在老城区，王阿姨是远近闻名的红娘。她能记住三百个年轻人的情况，谁喜欢摄影、谁在哪家公司、谁和谁是大学同学，全都装在她脑子里。可她也叹气：全城适龄青年有几十万，她一天最多见三个人，再厉害也有天花板。假如有一天，王阿姨获得了一种超能力——她可以同时翻阅一百个婚恋平台的档案，过目不忘；她能从“性格开朗”四个字里看出这是个爱讲冷笑话的家伙；她能顺着朋友圈找到那些“还没挂牌”的优质青年；她还能给每个人都写出一句恰到好处的开场白，一天发送一千条消息也不喘气。招聘界真的出现了这样一位“超级红娘”，它的名字叫 Hiretual。 Hiretual 是一个 AI 人才搜索引擎。它能跨平台聚合简历、语义化理解候选人、构建人才图谱、自动评分排序并主动联系触达。本文会用最通俗的方式，拆解这位“超级红娘”的每一个工作环节，让你彻底看懂招聘寻访如何被 AI 重构：从“大海捞针”变成“按图索骥”。

岗位关联

对招聘从业者而言，掌握 AI 人才引擎等于装上一台“人才雷达”，把寻访效率从“天”缩短到“分钟”，是从执行型猎头向策略型顾问跃迁的必备技能。

目录
  1. 可视化演示
  2. 一、平台概览：一位有超能力的“超级红娘”
  3. 二、跨平台聚合：全网简历一张“身份证”
  4. 三、语义画像匹配：读懂简历的“言外之意”
  5. 四、人才图谱：朋友圈里的隐藏机会
  6. 五、搜索与推荐：红娘的“硬杠杠”与“直觉”
  7. 六、评分与管道：候选人也有“优先级”
  8. 七、触达策略：恰到好处的第一句话
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

数据聚合——跨平台简历整合 40+平台：LinkedIn/GitHub/Kaggle等 API+爬虫双通道采集 统一画像：技能+经验+项目 聚合后去重合并为统一候选人画像

一、平台概览：一位有超能力的“超级红娘”

王阿姨做红娘三十年，最头疼的是三件事：资料太多记不住、圈子太杂摸不清、话术要费心琢磨。Hiretual 就像是拿到了三件法宝的超级红娘：无穷大的档案柜、能看穿话术的读心术、能一键群发消息的传声筒。它把所有重复劳动接过来，让红娘把精力留给最关键的判断。

从技术定位看，Hiretual 不是普通简历库，而是一个“寻访闭环”平台。它由五个环节组成：跨平台聚合（把全网简历汇集到统一档案库）、语义画像匹配（用自然语言处理理解简历的言外之意）、人才图谱（挖掘人脉与组织关系）、评分排序（给候选人排优先级）、自动触达（批量发送个性化联系消息）。招聘者只需输入岗位需求，系统帮你完成从发现到联系的全过程。

适用场景覆盖猎头寻访、企业批量招聘、竞品团队分析和校招筛选。它的核心价值不是“简历更多”，而是“决策更准、动作更快”——把 80% 的重复劳动交给 AI，把 20% 的关键判断留给人类。这就是 AI 人才引擎的定位。

这五个环节，正如红娘从“翻档案—看门道—问圈子—排顺序—去说媒”的一条龙服务。你看明白了这条流水线，就等于拿到了理解 Hiretual 全部功能的地图。

寻访闭环:聚合⟶画像⟶图谱⟶评分⟶触达\displaystyle \text{寻访闭环}: \text{聚合} \longrightarrow \text{画像} \longrightarrow \text{图谱} \longrightarrow \text{评分} \longrightarrow \text{触达}
这条流水线是 Hiretual 的骨架：每一环把上一环的产物“加工增值”后，再交给下一环，环环相扣。
  1. 聚合环节从猎聘、领英、招聘网站等多个平台抓取公开简历，汇入统一档案库，解决“人才藏在哪”。
    多源简历⇒统一档案库\text{多源简历} \Rightarrow \text{统一档案库}
  2. 画像环节对每份简历做语义理解，抽取技能、年限、职级、地点等维度，构建候选人画像。
    简历文本⇒候选人画像\text{简历文本} \Rightarrow \text{候选人画像}
  3. 图谱环节把候选人、公司、技能连成人脉网络，发现“还没挂牌”的隐藏人才。
    候选人+公司+技能⇒关系网络\text{候选人} + \text{公司} + \text{技能} \Rightarrow \text{关系网络}
  4. 触达环节按评分优先级向候选人发送个性化消息，并追踪回复效果。
    画像+评分⇒个性化消息⇒回复数据\text{画像} + \text{评分} \Rightarrow \text{个性化消息} \Rightarrow \text{回复数据}

