前阵子公司要集中招人运营岗、销售岗、技术岗的简历混在一起邮箱里堆了五十多份 PDF 和 Word。我以前的做法很笨打开一份把工作年限、项目经历、技能关键词抄到表格里再对着 JD 逐项打分一圈下来两三个小时是常态眼睛酸得不行。后来我把这套活交给了 WorkBuddy先把 JD 拆成机器能读懂的筛选规则再让 WorkBuddy 按规则批量读简历最后自动汇总成评估报告。实测下来50 份简历从导入到拿到报告大概 30 分钟左右人工只需要最后复核一遍结果。今天就把这套流程完整拆解出来包括 Skill 怎么配、自定义指令怎么写、报告怎么生成以及哪些坑我是踩过之后才绕明白的。WorkBuddy 本质上是一个“AI 工作台”类客户端工具它不内置某一个固定的大模型而是让你自由接入不同的模型服务比如 DeepSeek、通义、Kimi然后通过自定义指令、技能插件、批量文档处理这些能力把高频重复的标准化工作变成自动化流水线。它能读文档、网页、表格等常见格式也能按要求输出结构化结果。所以它适合的不只是程序员HR、运营、产品、销售凡是每天要和大量文档打交道的人都可以把它当成一个“不会累的智能助理”。1. 先说结论为什么我会用 WorkBuddy 干简历筛选这活儿1.1 一个招聘季的崩溃现场我之前筛简历的方式应该很多人都有同感先把所有简历按岗位扔进不同文件夹然后一个个双击打开。遇到排版混乱的还要手动整理信息。技术岗简历里一堆专有名词销售岗简历里的业绩数字得自己估算运营岗简历里的“项目经历”经常写得像散文看完还得自己提炼。50 份简历看完我脑子里只剩一团浆糊谁优谁劣根本排不出一个可靠的名次。后来我想明白一个问题简历筛选的大部分环节其实非常标准化。学历、工作年限、技能关键词、项目职责、业绩数据这些信息都在简历里躺着我需要的只是把它们从非结构化的文字里提取出来再对照 JD 做一次规则明确的打分。这种“提取 匹配 打分”的工作恰恰是大模型最擅长的事情。问题是如果用普通的聊天框去问 AI一次只能处理一份我还要复制粘贴效率并没有质变。我需要的是一个能批量处理文档、可自定义流程、能输出统一报告的工具WorkBuddy 就是在这一步进入我的视野的。1.2 WorkBuddy 是什么能做什么WorkBuddy 的核心定位是“工作台”而不是“聊天机器人”。它常见的功能模块包括对话窗口、文档管理、技能库、批量任务和插件市场。你可以在同一个界面里接入多家大模型 API也可以挂载本地模型。它支持把一组文件拖给一个特定的“技能”让模型按照你写好的提示词逐份处理最后把结果聚合成一张总表或者一份详细报告。用一句话概括WorkBuddy 把“你问一句、AI 答一句”的单轮互动升级成“你定规则、AI 批量执行”的自动化流水线。对筛选简历来说这意味着你不用再一份一份复制粘贴简历内容筛选取舍的标准可以提前固化下来多次复用模型每处理一份简历都能输出同样结构的评估字段方便汇总和排序如果岗位需求变化只需要改规则重新跑一遍即可。所以这套方案真正解决的不是“读不读得懂简历”而是“批量干重复劳动”的问题。它特别适合单次招聘收到几十上百份简历、又需要快速给出初筛结果的场景。2. 实操前的关键准备把筛选标准变成机器指令2.1 定义岗位 JD 与硬性门槛很多人失败的第一步是把 JD 原封不动丢给 AI让它“看看这个人合不合适”。这样得到的答案一定很空。因为 JD 里的话术描述性很强比如“有较强的数据分析能力”AI 不知道你到底要 SQL 熟练还是会用 Excel 透视表就算达标。所以在用 WorkBuddy 之前必须先把 JD 拆解成机器能判断的硬性条件和加分项。我以当时招的运营岗为例拆完以后是这样的维度硬性条件权重工作年限2 年以上互联网运营经验20%行业经验有电商、消费品行业背景15%核心技能熟悉社群运营 / 用户增长 / 活动策划25%数据能力能说出转化率、留存率等指标有用数据驱动运营的案例20%加分项有从 0 到 1 搭建用户体系的经历写过爆款内容10%风险项频繁跳槽每段工作不足 6 个月10%拆完之后每一条都要尽量改成“简历里出现哪些关键词就算命中”。