Resume screener

Resume Screener

评分架构

• LLM 评 4 维度最终分：exp / skill / proj / major 全部由 LLM 真实分析完整简历后给出 0–100 的最终分（已综合考虑年限、对口度、实操深度、复杂度等）
• 脚本只覆盖 1 维度：用 scripts/school_tier.py 查表覆盖 edu
• 公式重算：5 维度 × 权重 = total（按 25/25/25/15/10）
• Tier 判定：≥70 推荐 / 60-69 待定 / <60 不推荐
• 通用：不限岗位（任一 JD 都能用）

LLM 不输出 industry_fit 之类的系数标签。exp 分本身已综合考虑对口度，脚本不会再乘任何系数。

---

核心不变量

项	值
5 维度权重	edu 25% / exp 25% / skill 25% / proj 15% / major 10%
Tier 阈值	推荐 ≥70 / 待定 60-69 / 不推荐 <60
公式	total = Σ (raw × weight)
Tier 名称	推荐 / 待定 / 不推荐
学校分档	7 档（C9 / 985 / 211 / 双一流 / 一本公办 / 二本公办 / 民办）
评分主体	LLM 评 4 维度最终分 + 脚本查 edu（仅此一套）

---

工具脚本

scripts/score_resumes.py

工具函数（agent 直接 import 调用）：

函数	作用
_extract_school_name(score)	智能拆纯校名（优先 school_name，兜底从 school 按 /·（( 拆分）
validate_score(score)	LLM 评分收尾：用 school_tier 覆盖 edu + 重算 weighted + total + 判定 tier
calc_tier(total)	≥70 推荐 / 60-69 待定 / <60 不推荐
calc_weighted(dims)	5 维度 × 权重
calc_total(weighted)	求和
candidate_to_report(c, rank)	list 元素 → candidates[] 格式
build_actions(candidates)	生成 actions 三段式（recommend/pending/reject）
build_meta(job_name, job_info)	构造报告 meta

CLI：

python score_resumes.py --input <llm_scores.json> \
                       --output <screening_results.json> \
                       --job-name "车架工程师" \
                       --job-info <JD JSON 字符串>

scripts/school_tier.py

from school_tier import lookup
info = lookup("辽宁工业大学")
# → {"tier": "二本公办", "score": 62, "matched": "辽宁工业大学", "fuzzy": False}
info = lookup("江南大学")
# → {"tier": "211", "score": 85, "matched": "江南大学", "fuzzy": False}

支持精确匹配 + 模糊匹配（输入校名是表内校的子串或父串时也能命中）。

---

分批策略

按 boss-recommend-downloader 的下载批次逐批评分，每批独立写文件、最后合并。

• 批次大小：默认每批 25 份（下载侧默认 --batch-size 25）
• 单批内部小批：若 25 份简历偏长或 JD 复杂，LLM 内部可按 10 份/次再分小批循环处理，结果合并到同一个 _llm_scores_batch_N.json
• 中途容错：单批评分失败不影响其他批；可重跑该批

完整工作流

# === Step 3a: 逐批评分（与下载批次对齐）===
# 假设已有 batch_1_resumes.json / batch_2_resumes.json / ...（来自 boss-recommend-downloader）

# 对每批简历：
for batch_n in 1 2 3 ...:
    # 1. LLM 读 batch_n_resumes.json + JD
    # 2. LLM 真实分析每份简历，评 4 维度最终分（exp / skill / proj / major）
    #    — 单批 25 份时，可内部按 10 份/次循环
    # 3. 对每份评分，agent 调 validate_score(score) 收尾：
    #    - 自动从 score 拆出纯校名
    #    - 自动用 school_tier 查 edu（强制覆盖 LLM 凭印象打的分数）
    #    - 自动重算 weighted + total（按公式）
    #    - 自动判定 tier
    # 4. 写出 _llm_scores_batch_${batch_n}.json

# === Step 3b: 合并所有批次 ===
# 方式 1（推荐）：LLM agent 在内存里把所有 batch 的 _llm_scores_batch_*.json
#               拼成一个 list，写 _llm_scores.json
# 方式 2：跑 python -c "import json,glob; json.dump(sum([json.load(open(f,encoding='utf-8')) for f in sorted(glob.glob('_llm_scores_batch_*.json'))], []), open('_llm_scores.json','w',encoding='utf-8'), ensure_ascii=False, indent=2)"