二、跨平台聚合：全网简历一张“身份证”

王阿姨以前要挨个婚介所跑，抄回来的资料还互相矛盾：同一个人在 A 平台说 28 岁，在 B 平台说 30 岁，工作经历也对不上。她得靠肉眼判断“这俩人是不是同一个人”。Hiretual 做的第一件事就是把各平台当作“一线情报源”，全部汇入一个统一档案库。

跨平台聚合最直接的价值，是不用再逐平台切换账号、反复搜索。但抓取只是第一步，真正的技术难点在“去重合并”：同一候选人往往在多个平台注册，简历内容大同小异。如果不去重，你搜出来的“1000 个候选人”里可能只有 700 个真人。Hiretual 会用相似度算法识别重复档案，把多条记录合并成一条“全平台唯一身份”，字段取最完整的那份，再统一不同平台的格式（工作年限、教育经历等）。

去重背后的核心数学工具是 Jaccard 相似度。它把两份简历各自的特征词抽成集合，计算“共同拥有的词”占“所有不同的词”的比例。这个比例越接近 1，两份简历越像是同一个人——超过预设阈值，系统就判定为重复并触发合并。

就这样，“三个婚介所三个说法”变成了“一本权威档案”。跨平台聚合让红娘手里的资料终于可信了：一位候选人在全网只占一条记录，而且这条记录是最完整、最干净的版本。

Jaccard(A, B)=∣A∩B∣∣A∪B∣\displaystyle \text{Jaccard}(A,\,B)=\frac{|A \cap B|}{|A \cup B|}
简单说就是“两人重复的部分”除以“两人加起来的全部”，比值越大越可能是同一个人——像极了红娘核对两份资料时说“这说的准是同一个小伙子”。
  1. 简历特征集合把两份简历各自的关键词抽成集合 A 和 B，元素是技能、公司、学校等特征词。
    A={a1,a2,⋯ ,am},B={b1,b2,⋯ ,bn}A = \{a_1, a_2, \cdots, a_m\},\quad B = \{b_1, b_2, \cdots, b_n\}
  2. 交集大小统计两份简历共有的特征词数量，共有词越多，相似度越高。
    ∣A∩B∣=两份简历重复出现的特征词个数|A \cap B| = \text{两份简历重复出现的特征词个数}
  3. 并集大小统计两份简历去重后的全部特征词数量，作为归一化的分母。
    ∣A∪B∣=两份简历合并去重后的特征词总数|A \cup B| = \text{两份简历合并去重后的特征词总数}
  4. 相似度判定比值落在 0 到 1 之间，越接近 1 越疑似重复，超过阈值即合并为一个档案。
    Jaccard(A, B)∈[0, 1],阈值≈0.7\text{Jaccard}(A,\,B) \in [0,\,1],\quad \text{阈值} \approx 0.7

三、语义画像匹配：读懂简历的“言外之意”

王阿姨的看家本领是“见字如面”：有人写“性格开朗”，她能读出这是爱讲冷笑话的人；有人写“抗压能力强”，她知道这是个能熬夜改方案的主。简历里充满了这种“字面之下”的信息。传统关键词搜索只能“对号”，不能“入座”——你搜“RNN“，就搜不到那些只写了”循环神经网络”的人。

语义画像匹配就是让 AI 学会“见字如面”。它先把简历和职位描述都变成数学里的“向量”——可以理解为一串代表技能浓度的数字。意思相近的词（比如“tensorflow“和”深度学习框架“）在这个数字空间里位置相近。这样一来，即使字面完全不同，只要”意思对得上”，就能匹配成功。

具体流程分三步：第一步，对简历做分词和实体识别，抽取技能栈、工作年限、职级、地理位置等维度；第二步，把文本映射成语义向量；第三步，用余弦相似度计算简历向量与职位向量之间的“夹角”。夹角越小，相似度越高，匹配分就越高。这套方法不仅能识别同义表达，还能容忍简历里“做过类似的事但没写岗位关键词”的情况。