比如“熟悉社群运营”对应关键词可以是“社群、企微微信群、用户群、社区运营”“数据能力”对应关键词可以是“转化率、留存、GMV、AB 测试、SQL、Excel 数据分析”。这样做的好处是AI 在判断的时候有明确的锚点而不是凭印象瞎给分。2.2 模型接入与基础配置WorkBuddy 本身不带模型所以第一步是接入模型服务。我当时接的是 DeepSeek 的 API原因很简单性价比高上下文长度够处理 50 份简历的 token 消耗在可接受范围内。配置流程大致如下打开 WorkBuddy 的“设置”或“模型管理”页面选择供应商填写 API Key配置模型名称和接口地址设置默认参数比如温度 0.3、最大输出 token 2000。这里有一个关键建议筛选简历属于“信息抽取 规则匹配”类任务温度参数一定要调低我习惯设置在 0.2 到 0.3 之间。温度太高会让模型输出不稳定同一个人的简历跑两次可能给出不同分数。温度低一点输出结果才有可复现性后续追查误判时也更方便。如果你没有云 API也可以用本地模型。WorkBuddy 支持接入本地部署的开源模型但简历解析和长文本处理对显存要求比较高速度也慢。我的实测体验是处理 50 份简历用云端 API 大概 30 分钟用本地 7B 模型可能要两三个小时。所以不是特殊原因建议优先用云 API。2.3 设计输出格式模型读简历之后如果只是输出一段自然语言评价你还是要自己二次整理那就没意义了。正确做法是让模型输出结构化字段最好直接设计成 JSON 或 Markdown 表格。我当时在 Skill 的输出提示词里明确要求了以下字段候选人姓名总评分百分制硬性条件是否达标是 / 否匹配优势一句话主要风险一句话推荐等级强烈推荐 / 建议面试 / 待定 / 不推荐关键证据摘录直接引用简历中的原文这样每一份简历的输出都是同构的WorkBuddy 才能把所有结果合并成一张总表。如果输出格式不固定后面汇总会非常痛苦。这也是初用者最容易忽略的一点模型非常擅长自由表达但你需要给它“戴着镣铐跳舞”的任务约束。3. 手把手搭一个“简历筛选 Skill”3.1 Skill 的构成与创建入口WorkBuddy 里的 Skill可以理解为一套“预设好的工作流模板”。一个 Skill 通常包含三部分系统提示词、输入要求、输出模板。系统提示词负责告诉模型“你现在是什么角色要按什么规则做”输入要求说明要处理的是单份简历还是整个文件夹输出模板定义最终报告的结构。创建入口一般在左侧栏的“技能库”或者主界面的“工作台”区域。新建 Skill 时要给技能起名、写描述、设置模型参数然后编辑系统提示词。我把我当时建“简历初筛”Skill 的过程整理成了完整示例下面这段是系统提示词的核心部分可以直接参考修改你是一名有 10 年经验的互联网行业招聘顾问请根据如下岗位要求对候选人简历进行结构化评估。 岗位要求 - 2 年以上互联网运营经验 - 有电商、消费品行业背景优先 - 熟悉社群运营、用户增长、活动策划 - 有数据驱动运营的案例能明确说出转化率、留存率等指标 - 加分项有从 0 到 1 搭建用户体系的经历写过爆款内容 - 风险项频繁跳槽每段工作不足 6 个月。 评分规则 - 总评分 工作年限 20% 行业经验 15% 核心技能 25% 数据能力 20% 加分项 10% 风险项 10%有风险则扣分。 等级规则 - 85 分以上强烈推荐 - 70-84 分建议面试 - 55-69 分待定 - 55 分以下不推荐。 请严格提取简历原文作为证据不要编造简历中不存在的信息。如果某项信息缺失对应维度记 0 分并在备注中标注“信息缺失”。3.2 筛选规则怎么写才靠谱很多人以为把上面这段提示词粘进去就完事了其实还差得很远。我在第一次跑的时候遇到了几个问题模型分不清“硬性条件未达标”和“加分项缺失”导致总分虚高有些简历工作经历写的很简短模型就直接按字面判断没有社群经验但其实候选人可能在“项目经历”里提到了建群拉新。