如何在Dify中设计一个HR智能简历筛选与评估系统

想象一下，让HR从每天机械地筛选几百份简历中解放出来——系统自动解析PDF/Word简历，按岗位要求提取关键信息，执行硬性门槛过滤，计算软性能力匹配分，最后输出一份带排名和理由的候选人清单。整个过程不依赖算法工程师，也不需要写一行代码。这就是HR智能简历筛选系统的核心价值。

你需要让HR从每天筛几百份简历的机械劳动中解脱出来，系统能自动解析PDF/Word简历、按岗位JD提取关键信息、执行硬性门槛过滤、计算软性能力匹配分，并输出带排名和理由的候选人清单——整个过程不依赖算法工程师，也不需要写代码。

搭建四阶段筛选流水线

打开Dify控制台，点击「工作流」，新建一个工作流，命名为“HR智能简历筛选官”。接下来，拖入5个核心节点，按顺序连接好：开始节点 → 迭代节点 → 文档解析节点 → 条件分支节点 → 总结节点。迭代节点是批量处理的关键——它会把上传的每份简历单独送入后续流程，避免所有简历混在一起导致信息错乱。最后，在开始节点配置两个输入变量：

（文件数组类型）和（文本类型）。这两个变量必须同时传入，否则后续所有评分都会失去参照基准。

精准解析多格式简历内容

一种方式是直接用Dify内置的文档提取器：在迭代节点后接一个文档提取器，把简历文件直接拖进去，它就能自动识别PDF/Word/TXT，输出清洗后的纯文本。这个办法对双层PDF支持不错，但遇到扫描图转PDF或者复杂表格时，文字错位率可能高达40%。

另一种方式是用自定义代码节点增强解析鲁棒性。替换文档提取器为代码节点，粘贴PyMuPDF适配器脚本（知识库中已提供完整代码），重点修改clip_top=60和clip_bottom=75两个参数——这是为了裁掉常见招聘平台导出PDF的页眉页脚，不调这个值会导致姓名、联系方式等关键字段被截断。记住，如果跳过文本清洗环节，模型会把“·”“●”“◆”等项目符号误识别为技能关键词，导致“Python●”被当成独立技能计入评分。

构建可解释的多维评分模型

第一步，从JD中提炼结构化评估维度。在文档解析节点后加一个大模型节点，提示词设定为：“你是一名资深技术招聘官，请严格按以下格式提取JD中的硬性要求和软性能力：{学历要求：[本科/硕士]；年限要求：[3年]；必备技能：[Python, SQL]；加分项：[大模型微调经验]；软性指标：[沟通表达、项目推动力]}”。注意输出必须是JSON格式，禁止自由发挥。

第二步，设计带权重的打分逻辑。再加一个大模型节点，输入为解析后的简历文本加上一步提取的JD结构体，提示词强制要求：“按以下规则逐项打分（满分100）：学历匹配度占15%，年限匹配度占10%，必备技能覆盖率占30%，加分项满足数占20%，软性指标语义匹配度占25%。最后给出总分及每项得分依据，用中文分点陈述。”

第三步，插入条件分支做硬性过滤。在打分节点后接条件分支节点，设置规则：“若学历匹配度==0 OR 年限匹配度==0，则路由至‘淘汰’分支；否则进入‘入围’分支”。注意，这个分支必须放在打分流程之后，不能前置，否则系统会因缺少评分数据而中断。

生成可交付的决策报告

在“入围”分支末端添加一个变量聚合节点，将所有候选人的姓名、总分、各项子分、淘汰原因（如有）汇总为一个列表变量。接着拖入一个大模型节点，提示词为：“你是一位专业HRBP，请基于以下结构化数据生成一份给面试官的简明推荐报告：第一段总结TOP3候选人整体匹配特征；第二段用表格呈现姓名、总分、关键优势（不超过15字）、待验证风险点（如‘无云原生项目经历’）；第三段给出面试建议聚焦方向。全部用中文，禁用Markdown语法。”最后接一个结束节点，将大模型输出设为工作流返回值。这样，用户上传压缩包后点击运行，30秒内就能获得带分析逻辑的PDF格式推荐报告。