红娘看一个人，靠的是几十年阅人经验；AI 看一份简历，靠的是海量语料训练出的语义空间。当“RNN“和”循环神经网络”在向量空间里挨在一起时，候选人画像就真正立起来了——这是 AI 匹配推荐区别于关键词搜索的分水岭。

cos⁡(θ)=r⃗⋅j⃗∥r⃗∥⋅∥j⃗∥=∑i=1driji∑i=1dri2⋅∑i=1dji2\displaystyle \cos(\theta)=\frac{\vec{r}\cdot\vec{j}}{\|\vec{r}\|\cdot\|\vec{j}\|}=\frac{\displaystyle\sum_{i=1}^{d} r_i j_i}{\sqrt{\displaystyle\sum_{i=1}^{d} r_i^{2}}\cdot\sqrt{\displaystyle\sum_{i=1}^{d} j_i^{2}}}
两个向量的夹角越小，说明简历和职位越“投缘”。红娘的“见字如面”升级成了“向量如面”：AI 不看措辞，看本质。
  1. 向量化把简历 r 和职位 j 分别编码成 d 维向量，每一维对应一个技能或关键词的权重。
    r⃗=(r1,r2,⋯ ,rd),j⃗=(j1,j2,⋯ ,jd)\vec{r} = (r_1, r_2, \cdots, r_d),\quad \vec{j} = (j_1, j_2, \cdots, j_d)
  2. 点积逐维相乘再求和，两边的强项越重叠，点积越大，代表“技能口味一致”。
    r⃗⋅j⃗=∑i=1driji\vec{r} \cdot \vec{j} = \sum_{i=1}^{d} r_i j_i
  3. 模长归一化每个向量的长度作为分母，消除简历长短、字数多少对分数的干扰。
    ∥r⃗∥=∑i=1dri2,∥j⃗∥=∑i=1dji2\|\vec{r}\| = \sqrt{\sum_{i=1}^{d} r_i^{2}},\quad \|\vec{j}\| = \sqrt{\sum_{i=1}^{d} j_i^{2}}
  4. 余弦分数夹角余弦值落在 -1 到 1 之间，越接近 1 代表画像越吻合，系统据此排序推荐。
    cos⁡(θ)∈[−1, 1],cos⁡(θ)→1⇒高度匹配\cos(\theta) \in [-1,\,1],\quad \cos(\theta) \to 1 \Rightarrow \text{高度匹配}

四、人才图谱：朋友圈里的隐藏机会

王阿姨最厉害的本事是“圈子”。她知道小张是李姐的表弟，王叔的女儿在李家公司上班。许多好姻缘不是搜出来的，是顺着人脉一层层挖出来的。Hiretual 的人才图谱，就是把红娘的“朋友圈打听”数字化成一张可检索的关系网络。

人才图谱把候选人、公司、技能、教育背景等实体连成一张大网。当你找到一位候选人，图谱会自动展示他的前同事、校友、共同参与过的项目——这些人往往和他是“同类型人才”。更妙的是，你输入一家公司名，图谱立刻展示这家公司的核心团队构成：谁是技术负责人、谁带算法团队、团队规模多大。这就是“竞品团队洞察”：先看清对手的阵型，再按图挖人。

从技术实现看，图谱用图结构存储数据：顶点代表人、公司或技能标签，边代表人脉关系。系统通过计算顶点的“度数”（即连接数）识别行业里的“人脉枢纽”——这类人认识的人多，触达一个人就可能撬动一整片人脉。图谱还支持路径分析：你和目标候选人之间隔了几个中间人，通过谁介绍最自然，都在图谱上一目了然。