# === Step 3c: 跑评分脚本 ===
python score_resumes.py --input _llm_scores.json \
                       --output screening_results.json \
                       --job-name "车架工程师" \
                       --job-info <JD JSON 字符串>

# === Step 4: 生成 HTML 报告 ===
python generate_html_report.py --input screening_results.json --output <job_name>_统一方案.html
preview_url 在 IDE 内置浏览器打开

工作区路径约定

所有数据统一存放在 ~/Desktop/boss-hr-output/<job_name>/ 下，由 shared/output_manager.JobOutputManager 管理。

~/Desktop/boss-hr-output/<job_name>/
├── process/
│   ├── job_detail.json              ← Step 1: boss_jd.py 输出
│   ├── recommend_geek_ids.json      ← Step 2: recommend_list.py 输出
│   ├── batch_N_resumes.json         ← Step 2: recommend_download.py 输出（每批）
│   ├── test_resumes.json            ← Step 2: 累计所有已下载简历
│   ├── _llm_scores_batch_N.json     ← Step 3: LLM agent 评分（每批，可选）
│   ├── _llm_scores.json             ← Step 3: 合并后的全量评分（喂给 score_resumes.py）
│   └── screening_results.json       ← Step 3: score_resumes.py 输出
└── <job_name>_统一方案.html          ← Step 4: generate_html_report.py 输出

上游 boss-job-detail / boss-recommend-downloader 已自动写入此目录，下游脚本（score_resumes.py / generate_html_report.py）通过 --input/--output 读取此目录。

JobOutputManager 提供的标准路径属性：jd_path / recommend_geek_ids_path / resumes_path / screening_results_path / report_path。

---

LLM 评分输入 schema

[
  {
    "name": "陈瀚",
    "school": "辽宁工业大学/车辆工程/本科",
    "work_years": "3 年",
    "match_type": "山东浩信 · 汽车零部件三维设计",
    "dims": {
      "exp": 80,
      "skill": 65,
      "proj": 60,
      "major": 100
    },
    "highlights": ["3 年 CATIA", "2 项发明专利"],
    "concerns": ["做的是轮端非车架"],
    "advice": "强烈建议电话沟通..."
  }
]

字段说明：

字段	必填	说明
name	是	候选人姓名
school	是	校名（脚本自动拆出纯校名）
work_years	否	工作年限
match_type	否	当前岗位 / 业务方向
dims.exp	是	LLM 评 0-100 最终分（工作经验：综合年限 + 对口度 + 实操深度）
dims.skill	是	LLM 评 0-100 最终分（专业技能）
dims.proj	是	LLM 评 0-100 最终分（项目经历）
dims.major	是	LLM 评 0-100 最终分（专业匹配）
dims.edu	否	会被 validate_score 强制覆盖
school_name	否	备选字段，优先级高于 school 拆分
highlights	否	候选人亮点（推荐动作背景）
concerns	否	候选人顾虑（不推荐原因 / 待确认问题）
advice	否	个性化建议（推荐/待定动作方向）

注意：

• 4 个 LLM 评分维度全部是最终分（0-100），脚本不会再做任何乘法 / 折扣
• school 字段允许任意格式，脚本智能拆出纯校名（支持 / · （ ( 等分隔符）
• LLM 不要评 edu，会强制被 school_tier 覆盖

---

5 维度评分方法（理工类通用）

适用于一切工程/技术岗（机械、车辆、电子、材料、自动化、化工、土木、软件等）。LLM 评分时结合具体 JD 的核心技能清单与方向，按本表锚点给 0–100。所有维度给的都直接是最终分。

维度	权重	评分方	评分主体
学历	25%	school_tier 查表（校名→档次分）；可选本/硕/博层次加成	脚本（强制）
工作经验	25%	综合考虑工作年限 + 与 JD 对口度 + 实操深度，给最终分	LLM
专业技能	25%	JD 核心技能覆盖度 × 实操深度	LLM
项目经历	15%	项目与岗位的相关度 × 复杂度 × 角色	LLM
专业匹配	10%	专业与 JD 的对口度（优先/相关/弱相关/无关）	LLM

