interview / 🟡 Maybe / 🔴 Pass）。
6. 在 Individual Screening Report 中输出 Candidate Profile，包含 Name、Location、Current Role、Total Experience、Education。
7. 在 Requirements Match 的 Must-Have Requirements 表中，逐项列出 Requirement、Met?、Evidence、Score。
8. 汇总 Must-Have Score，格式为 [X]/[Total]。
9. 在 Nice-to-Have 表中，逐项列出 Requirement、Met?、Evidence、Bonus。
10. 汇总 Nice-to-Have Bonus，格式为 +[X] points。
11. 写出 Strengths 💪：列出 3 条带证据的优势。
12. 写出 Concerns ⚠️：列出需要在面试中提问或核实的问题。
13. 写出 Red Flags 🚩：如 employment gaps、inconsistencies 等。
14. 根据候选人画像生成 Interview Questions：分别针对具体经验、关注点、成长潜力提问。
15. 给出 Overall Assessment：用 2-3 句话总结匹配度。
16. 给出 Final Score（[X]/100）、Recommendation（Interview / Phone Screen / Pass）、Priority（High / Medium / Low）。
17. 生成 Batch Ranking Report：包含 Date、Total Applications、Reviewed。
18. 生成 Summary 分类统计：统计 🟢 Strong Interview、🟡 Phone Screen、🔵 Maybe/Hold、🔴 Not a Fit 的 Count 和 %。
19. 输出 Top Candidates 的 🥇 Tier 1: Strong Interview (Score 80+) 表格，包含 Rank、Name、Score、Key Strengths、Concerns。
20. 输出 🥈 Tier 2: Phone Screen (Score 65-79) 表格，包含 Rank、Name、Score、Key Strengths、Gap to Address。
21. 输出 🥉 Tier 3: Maybe/Hold (Score 50-64) 表格，包含 Name、Score、Reason for Hold。
22. 输出 ❌ Not Proceeding (Score <50) 表格，包含 Name、Score、Primary Reason。
23. 输出 Insights：包含 Applicant Pool Quality 评估。
24. 输出 Common Strengths：列出申请人池中常见的优势。
25. 输出 Common Gaps：列出申请人池中常见的缺口或技能短缺。
26. 输出 Recommendations：给出对 top candidates 的行动建议；若 pool 较弱，给出 sourcing 建议。
27. 按 Experience Scoring 表评分：0-1 年对应 Entry 10/10、Mid 3/10、Senior 0/10、Lead 0/10；2-3 年对应 8/10、7/10、3/10、0/10；4-5 年对应 5/10、10/10、7/10、3/10；6-8 年对应 3/10、8/10、10/10、7/10；9+ 年对应 0/10、5/10、10/10、10/10。
28. 按 Education Scoring 表评分：PhD 在 Technical Role 为 10/10、Non-Technical 为 8/10；Master's 为 9/10、9/10；Bachelor's 为 8/10、10/10；Associate's 为 5/10、7/10；Bootcamp 为 6/10、N/A；Self-taught 为 4/10、N/A。
29. Fair Screening：只关注 job-related criteria，忽略 protected characteristics，使用一致评分，记录决策，考虑 diverse backgrounds。
30. Bias Awareness：避免 name/gender bias，聚焦 qualifications；避免 affinity bias，使用 diverse interview panels；避免 confirmation bias，在 gut feeling 前先评分；避免 halo effect，逐项独立评估每个 criterion。
31. Legal Considerations：只使用 job-relevant criteria，一致应用标准，保留 screening records，设置 HR review process，考虑 adverse impact。
32. 处理 Limitations：不能核实 employment history；可能遗漏非传统背景的 context；评分是 guidance 而非绝对；不能完全评估 cultural fit 或 soft skills；最终决定必须依赖 human judgment。
33. 若简历为 PDF/DOCX，调用 office-mcp 的 extract_text_from_pdf、extract_text_from_docx、analyze_document_structure 提取文本和结构。

适用边界 · 注意事项

• 没有 office-mcp 或无法提取 PDF/DOCX 时，不能按本技能自动读取简历文件，只能手动提供简历文本后使用评分框架。
• 不应把自动评分当作录用决定，涉及文化契合、软技能、背景核实和最终录用时仍需人工判断。
• 不适用于使用受保护特征、与岗位无关标准或歧视性标准进行筛选。