红娘的“圈子打听”从此被数字化了：以前靠熟人社会的口口相传，现在是可检索、可遍历的十万级人脉网。看到竞品团队架构的那一刻，你就像拿到了对方的“花名册”，挖猎不再靠猜。

d(vi)=∑j=1nAij\displaystyle d(v_i) = \sum_{j=1}^{n} A_{ij}
用人话说：数一数某个人有几条“关系线”，线越多，他在人脉网里的枢纽地位越高，越值得优先接触。
  1. 邻接矩阵人才图谱用矩阵 A 存储连接关系，Aij 为 1 表示顶点 i 与 j 之间有人脉连接。
    Aij={1,顶点 i 与 j 存在连接0,无连接A_{ij} = \begin{cases} 1, & \text{顶点 } i \text{ 与 } j \text{ 存在连接}\\ 0, & \text{无连接}\end{cases}
  2. 度数计算把第 i 行所有元素相加，得到该顶点的连接总数。
    d(vi)=∑j=1nAijd(v_i) = \sum_{j=1}^{n} A_{ij}
  3. 枢纽识别度数显著高于平均水平的顶点就是“人脉枢纽”，常见于资深从业者或团队 Leader。
    vhub=arg⁡max⁡vi d(vi)v_{\text{hub}} = \arg\max_{v_i}\, d(v_i)
  4. 路径拆解在图上搜索两个候选人之间的最短路径，就能找到最自然的“介绍人”。
    Path(vs,vt)=vs→v1→⋯→vt\text{Path}(v_s, v_t) = v_s \to v_1 \to \cdots \to v_t

五、搜索与推荐：红娘的“硬杠杠”与“直觉”

王阿姨有一套老派的筛选条件：35 岁以下、本市户口、本科以上——这是她的“硬杠杠”。但她也有直觉：有些条件虽然没写，她却觉得两个人合得来。Hiretual 把这两样本领都装进了系统：Boolean 搜索负责硬杠杠，AI 推荐负责直觉。

Boolean 搜索是用 AND、OR、NOT 组合关键词的精确筛选，比如过滤“python AND 机器学习 NOT 外包”。它的优点是规则透明、完全可控，招聘者能精确圈定候选人池。但它的局限也很明显：只能处理字面匹配。搜“python“，就漏掉了那些简历里只写”分析数据、写脚本”却不会 python 多年的候选人。

Hiretual 的策略是把两者融合：先用 Boolean 建立初始候选池，保证硬性条件一个不差；再用语义匹配对池内成员重排，把“意思沾边”的候选人提到前面。最终得分是两类信号的加权求和——权重可以由招聘者调节，想要更精确就调高布尔分的权重，想要更广撒网就调高语义分的权重。AI 还会学习你的行为：你点了哪些简历、联系了谁、忽略了谁，这些反馈会悄悄调整推荐权重，让“直觉”越用越准。

好的红娘，硬条件不放松，软条件凭感觉。Hiretual 让这种感觉变得可调节、可迭代：你今天觉得“学历差点没关系”，就把语义权重调高一点；明天发现“非名校不行”，就把布尔权重拉回来。这套弹性，正是 AI 推荐融合的精髓。

S最终=w1⋅S布尔+w2⋅S语义,w1+w2=1\displaystyle S_{\text{最终}} = w_1 \cdot S_{\text{布尔}} + w_2 \cdot S_{\text{语义}},\quad w_1 + w_2 = 1
精确筛选和 AI 直觉不是二选一，而是合伙干活：一个守门，一个挖宝，按你的偏好分配话语权。
  1. 布尔分统计候选人命中硬性条件的比例，乘以 100 得到 0-100 分的精确匹配分。
    S布尔=命中条件数总条件数×100S_{\text{布尔}} = \frac{\text{命中条件数}}{\text{总条件数}} \times 100
  2. 语义分把上一章的余弦相似度换算成百分制，代表“言外之意”层面的投缘程度。
    S语义=cos⁡(θ)×100S_{\text{语义}} = \cos(\theta) \times 100
  3. 权重配置w1 与 w2 是两种信号的信任系数，和为 1，招聘者可手动调节。
    w1+w2=1,w1, w2≥0w_1 + w_2 = 1,\quad w_1,\,w_2 \geq 0
  4. 加权求和把精确证据与模糊证据合成一个最终分，兼顾“准”与“全”。
    S最终=w1⋅S布尔+w2⋅S语义S_{\text{最终}} = w_1 \cdot S_{\text{布尔}} + w_2 \cdot S_{\text{语义}}

六、评分与管道：候选人也有“优先级”

王阿姨手里永远有一本小本子，上面按“般配程度”给候选人排了序：第一位最合适，先安排见面；第二位次之，留着备用。这就是人才管道（Pipeline）的朴素原型。候选人多了之后，光靠脑子排优先级是会出错的——红娘也会犯糊涂。