维度评分锚点

① 学历 edu（脚本查表，LLM 不评）

• 分数取 school_tier：C9=100 / 985=92 / 211=85 / 双一流=77 / 一本公办=71 / 二本公办=62 / 民办=53
• 表外学校：edu 显示"缺失"，建议人工复核（可给默认 60 并标"需复核"）
• （可选扩展）层次加成：硕士 +8、博士 +12，封顶 100——由脚本读 degree 字段实现

② 工作经验 exp（LLM 评最终分 0–100）

LLM 在评 exp 时综合以下 3 个因素，给一个最终分：

• 工作年限（参考锚点）：
  • ≥8 年 = 95 / 5–7 年 = 85 / 3–4 年 = 75 / 1–2 年 = 60 / <1 年 = 45
• 与 JD 对口度（参考锚点，已并入最终分）：
  • 精准对口（与 JD 核心方向完全一致）= 不折扣
  • 行业相关但非精准（测试/工艺/验证/零部件/相近子领域）= 视情况打 0.7×基础分附近
  • 完全跨行业（纯销售/行政/文科背景）= 视情况打 0.4×基础分附近
• 实操深度（参考锚点）：
  • 能独立负责核心模块 + 有可验证产出 = 锚点 +5
  • 仅参与执行 / 无量化成果 = 锚点 −5

以上三因素LLM 在打分时一次性综合考虑，直接给出最终分。脚本不参与任何乘法。

③ 专业技能 skill（LLM 评最终分 0–100）

• 按 JD 列出的核心技能清单评估"覆盖度 × 熟练度"：
  • 全覆盖且能独立负责核心模块 = 85–100
  • 核心技能 70%+ 且较熟 = 70–84
  • 覆盖 40–70% 或仅部分了解 = 55–69
  • 覆盖 <40% 或仅字面提及 = 40–54
  • 有 JD 硬性要求但不会的"硬伤"：该档下限再 −10

④ 项目经历 proj（LLM 评最终分 0–100）

• 按"与 JD 岗位的相关度 + 复杂度 + 担任角色"：
  • 主导本岗核心项目（0–1 设计/量产落地）= 85–100
  • 重要角色参与核心项目 = 70–84
  • 边缘/支持角色、或项目仅部分相关 = 55–69
  • 非相关但体现工程能力 = 40–54
  • 无可验证项目 / 完全无关 = <40

⑤ 专业匹配 major（LLM 评最终分 0–100）

• 以 JD 要求的对口专业为"优先"基准，按专业大类映射（理工类通用）：
  • 优先=100：JD 直接点名的对口专业（随岗而定，如机械设计/车辆工程/材料成型/自动化/电子/化工等）
  • 相关=80：同大类工科（机械类、车辆类、材料类、自动化/机电、土木、化工、计算机偏硬等相近领域）
  • 弱相关=60：基础/交叉学科（力学、数学、物理、计算机偏软、工业工程等）
  • 无关=40：文科、经管、艺术、生化医药等非工程背景
  • 跨专业但有扎实对口课程 + 项目经历的，按"相关"档处理

评分公式

单维度加权分 = 原始分 (0-100) × 该维度权重
总分 = Σ(所有维度加权分)

示例 A（精准对口，3 年结构设计）：

edu=62, exp=80, skill=65, proj=60, major=100
→ 62×0.25 + 80×0.25 + 65×0.25 + 60×0.15 + 100×0.10
→ 15.5 + 20.0 + 16.25 + 9.0 + 10.0 = 70.75 → "推荐"（≥70）

示例 B（行业相关非精准对口，3 年结构测试）：

LLM 综合评估后直接给 exp 最终分 = 56（已包含"年限 75 × 对口度 0.7 ≈ 53" 的折扣判断）。

edu=62, exp=56, skill=65, proj=60, major=100
→ 62×0.25 + 56×0.25 + 65×0.25 + 60×0.15 + 100×0.10
→ 15.5 + 14.0 + 16.25 + 9.0 + 10.0 = 64.75 → "待定"（≥60）