后来我在规则里加了几个强制约束效果立刻好了很多所有判断必须引用简历原文无法引用就标记为“待确认”硬性条件一项不达标总评分上限设为 70 分不能因为其他得分高就推荐如果同一信息在简历多个位置出现不一致以更详细的那段描述为准不要求格式完美的简历但要求“关键信息完整度”至少在 60% 以上否则单独标记为“信息过少建议人工复核”。另外不要一开始就把规则写得太死留一点模型自主判断的空间反而更准确。比如“加分项有从 0 到 1 搭建用户体系”模型可以自行判断“从 0 到 1”是否成立但必须解释判断依据。这样既保留了灵活性又能追溯误判原因。3.3 批量导入 50 份简历并跑通全流程Skill 配置好之后就可以批量跑了。我当时的具体操作步骤是这样的在本地建一个文件夹命名“运营岗_简历_20250112”把所有 50 份简历放进去。注意文件名统一改成“候选人姓名_原公司”格式方便后续追查。打开 WorkBuddy进入刚建好的“简历初筛” Skill。在输入区选择“批量导入文件夹”选中这个文件夹。设置输出方式为“生成评估报告”选择一个空目录作为输出位置。点击运行等待任务执行。这里要说一下 WorkBuddy 的任务机制它会把文件列表逐个交给模型处理但受限于模型上下文长度如果简历特别长可能出现截断。我当时先把任务拆成了两批每批 25 份跑起来更稳。如果你有 50 份短简历一次跑完也没问题但最好先抽样测试两三份确认输出格式符合预期再全量跑。这个“小样本试跑”的步骤一定不能省否则 50 份跑完发现格式不对重新处理会非常浪费时间。整个执行过程大概 25 到 30 分钟中间 WorkBuddy 会显示每个文件的处理状态。跑完之后输出目录里会生成一份汇总报告以及每份简历对应的评估明细文件。我通常会先看汇总报告再抽查几份争议比较大的简历做人工复核。4. 自动评估报告长什么样30 分钟后的产出4.1 报告结构详解WorkBuddy 生成的评估报告分两层总表和明细。总表是一张类似 Excel 的清单每一行是一份简历列包括候选人姓名、总评分、硬性条件是否达标、推荐等级、匹配优势、主要风险。明细文件则是单份简历的完整评估包含各维度得分和证据摘录。总表中的信息密度很关键。我让模型输出的内容必须“短、准、有证据”比如匹配优势不能只写“经验丰富”而要写成“有 3 年电商社群运营经验负责过 200 人社群月活提升 25%”。这样我在看总表时一眼就能判断推荐还是略过。下面是我当时跑出来的一份示例为保护隐私做了一点脱敏候选人总评分硬性达标推荐等级匹配优势摘录主要风险张XX92是强烈推荐3 年电商用户运营有从 0 到 1 搭建会员体系经验能明确说出发券转化率上一段工作在职时间 8 个月李XX78是建议面试2 年社群运营经验擅长企微社群有活动策划案例数据指标描述较少王XX63否待定有消费品行业经验但社群运营案例不具体无用户增长方向沉淀赵XX54是不推荐年限 3 年但项目描述偏执行缺乏数据支撑存在两段不足半年的工作经历4.2 一次真实的筛选结果复盘这批 50 份简历里WorkBuddy 给出的最终分布是强烈推荐 8 人建议面试 15 人待定 17 人不推荐 10 人。我自己又花了大概半个多小时随机挑了推荐和不推荐各 5 份做人工复核。复核结果强烈推荐里的 5 份基本没有异议确实都是经历匹配度很高的人不推荐里的 5 份有 1 份我点进去看觉得被误杀了——简历上有很强的活动策划案例但被模型以“没有社群运营关键词”为由扣了分。这类误判的典型原因是模型过于依赖关键词匹配忽略了很多运营岗位之间的能力迁移。发现之后我没有直接手工改结果而是把这个案例加进 Skill 的系统提示词里补充了一句“如果候选人有完整的活动策划和数据分析案例即使没有出现‘社群运营’关键词也要把相关能力折算到核心技能维度。”更新规则后重新跑了一遍那 1 份简历的评分从 54 分提到了 71 分进入了建议面试名单。所以我想强调自动筛选不是“一键定生死”它最大的价值是帮你把 50 份简历压缩成 15 份需要重点关注的人选。哪怕有一两次误判你花在复核上的成本也远低于彻底人工读完全部简历。