候选人评分模型的思路，就是把“般配”拆成可以计算的维度：技能匹配度、工作年限、地理位置、职级匹配、换工作意愿……每个维度先打一个 0 到 1 的子分，再乘上该维度的权重后求和，得到 0-100 的综合分。权重反映岗位的侧重：招资深算法工程师，技能和年限权重大；招应届生，学校和研究方向权重大。

评分之上是人才管道的动态管理。候选人进入管道后分成不同状态：新发现、已联系、已回复、已面试、已 offer、已淘汰。你可以按阶段批量推进，一眼看出流程堵在哪。更聪明的是，当某位高分候选人最终淘汰时，评分模型能立刻推荐“和他最相似”的候选人补位——管道不是一潭死水，而是活水。

小本子变成了数据库，手工排序变成了活水管道：人走了能补，等久了能催，流程堵了能看见。评分模型的意义不是“替你做决定”，而是把“先联系谁”这个最耗心力的选择，变成一道已经算好答案的算术题。

CandidateScore=w1f1+w2f2+⋯+wnfn=∑k=1nwkfk\displaystyle \text{CandidateScore} = w_1 f_1 + w_2 f_2 + \cdots + w_n f_n = \sum_{k=1}^{n} w_k f_k
一句话：把每个维度打个分，乘以重要性，加起来就是总排名——小本子上的手工排序，变成了可解释、可复盘的数学模型。
  1. 特征子分每位候选人抽取 n 个特征，每个特征 fk 归一化到 0-1，代表该项表现。
    fk∈[0, 1],k=1, 2, ⋯ , nf_k \in [0,\,1],\quad k = 1,\,2,\,\cdots,\,n
  2. 权重分配每个特征配一个权重 wk，表示该维度对岗位的重要性，所有权重之和为 1。
    wk≥0,∑k=1nwk=1w_k \geq 0,\quad \sum_{k=1}^{n} w_k = 1
  3. 加权求和逐项相乘累加后乘以 100，得到百分制总分。
    CandidateScore=∑k=1nwkfk×100\text{CandidateScore} = \sum_{k=1}^{n} w_k f_k \times 100
  4. 排序应用分数从高到低排序，高分进入管道头部优先触达，低分暂缓或放弃。
    Rank=sort(CandidateScore,descending)\text{Rank} = \text{sort}(\text{CandidateScore}, \text{descending})

七、触达策略：恰到好处的第一句话

王阿姨还有一项绝活：说媒。她从不群发同一句“你好，想找对象吗”，而是针对小张喜欢摄影、小李爱养猫，说不同的话。可一个人的精力终究有限，一天最多说十次媒。Hiretual 的自动联系触达，让红娘一天能说一千次媒。

自动触达是寻访闭环的最后一环，也是最容易翻车的一环。系统会根据候选人画像生成个性化消息：提到他最近参与的项目、和你的共同人脉、推荐这份工作的具体理由，甚至附上匹配分数作为“诚意证明”。消息在最佳时间批量发送，之后自动记录打开、回复、拒绝等反馈，形成完整的行为日志。

触达效果用回复率来衡量，这是红娘的“口碑指标”。系统会做 A/B 测试：同一批候选人分成两组，分别发不同话术，看哪组回复率高，就把赢家复制给下一批。跟进节奏也很讲究：第 3 天温和提醒一次，第 7 天换个渠道（从邮件换电话）再试一次，避免“已读不回”石沉大海。

红娘的“说媒”变成了千人千面的智能触达：话术因人而异，节奏张弛有度，回复率就是她的口碑。至此，从聚合到画像、从图谱到评分、从评分到触达，这位超级红娘完成了一个完整的寻访闭环——而你要做的，只是告诉她“想找什么样的人”。