Tier 判定

def calc_tier(total):
    if total >= 70: return "推荐"
    if total >= 60: return "待定"
    return "不推荐"

---

学校分档表（脚本内置，500+ 学校）

档次	分数	示例学校
C9	100	清华、北大、复旦、交大、浙大、中科大、南大、哈工大、西交
985	92	其他 30 所 985 高校
211	85	非 985 的 211 高校（如江南大学、苏州大学、华东理工）
双一流	77	南方科技大学、上海科技大学、中国科学院大学
一本公办	71	深圳大学、广东工业大学、西安理工大学、杭州电子科技大学
二本公办	62	辽宁工业大学、信阳农林学院、太原工业学院、滁州学院、长江师范学院
民办/独立学院	53	燕京理工学院、黄河科技学院、郑州工商学院、四川工业科技学院

完整 500+ 学校列表见 scripts/school_tier.py。 不在表内的学校：返回 score=None，edu 维度显示"缺失（XX 不在学校表）"。

---

LLM 评分调用示例

from score_resumes import validate_score

score = {
    "name": "陈瀚",
    "school": "辽宁工业大学/车辆工程/本科",
    "work_years": "3 年",
    "match_type": "山东浩信 · 汽车零部件三维设计",
    "dims": {
        "exp": 80,        # LLM 评最终分
        "skill": 65,      # LLM 评最终分
        "proj": 60,       # LLM 评最终分
        "major": 100      # LLM 评最终分
        # edu 不需要填
    },
    "highlights": ["3 年 CATIA 三维设计", "2 项发明专利"],
    "concerns": ["做的是轮端非车架本体", "无 CAE 仿真经验", "无焊接/工艺经验"],
    "advice": "专业对口 + 设计经验真实，建议电话沟通是否有车架/底盘结构项目经验"
}
score = validate_score(score)
# → score["dims"]["edu"] = 62（二本公办，school_tier 查表）
# → score["total"] = 69.8
# → score["tier"] = "待定"
# → score["dims_edu_reason"] = "二本公办（school_tier 查询：辽宁工业大学）"

---

输出 schema（screening_results.json）

{
  "job_name": "车架工程师",
  "meta": {
    "title": "车架工程师 · 简历筛选报告",
    "subtitle": "LLM 主导评分 + school_tier 学历分档校准",
    "job": {
      "name": "...",
      "company": "...",
      "location": "...",
      "salary": "...",
      "experience_required": "...",
      "degree_required": "..."
    },
    "type_judgment": {"type": "技术岗", "reason": "..."},
    "core_requirements": ["..."]
  },
  "summary": {"total": 32, "recommend": 0, "pending": 2, "reject": 30},
  "dimension_labels": ["学历", "工作经验", "专业技能", "项目经历", "专业匹配"],
  "candidates": [
    {
      "rank": 1,
      "name": "陈瀚",
      "tier": "待定",
      "total": 69.8,
      "school": "辽宁工业大学/车辆工程/本科",
      "work_years": "3年",
      "current_role": "汽车零部件三维设计（轮端）",
      "dimensions": [
        {
          "pct": 62,
          "weighted": 15.5,
          "weight": 25,
          "reason": "二本公办（school_tier 查询：辽宁工业大学）"
        }
      ],
      "highlights": ["..."],
      "concerns": ["..."]
    }
  ],
  "actions": {
    "recommend": [{"name", "score", "background", "action"}],
    "pending":   [{"name", "score", "strengths", "action"}],
    "reject":    [{"name", "score", "concerns"}]
  }
}

---

注意事项

• LLM 评 4 维度时务必读完完整简历再打分，避免"看一半就判断"
• 测试 / 设计 / 验证 / 仿真等职能差异要识别（如底盘电控功能测试 ≠ 车架结构设计）
• 学校档次 / tier 阈值 / 公式权重都由脚本控制，LLM 不要尝试覆盖
• exp 维度给的分数就是最终分，不要再额外标 industry_fit / 对口度系数，这些已经综合在 exp 分里了
• highlights / concerns / advice 是个性化建议的核心，必须基于候选人实际经历