简历筛选可以先从“把岗位要求写清楚”和“从简历摘出对应证据”做起。AI 能帮招聘人员整理材料，但不应替人给候选人打分、排顺序或自动淘汰。本篇用一份虚构岗位说明和三份匿名简历演示：让本机 Qwen 生成岗位描述草稿，按统一要求列出每份材料中的原句和缺口，再由招聘人员复核。

《就业促进法》要求用人单位提供平等就业机会和公平就业条件；《个人信息保护法》要求利用个人信息进行自动化决策时保证透明度和结果公平、公正，并对仅通过自动化决策作出重大影响决定保留个人权利。基于这些规则，本篇把练习限定为可追溯的文本整理，不做候选人排序或录用决定；这是教程的风险控制设计，不是完整法律意见。《就业促进法》 《个人信息保护法》

先写岗位职责与可核对要求

练习岗位是虚构的客户运营助理，职责包括通过邮件回复客户、记录问题状态、跟进订单、维护 FAQ 和每周整理问题类别。把它拆成四项可核对的经验：书面客户沟通、状态或订单跟进、维护说明文档、表格筛选或整理。

不要把“性格好”“年轻”“形象好”等模糊或与岗位无关的条件写成筛选标准。招聘信息应当与实际工作相符，并由用人团队确认。练习资料中的岗位描述是示例，正式招聘前仍需核准工作内容、地点、报酬和必要条件。

用 Qwen 生成 JD 草稿和证据表

本例使用本机 Ollama 中的 qwen3.8-27b:latest。提示词要求模型从职位说明起草中性 JD，并为三份匿名简历逐项列出原文证据，状态只用“有证据、部分证据、未提供”。明确禁止排序、打分、录用建议和个人特征推断。Qwen 项目资料见官方仓库；Ollama 本机生成接口支持 JSON 格式输出。Qwen3.8 官方仓库 Ollama API 文档

ollama pull qwen3.8-27b:latest
python3 ask_qwen.py
python3 check_quotes.py

本机 M1 Max 64GB / Ollama 0.35.1 实测生成用时 96.25 秒，加载模型 17.57 秒。模型列了三份简历的证据和缺口，未输出排名或录用建议；check_quotes.py 检查 8 条非空引用确实出现在匿名简历原文中。它只验证文字是否引用得上，不验证判断是否正确。

复核“有相关词”是否真能证明要求

人工抽查后，C-01 写了“每月整理约 120 条工单”，这不能单独证明负责订单跟进；C-03 写了“每周整理部门问题清单”，但没有说明使用电子表格。模型分别标为“部分证据”，人工备注保留了这些差异。招聘人员要按同一标准阅读所有材料；缺少证据应当作为面试澄清问题，而不是自动淘汰理由。

批量处理前可以按下面顺序核查：

  1. 每项岗位要求是否对应真实职责，而不是模型补出来的偏好？
  2. 模型引用是否能回到简历原文？
  3. “未提供”是否被错误理解成“候选人不具备”？
  4. 是否有模型替候选人补技能、年限或业绩？
  5. 最终判断是否由招聘人员根据一致标准完成并留下理由？

练习包包含虚构岗位、三份匿名简历、提示词、原始/校订输出、计时记录和引用自检脚本：下载招聘与简历证据整理练习包。真实简历含个人信息；先确认组织是否允许使用当前模型，删除不必要的身份信息，限制访问和留存，并由人事/隐私负责人核对流程。本地运行并不自动满足组织义务。