回复率=N回复N触达×100%\displaystyle \text{回复率} = \frac{N_{\text{回复}}}{N_{\text{触达}}} \times 100\%
回复率就是触达策略的体温计：话术好、时机对，回复率就高；群发同样的话，候选人一皱眉就删了，回复率立刻露馅。
  1. 触达基数统计发出了多少条联系消息，这是回复率的分母。
    N触达=已发送联系消息的候选人数N_{\text{触达}} = \text{已发送联系消息的候选人数}
  2. 回复计数统计在观察期内作出回应的候选人数，这是分子。
    N回复=在观察期内作出回应的候选人数N_{\text{回复}} = \text{在观察期内作出回应的候选人数}
  3. 比率生成两者相除乘以 100%，得到可横向对比的百分比指标。
    回复率=N回复N触达×100%\text{回复率} = \frac{N_{\text{回复}}}{N_{\text{触达}}} \times 100\%
  4. 迭代优化用 A/B 测试对比不同话术、时段、渠道下的回复率，持续放大有效策略。
    新话术胜出  ⟺  回复率新>回复率旧\text{新话术胜出} \iff \text{回复率}_{\text{新}} > \text{回复率}_{\text{旧}}

AI 应用场景

竞品团队反向寻访

阶段：人才图谱构建与竞品洞察

解决的问题：传统方式靠猎头人脉口头打听竞品团队架构，信息零散滞后，还常常吃闭门羹。AI 把竞品公司、核心团队、技能标签连成图谱，输入公司名即可查看组织构成，按图挖人。

具体案例：某自动驾驶创业公司要挖大厂激光雷达团队核心。猎头在 Hiretual 输入对手公司名，图谱展示该团队 Leader 与主要工程师的画像，按评分排序后优先触达 3 位高匹配候选人，两周内约到 2 场面试。

校招批量人才管道

阶段：语义画像匹配 + 评分管道

解决的问题：秋招收到上万份简历，人工初筛耗时数周，关键词筛选漏掉“研究方向对口但没写岗位关键词”的潜力股。AI 统一建画像、打分、排序，HR 只需处理管道头部。

具体案例：某互联网大厂招 50 名 NLP 方向校招生，HR 先用 Boolean（学历=硕士 AND 专业=计算机）圈池，再用语义匹配筛出“做过情感分析、对话系统”的候选人，评分 Top 200 进入人才管道，分批次联系，四周完成目标。

沉寂人才库激活

阶段：自动联系触达

解决的问题：公司人才库沉睡数千份旧简历，人工逐一联系不现实。AI 根据画像批量生成个性化消息自动推送，持续跟踪回复率，把沉睡资产重新激活。

具体案例：某咨询公司攒了两年共 3000 份简历，导入 Hiretual 后按“曾投递战略分析岗”筛出 200 人，系统生成提及各自项目经历的触达消息，分三天发送，回复率 34%，最终转化 5 名候选人入职。

Python 演示

python52 行
# -*- coding: utf-8 -*-"""候选人评分与人才管道演示：模拟 Hiretual 的评分排序逻辑"""import re  class CandidateScorer:    """基于技能关键词的候选人评分器"""     def __init__(self):        self.skills_map = {}        self._count = 0     def fit(self, job_skills):        """录入职位硬性技能要求，每项权重初始为 1"""        self.skills_map = {s: 1.0 for s in job_skills}     def parse_skills(self, text):        """从简历文本中抽取技能词集合（小写化）"""        return set(re.findall(r'[a-zA-Z+#]+', text.lower()))     def score(self, resume_text):        """按命中技能权重占比计算匹配分 0~100"""        have = self.parse_skills(resume_text)        if not self.skills_map:            return 0.0        hit = sum(w for s, w in self.skills_map.items() if s in have)        total = sum(self.skills_map.values())        return round(100.0 * hit / total, 1)     def build_pipeline(self, resumes, top_k=3):        """对候选人评分并排序，返回前 top_k 名组成人才管道"""        ranked = sorted(            ((self.score(text), name) for name, text in resumes.items()),            reverse=True,        )        return ranked[:top_k]  if __name__ == "__main__":    scorer = CandidateScorer()    scorer.fit(["python", "tensorflow", "nlp", "sql"])     resumes = {        "张三": "3年nlp经验，熟练python与tensorflow，会sql",        "李四": "前端工程师，擅长javascript与css，平时写写sql",        "王五": "做推荐系统，python功底扎实，搞过tensorflow模型",        "赵六": "算法博士，tensorflow重度用户，专注nlp方向",    }     pipeline = scorer.build_pipeline(resumes, top_k=3)    for name, s in pipeline:        print(f"{name}：{s} 分")
目的：用技能命中率模拟 Hiretual 的候选人评分与管道排序，演示“先评分、再排优先级”的核心逻辑。
  1. self.skills_map = {s: 1.0 for s in job_skills}把职位硬性技能存成字典，权重初始为 1，后续可扩展为加权评分模型。
  2. return set(re.findall(r'[a-zA-Z+#]+', text.lower()))用正则把简历文本拆成技能词集合，方便求交集。
  3. hit = sum(w for s, w in self.skills_map.items() if s in have)只累加命中的技能权重，等价于求“交集权重和”。
  4. total = sum(self.skills_map.values())分母为全部要求技能的权重和，用于归一化到 100 分。
  5. ranked = sorted(...)按分数从高到低排序，模拟“候选人评分 + 优先级排序”。
  6. return ranked[:top_k]截取管道头部，对应人才管道中优先触达的高分候选人。