4.3 多轮迭代把误判率降到最低想让 WorkBuddy 的筛简历结果越来越准关键是“每次使用后的反馈迭代”。我养成了一个习惯每次人工复核完把“模型判错”的简历单独放一个文件夹重新跑一遍看看修改提示词后是否还能纠正。如果还纠正不了就在规则里增加更具体的判定逻辑。另外一个很有效的技巧是在 Skill 里加入“反面案例”。比如在系统提示词末尾加一句“注意有候选人虽然使用过‘社群’一词但只是被动参加群内活动并非运营者身份此情况不能算作社群运营经验。”这些从实际误判中提炼出来的案例比抽象规则更能约束模型行为。多轮迭代后我的这个简历筛选 Skill 基本稳定在“人工复核后 90% 以上推荐结果无异议”的水平。虽然达不到百分百精准但作为初筛工具已经完全够用。5. 踩坑实录启动慢、联网失败、模型幻觉怎么处理5.1 启动慢与网络连接失败第一次打开 WorkBuddy很多人会抱怨“启动非常慢”这其实分几种情况。如果启动时卡在加载插件或技能列表多半是因为网络不稳定导致资源没有拉取完整可以尝试在设置里关闭自动更新插件或者切换模型供应商的接入点。如果启动后一直显示“网络连接失败”先别急着卸载重装按这个顺序排查检查 API Key 是否过期或填错这个占最高的出错比例检查系统时间是否准确时间不对会导致请求鉴权失败检查公司网络是否有代理拦截必要时将 WorkBuddy 所在目录加入白名单更新到最新版本旧版本可能存在接口地址失效的问题。我这台电脑还遇到过一个问题同时使用本地模型和云 API 时WorkBuddy 会先加载本地模型导致启动界面卡很久。后来我在设置里把默认模型改为云端 API启动速度立刻恢复正常。如果你也有类似情况可以去“模型管理”里把不需要的本地模型先停用。5.2 简历解析乱码与 PDF 扫描件简历批量处理中最头疼的不是模型判断而是文档解析。有一部分 PDF 是从招聘网站导出后转存的文件里面文字是图片格式普通文本抽取根本读不出来会出现一堆乱码模型自然给不出准确评估。针对这样的文件我的方案是在批量处理前先用本地工具把扫描版 PDF 转成可搜索 PDF或者直接转成 Word/TXT。WorkBuddy 本身也支持调用 OCR 插件但识别准确率取决于插件质量处理中文手写体时效果一般。如果一份简历是扫描件我建议先人工翻译成文字再给模型不然容易在“硬性条件是否达标”上翻车。另外文件名千万不要用“新建文档.pdf”“未命名1.docx”这种格式。WorkBuddy 可以读取文件内容但报告里显示文件名时全是这种名称会让人崩溃。统一命名规则非常重要。5.3 成本与速度的平衡用云 API 跑批量任务费用是很多人关心的问题。以 DeepSeek 当时的定价来算一份简历大概 1500 到 2500 token50 份简历约 10 万 token 左右加上输出报告总消耗大概在 13 万 token。按当时的 API 价格整体成本也就是几块钱人民币换来的是至少 1 个半小时的时间节省这笔账怎么算都划算。如果预算紧张也可以考虑用支持上下文更短的模型或者把简历先压缩成文本再喂给模型。速度方面批处理 50 份简历耗时主要集中在“逐份解析 模型请求排队”如果希望更快可以在 WorkBuddy 设置里调大并发数。但要注意并发数太高可能会导致模型接口限流反而出现失败重试。5.4 给新手的避坑建议如果看到这里你决定自己也跑一遍我最后再分享几条实际经验第一次操作不要直接拿全部简历开跑先挑 3 到 5 份来做一版测试系统提示词里把“输出格式”放在最显眼的位置模型对结尾的指令服从度往往低于开头每次跑完把汇总报告导出成 CSV 或 Excel后续用表格筛选和排序比直接看文档方便太多Skill 建好后不要急着删同一岗位的招聘下个月大概率还会用上。我自己的体会是工具解决的是“重复劳动”和“信息整理”但真正决定招聘质量的是你对岗位的理解。用 WorkBuddy 筛简历最大的成就感不是省下的那一两个小时而是我终于有时间把精力放在真正值得面谈的候选人身上了。如果你也经常被一堆文档困住不妨找个下午把最重复的那一类工作拆出来试着交给 WorkBuddy 跑一遍大概率会打开新世界。