--- name: job-match-priority description: "Match and prioritize job listings against a candidate profile using KSAO-based dual-layer funnel scoring with Agent reasoning." metadata: { "openclaw": { "emoji": "🎯", "requires": { "bins": [] }, }, } --- # 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](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。** | # | 问题 | 目的 | 输出 | |---|------|------|------| | 1 | 你期望的岗位方向是什么？（如：总助、HR、产品经理、运营...） | 确定目标岗位类型 | 岗位类型标签 | | 2 | 期望薪资范围？（月薪，如 15-20K） | 硬过滤阈值 | 薪资区间 | | 3 | 期望工作城市？（可多选） | 硬过滤阈值 | 城市列表 | | 4 | 有哪些绝对不考虑的行业/岗位类型？ | 硬过滤排除项 | 排除列表 | | 5 | 对工作强度/福利的底线要求？（如：双休、不加班、不接受单休...） | 硬过滤福利项 | 福利底线 | --- ### 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）](references/candidate-profile.md)。 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： | # | 岗位名称 | 公司 | 判定 | 理由 | 命中维度 | 深度匹配 | |---|---------|------|------|------|---------|---------| | 1 | XX | XX | high | XX | 维度A+维度B | 匹配 | | 2 | XX | XX | low | XX | 仅维度C | 不匹配 | | ... | ... | ... | ... | ... | ... | ... | --- ### 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：** | 反馈类型 | 处理方式 | |---------|---------| | "这条应该是 high 不是 medium" | 检查维度命中和深度，调整对应维度权重或阈值 | | "这条不应该被过滤" | 调整硬过滤规则（放宽薪资/地点/行业限制） | | "这条应该被过滤掉" | 增加硬过滤规则（添加排除项） | | "整体没问题" | 确认配置，进入正式匹配 | **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 | 输入类型 | 处理方式 | |---------|---------| | 飞书多维表格链接 | 通过 bitable API 读写 | | 本地 CSV 文件 | 新建 `<原名>_判定结果.csv` | | 本地 Excel 文件 | 新建 `<原名>_判定结果.xlsx` | | 直接粘贴 JD | 逐条分析 | #### 1.2 JD 信息完整性检查 对每条 JD 检查以下字段是否齐全： | 字段 | 必要性 | 缺失影响 | |------|--------|---------| | 岗位名称 | **必需** | 无法判断岗位类型和 AI 提升 | | 公司名称 | 重要 | 无法判断行业 | | JD 描述 | **必需** | 无法进行能力维度匹配 | | 薪资范围 | 重要 | 硬过滤可能误判 | | 工作地点 | 重要 | 硬过滤可能误判 | | 经验要求 | 参考 | 深度匹配精度下降 | | 行业信息 | 参考 | 行业过滤可能误判 | **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](references/priority-rules.md) 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）](references/priority-rules.md) 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](references/priority-rules.md) 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）](references/priority-rules.md)， **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](references/priority-rules.md)。 #### 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](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 | 文件 | 用途 | 何时加载 | |------|------|---------| | [references/candidate-profile.md](references/candidate-profile.md) | 候选人画像标准（KSAO 框架 + 能力深度模型） | Step 0.3 生成画像时 | | [references/priority-rules.md](references/priority-rules.md) | 优先级判定规则（硬过滤 + 能力维度 + 深度匹配 + AI 规则） | Step 3 批量判定时 | | [references/field-config.md](references/field-config.md) | 飞书多维表格字段配置 + 易错点 + 错误回滚 | Step 1 检查字段 + Step 4 写入时 | ### Assets（模板与文档） | 文件 | 用途 | |------|------| | [assets/usage-guide.md](assets/usage-guide.md) | 用户使用指南（首次使用流程说明） | | [assets/edge-cases.md](assets/edge-cases.md) | Edge Cases 与特殊情况处理 |