常见误区

误区以为 Hiretual 就是把各平台简历爬下来，提供一个搜索框，本质上和猎聘、领英没什么区别，只是简历数量多一点。

正解Hiretual 是“寻访闭环”平台，聚合只是第一环，后面还有语义画像、人才图谱、评分排序、自动触达。就像红娘不只是有档案库，还要会看人、会打听圈子、会说媒。它的核心价值是帮招聘者把“搜索→筛选→联系”整条链路自动化。

为何常见：大多数人第一次接触只用到搜索功能，没体验过图谱分析和自动触达，于是产生了“只是简历多一点”的错觉。

误区既然 AI 能语义匹配，Boolean 关键词搜索就是过时技术，没必要学，直接输入自然语言就行。

正解Boolean 与 AI 推荐是互补关系，不是替代关系。Boolean 负责“精确的硬条件过滤”，AI 负责“泛化的软匹配发现”。标准流程是先 Boolean 圈定候选池，再用 AI 对池内成员排序，权重还可由招聘者调节。就像红娘既要会用硬杠杠（年龄、户口）筛人，也要用直觉发现漏网之鱼，两者缺一不可。

为何常见：“AI 取代人工”的宣传铺天盖地，让人误以为模糊匹配会完全替代精确规则，忽略了规则在控制范围与解释性上的优势。

误区候选人评分 95 分，说明他就是最该录用的人；分数低的直接放弃，不用浪费时间。

正解评分只反映“简历文本与职位描述的匹配程度”，不包含面试表现、薪资期望、团队契合度等动态信息。高分只代表他值得优先接触，最终录用还要靠电话和面试验证。评分是“值得聊一聊”的排序器，不是“必须发 offer”的裁判。

为何常见：把“AI 打分”等同于“AI 做决策”，忽略了评分模型的输入只有简历文本这一现实——红娘的小本子再准，也得见面聊了才知道合不合得来。

误区自动联系触达等于给所有候选人发同一句“您好，我们有个岗位很适合您”，省时省力。

正解好的自动触达强调“千人千面”：系统根据候选人画像生成个性化内容（提到近期项目、共同人脉、推荐理由），选择最佳发送时间，并用 A/B 测试持续优化回复率。群发同质消息会让候选人反感，回复率反而更低。就像红娘说媒，同样一件事对不同性格的人要换不同的说法。

为何常见：“自动 = 批量 = 一样”的直觉让人忽略了：生成个性化内容恰恰是自动化的核心难点，而不是省事的手段。

面试题

Q1. Hiretual 的核心定位是哪一种工具？

单选题 · easy

  • A.普通招聘信息发布网站
  • B.AI 人才搜索与触达平台← 正确答案
  • C.企业内部绩效管理软件
  • D.招聘笔试在线考试系统

答案：B。Hiretual 的核心定位是 AI 人才搜索引擎，通过跨平台聚合、语义匹配、图谱分析、评分与自动触达形成寻访闭环，而非简单的信息发布站或绩效管理软件。就像一位全能红娘，不只是登记资料，还会看人、挖圈、说媒。

Q2. 跨平台简历聚合首先要解决什么问题？

单选题 · easy

  • A.让简历数量翻倍增长
  • B.识别合并重复候选人档案← 正确答案
  • C.把简历自动翻译成英文
  • D.给候选人自动安排面试

答案：B。聚合之后必须去重合并，否则同一候选人在多个平台注册会导致搜索大量重复。好比红娘从三家婚介所拿到同一人的三份矛盾档案，第一步是确认“这是不是同一个人”，否则后面的分析都是错的。

