job-match-priority

JD 匹配优先级判定

基于 KSAO 框架（Knowledge / Skills / Abilities / Other）的双层漏斗匹配。全链路 Agent 推理，零脚本。

---

快速开始

当用户要求简历匹配、JD 匹配、岗位筛选时，触发此 skill。

---

Workflow

Step 0: 判断使用阶段

首次使用 → 进入引导流程（Step 0.1 - 0.6） 非首次使用 → 检查已存配置，直接进入 Step 1

判断依据：

• 用户是否已有候选人画像（KSAO）→ references/candidate-profile.md
• 用户是否已校准过匹配标准
• 用户是否明确说"用之前的配置"

---

Step 0.1: 收集求职偏好（5 问，逐问逐答）

交互原则：每问一答，不一次甩 5 个问题。

---

Step 0.2: 提供简历

两种方式（二选一）：

• 方式 A： 提供简历文件路径（本地文件）
• 方式 B： 直接粘贴简历文本内容

---

Step 0.3: 生成双画像

画像 A：候选人画像（KSAO）

从简历中提取，按 KSAO 四维度结构化。详见 references/candidate-profile.md#一、候选人画像结构（KSAO 四维度）。

输出格式：

【候选人画像】
K（知识）：学历 X，院校 XX，行业知识 XX
S（技能）：硬技能 XX，管理技能 XX，工具技能 XX
A（能力）：战略能力 L_X，组织能力 L_X，沟通能力 L_X，执行能力 L_X
O（其他）：动机 XX，价值观 XX

画像 B：求职 JD 画像（理想岗位特征）

综合求职偏好 + 候选人能力画像，生成"理想 JD"：

【求职 JD 画像】
目标岗位：XX（XX方向）
岗位层级推断：L_X-L_X（基于 X 年经验 + 薪资期望）
核心能力维度：XX、XX、XX
加分维度：XX、XX
排除项：XX、XX
福利底线：XX

---

Step 0.4: 确认漏斗标准 + 自定义能力维度

重要：能力维度需根据用户画像动态生成，而非使用预设维度。

将画像转化为可执行的匹配规则，向用户确认：

基于你的画像，我拟定了以下匹配标准：

【硬过滤】
- 薪资：XX-K 之外直接标记 low
- 地点：非 XX 且不接受远程 → low
- 行业：XX、XX → low
- 排除：XX、XX

【能力维度权重】（根据你的画像定制，5-8 个维度）
- 核心维度：XX、XX（权重最高）
- 重要维度：XX、XX
- 加分维度：XX、XX

【能力深度要求】
- 目标岗位层级：L_X-L_X
- 深度匹配范围：L_X-L_X 可接受

以上标准是否需要调整？可以增删维度或调整权重。

维度生成原则：

1. 从候选人简历中提取高频能力关键词，聚类为维度
2. 结合目标岗位的典型能力要求
3. 用户可自定义维度名称和同义词簇
4. 总维度数建议 5-8 个

用户确认 → 进入校准测试

---

Step 0.5: 校准测试（用户提供 ≥10 份 JD）

目的： 用真实数据验证匹配标准，让用户校准判定结果。

要求用户提供：

• ≥10 份 JD（飞书表格链接 / 本地 CSV / 直接粘贴）
• 优先选择用户已知"应该匹配"和"不应该匹配"的 JD（用于验证）

执行：

1. 对每份 JD 执行完整的 Layer 1-3 匹配（详见 Step 3）
2. 生成匹配结果表格：

---

Step 0.6: 用户审阅 + 校准

展示结果后，问用户：

以上 10 份 JD 的匹配结果，是否有需要调整的？
- 哪些判定偏高了？（实际不匹配但判为 high/medium）
- 哪些判定偏低了？（实际匹配但判为 low）
- 漏斗标准需要修改吗？

用户反馈处理：

校准循环：

• 用户有调整 → 修改标准 → 重新跑校准测试 → 再次审阅
• 用户确认无误 → 存储最终配置 → 进入 Step 1

---

Step 1: 检查数据源与 JD 完整性

1.1 数据源识别

1.2 JD 信息完整性检查

对每条 JD 检查以下字段是否齐全：

完整性判定：

• 完整： 岗位名称 + JD 描述 + 薪资 + 地点 齐全
• 基本完整： 岗位名称 + JD 描述 齐全，缺薪资或地点
• 不完整： 缺岗位名称或 JD 描述

处理方式：

• 完整 / 基本完整： 正常执行匹配，结果可信
• 不完整： 提醒用户，说明"基于不完整信息分析，结果可能不准确"，仍执行匹配

1.3 数据去重（必须）

• 按 job_id 或 岗位名称+公司名称 去重，保留首条
• 去重后统计实际总数，汇报去重数量

---

Step 2: 读取待处理记录

1. 获取表格记录（飞书 bitable / 本地文件）
2. 过滤：排除已有"优先级判断"的记录
3. 获取准确的 record_id

---

Step 3: 批量判定（每批 5 条）

对每条记录执行完整匹配流程：

Layer 1：硬过滤

按 references/priority-rules.md#Layer 1：硬过滤 执行：

• 薪资过滤
• 地点过滤
• 行业过滤
• 排除项检查

不通过 → 直接标记 low，理由说明硬过滤原因

Layer 2：能力维度匹配（语义聚类）

按 references/priority-rules.md#Layer 2：能力维度匹配（语义聚类） 执行：

• 使用 Step 0.4 用户确认的自定义能力维度（5-8 个）
• 每个维度有同义词簇
• 命中任一同义词 → 该维度得分 +1（不重复计分）
• 统计命中维度数

Layer 3：能力深度匹配

按 references/priority-rules.md#Layer 3：能力深度匹配 执行：

• 从 JD 推断岗位层级（多维信号）
• 评估候选人能力深度
• 判断深度匹配类型（精准/超配/不足）

综合判定

Layer 1 不通过 → low
Layer 1 通过 → 结合 Layer 2 + Layer 3 综合判定
  → high / medium / low

判定标准参考 references/priority-rules.md#综合判定（Layer 1-3 汇总）， 但以 Step 0.4 用户确认的标准为准。

AI 关键词提升

仅检测职位名称（title），不检测职位描述（description）。 title 含 AI 关键词 → 提升 1 级（low→medium, medium→high）。 详见 references/priority-rules.md#AI 关键词提升规则。

理由生成

30 字以内，格式：[核心原因]，[辅助说明]

---

Step 4: 写入结果

飞书多维表格： 每批 5 条判定完成后立即 batch_update

本地 CSV / Excel： 创建新文件 <原名>_判定结果.<扩展名>

• 检查是否已有 优先级判断 和 优先级判断理由 字段，若无则追加
• 原始文件不做任何修改

字段配置： 见 references/field-config.md

失败 → 记录失败 record_id，继续下一批，最后重试

---

Step 5: 汇报结果

简洁汇报：

匹配完成
总计：X 条（去重后）
high：Y 条（Z%）
medium：M 条（N%）
low：L 条（P%）
不完整 JD：N 条（结果可能不准确）

---

核心提醒

• 数据必须先去重（按 job_id 或 岗位+公司），否则重复记录导致判定结果膨胀
• AI 提升仅检测 title，description 中的 AI 关键词不触发提升
• 能力维度按维度计分，不按关键词计分，避免同义词重复膨胀
• 全链路 Agent 推理，不使用脚本，确保语义理解准确性
• JD 不完整时必须提醒用户，说明结果可信度下降
• 能力维度需动态生成，根据用户画像定制，而非使用预设维度

---

相关文件

Assets（模板与文档）