怎么用 AI 在 20 分钟内筛出 10 个合适候选人并写好邀面试短信（HR，职位周五需要面试表）

⚡ 阅读摘要

• 在 tola.work 的实操经验中，一个可复制的流程能把“从200份简历到10位候选”变成可量化的步骤。
• 目标：20分钟内完成候选筛选并生成个性化邀面短信/邮件，节省约3–6小时。
• 核心靠点：简历解析 + 匹配打分 + 批量个性化文案生成。

周四下午 16:30。你刚接到邮件：周五上午开始批量面试。手里是200份刚导出的简历，职位JD只在系统里简短几行。内心是两种冲突：想把最合适的人留到明天，但根本没时间逐条读完；又害怕错过关键候选，让面试被迫延后。你开始翻简历，眼花；群发消息又担心内容不够个性化，回复率低。老板在旁边等确认时间窗。你需要一个能快速、可靠把人挑出来，并能马上生成邀请短信的流程。

为什么传统方法不再高效？

• 时间成本：逐条读简历，过滤关键词，手动评分。200份至少要3–6小时。处理速度赶不上面试时间。
• 认知负荷：长时间评估导致疲劳。细节被忽略，软技能与履历亮点难以均衡判断。
• 出错率 / 不确定性：人工筛选一致性低，错过潜在高匹配候选概率高。自动筛选若无校验，会放大偏差。
  这是我们在 tola.work 中最常见的一类问题。传统人工流程在速度与稳定性上已难以满足“临时批量面试”的需求。

[tola 方法论] 人机协作解决模型

在 tola 人机协作三步法中，人和 AI 各自负责明确的角色。

• 人负责：设置岗位关键判断维度、审定最终候选、把控面试时间与礼貌语气。—判断与决策永远属于人。—
• AI负责：批量解析简历、基于规则或模型给出匹配分、生成个性化邀面文本并批量输出。—执行与生成由AI完成。—

在 tola 人机协作三步法中，这一步的关键是“用简单、可验证的规则让AI先筛出候选，再由人短时复核”。规则要可量化（例如：技能匹配度、工作年限、地理位置、可入职时间），并保留人工复核的缓冲位（10–20%候选用于人工重点检查）。

实操指南

准备清单（必备项）

步骤（4步，可在20分钟内完成）

1. 快速设置筛选规则（3分钟）

   • 具体动作：在表格中写下硬性条件（例如：3年以上相关经验、掌握X工具、可周五到岗）
   • 示例输入：岗位关键词：X工具；经验>=3；地点=上海
   • 预期效果：为AI打分提供明确标准，避免模糊匹配（节省约10%复查时间）。

2. 批量解析并匹配打分（7分钟）

   • 具体动作：把简历文本上传给AI，使用匹配Prompt进行批量评分并导出Top 20分列表。
   • 示例操作/Prompt片段：请为每份简历基于上面规则给出0–100匹配分，并返回匹配理由三点
   • 预期效果：AI在1–3分钟内返回所有评分；缩小到Top20（节省约60–80%初筛时间）。

3. 人工快速复核并定稿（5分钟）

   • 具体动作：用两分钟浏览Top20中高分者的AI理由，选出最贴合的10位；快速确认联系方式与到岗时间。
   • 示例操作：按理由查缺失项（例如：面试冲突、薪资不符），剔除不合项。
   • 预期效果：人工判断控制误差，最终稳定输出10位候选（预计节省3–6小时）。

4. 批量生成并发送邀面短信/邮件（5分钟）

   • 具体动作：用AI模板为每位候选生成个性化邀请短信并导出发送清单。
   • 示例Prompt：参见下方生产级Prompt。
   • 预期效果：每条短信带有候选姓名+匹配点+两个时间选项，回复率和准时率均提高。

参考 Prompt 模板

角色设定：
你是一个招聘助理，目标是帮HR从简历中筛选出最匹配的候选并生成个性化邀面短信。

任务背景：
公司急招：{岗位名称}，需在{面试日期}开始面试。已有{N}份简历（每份包含：姓名、联系方式、教育、工作经历、技能、个人简介）。招聘关键条件：{列出3–5硬性条件}；加分项：{列出2项}。请批量处理并输出格式化结果。

约束条件：
1. 仅按给定硬性条件评分（0–100）。  
2. 为每位候选给出三条匹配理由（<=25字/条）。  
3. 最终输出Top 20候选（按分排序），并标注10位首选。  
4. 对于被选候选，生成一条不超过200字的邀面短信，包含：姓名、岗位、两个时间选择、请回复确认、简短匹配理由（1句）。

输出格式（JSON）：
{
  "candidate_list":[
    {"name":"", "score":0, "match_reasons":["","",""], "contact":"", "can_start":"", "note":""}
  ],
  "top_10":[
    {"name":"", "invite_message":""}
  ]
}

• 适合使用 tola 实操法的场景：临时批量面试、急招、校园招聘初筛、外包面试前的预筛。
• 修改建议：对于高敏感岗位（如财务、法务），把“加分项”改为“必须核验项”；对于大批量简历，先把硬性条件自动筛掉再评分，减少模型负担。

效果对比：使用前 vs 使用后

• 工作流程变化：
  使用前：人工逐条读 → 手动记录 → 人工筛选 → 群发邀面（耗时高、易漏判）。
  使用后：AI批量解析并打分 → 人工短时复核 → AI生成邀约 → 发送（流程线性、可回溯）。

• 时间投入变化：
  使用前：3–6小时。
  使用后：约20分钟（筛选+生成邀约），节省3–6小时。

• 结果稳定性变化：
  使用前：一致性低，面试质量波动大。
  使用后：评分规则一致、复核节点有限，结果可复现、稳定性提高。

进阶技巧 & 避坑指南

❌ 错误做法：把全部判断权交给AI，直接按分自动邀约。
✅ 正确做法：AI先筛、人工复核Top候选，保留判断链路。

❌ 错误做法：用模糊的岗位描述喂模型（如“有经验即可”）。
✅ 正确做法：明确3–5个硬性条件并量化（年限、工具、地点）。

❌ 错误做法：群发统一模板，省事但回复率低。
✅ 正确做法：用AI模板加入1句个性化匹配理由，提高回复率与面试到场率。

❌ 错误做法：忽视数据隐私，上传敏感简历内容至不受控平台。
✅ 正确做法：选择合规工具或脱敏后上传，必要时本地化运行模型。

延伸与下一步 本文展示的是 tola 方法论中的基础模型。 下一步可以在 tola.work 的相关专题中继续深入：例如构建行业模板、自动化脚本与面试日程同步、以及结合ATS实现半自动化闭环。 通过小步快跑，把这套 20 分钟流程变成团队标准操作。