Q3. Jaccard 相似度在简历去重中计算的是什么？

单选题 · mid

  • A.简历特征词交集占并集的比例← 正确答案
  • B.两份简历的字节长度差值
  • C.两份简历的修改时间间隔
  • D.两份简历的投递次数之和

答案：A。Jaccard 相似度 = |A∩B| / |A∪B|，即两份简历共有特征词占全部特征词的比例，越接近 1 越可能是同一人。它关注内容重合度，与字节长度、修改时间、投递次数无关。

Q4. 语义化画像匹配相比关键词搜索的核心优势是什么？

单选题 · mid

  • A.搜索结果运行速度更快
  • B.能理解同义表达与隐性技能← 正确答案
  • C.不需要任何简历数据支撑
  • D.完全替代人工面试环节

答案：B。语义匹配把简历和职位映射为向量，用余弦相似度判断“意思是否相近”，即使字面不同（如 RNN 与循环神经网络）也能匹配。这就像红娘从“性格开朗”读出“爱讲冷笑话”，看的是本质而非措辞，但它不替代面试。

Q5. 人才图谱最典型的应用场景是什么？

单选题 · mid

  • A.计算候选人薪资涨幅
  • B.竞品团队分析反向挖猎← 正确答案
  • C.自动生成招聘广告文案
  • D.统计公司内部员工考勤

答案：B。人才图谱把候选人、公司、技能连成网络，输入竞争对手公司名即可查看其团队构成、识别核心成员，再按图挖猎。这正是“朋友圈挖人”的数字化版本，也是图谱最独特的价值所在。

Q6. Boolean 搜索与 AI 推荐的正确关系是什么？

单选题 · mid

  • A.AI 推荐完全取代 Boolean 搜索
  • B.两者互补，先圈池再排序← 正确答案
  • C.Boolean 只用于简历下载导出
  • D.两者各自独立互不相关

答案：B。Boolean 负责精确的硬性条件过滤（如 python AND 硕士 NOT 外包），AI 负责语义层面的软匹配排序。正确流程是先 Boolean 圈定候选池，再用 AI 加权打分，两者互补而非替代。

Q7. 候选人评分模型的输出最适合用于什么决策？

单选题 · hard

  • A.直接决定是否发放 offer
  • B.确定候选人到岗具体日期
  • C.优先安排接触高匹配候选人← 正确答案
  • D.自动核算候选人期望薪酬

答案：C。评分基于简历文本的匹配度估计，适合做“优先级排序”——决定先联系谁，而非“录用决策”。就像红娘小本子上的般配序位只决定先见谁，是否合适要见面聊过才知道。

Q8. 关于人才管道的说法正确的是哪些？

多选题 · easy

  • A.管道按阶段跟踪候选人状态← 正确答案
  • B.管道可动态补位流失候选人← 正确答案
  • C.管道只能容纳五名候选人
  • D.管道需结合评分模型排序← 正确答案

答案：ABD。人才管道是候选人从发现到入职的“活水管理”：按阶段（已联系、已面试、已 offer 等）跟踪，流失后由相似候选人补位，并与评分模型结合排序。管道容量没有五人限制，故 C 错误。

Q9. 语义化画像可以从简历中抽取哪些维度？

多选题 · hard

  • A.技能栈与熟练程度信息← 正确答案
  • B.工作年限与职级信息← 正确答案
  • C.地理位置与期望薪资信息← 正确答案
  • D.星座血型等非职业信息

答案：ABC。语义画像抽取的是与职业决策相关的维度：技能栈、年限、职级、地域、薪资期望等。星座、血型与岗位胜任力无关，不在画像体系内，故 D 错误。

Q10. 某候选人布尔分 80、语义分 60，权重均为 0.5，最终评分是多少？

单选题 · extreme

  • A.加权后为 140 分
  • B.加权后为 70 分← 正确答案
  • C.加权后为 100 分
  • D.加权后为 60 分

答案：B。最终评分 = 0.5 × 80 + 0.5 × 60 = 40 + 30 = 70。加权求和时权重总和为 1，结果是两种信号的按比例折中，而不是直接相加的 140 分，也不是取任何单一值。