WorkBuddy 智能工作台批量简历筛选实战：规则先行效率翻倍

我先交代一下背景。最近帮朋友处理一个产品岗的招聘邮箱里躺了 50 来份简历要求两天内给初筛结果。我数了一下自己的老办法一份简历从头看到尾再对着 JD 核对一遍快则三分钟慢则五分钟50 份就是两个半钟头起步而且看到后面注意力下降很容易把前面看过的候选人忘得一干二净。这活儿本质上就是典型的“低创造性、高重复性”信息处理固定输入简历文本、固定规则JD 要求、固定输出评估意见。这种活儿恰好是 WorkBuddy 这类智能工作台最擅长的地方。我把这 50 份简历丢进 WorkBuddy配好筛选规则和评估模板实际跑下来 30 分钟左右出完初筛还顺手生成了带分数、带排名、带面试建议的评估报告。这篇文章我把整个流程、踩过的坑、改过的指令原原本本写出来给正准备用 WorkBuddy 批量处理文档的朋友做个参考。1. 为什么简历筛选这种活天然适合交给 WorkBuddy先说一个反直觉的结论简历筛选最难的不是“筛选”本身而是“标准不稳定”。人工看简历的时候同样一份简历周一早上看和周五下午看你给出的判断可能完全不一样。精力好的时候愿意多读两行项目经历累的时候可能看到“本科”就直接丢进备选池。这种不一致性在 50 份这种体量下会被放大。而 WorkBuddy 这样的工具最大的价值不是比你聪明而是它每一份简历都用了同一套标准冷冰冰但稳定。1.1 这个需求的真实痛点量大、标准乱、反馈慢我当时面对的实际情况是50 份简历里有 PDF 有 Word有按“姓名-岗位”命名的也有叫“新建文档(3).pdf”的。岗位 JD 里写了“熟悉至少一种主流前端框架”“有数据可视化项目经验优先”“三年以上经验”。表面看要求很清楚但真放到一个个具体的人身上边界问题马上就来了一个做了两年半前端、但 GitHub 上有大量开源项目的人算不算“接近三年经验”一个写了“熟悉 Vue”但项目经历里全是后端的候选人前端能力怎么判定一个每份工作都只待了 8 个月的人技术栈再匹配要不要约面这些问题不是不能判断而是需要一套统一的、写下来的规则。WorkBuddy 的工作方式恰好要求你先把规则写清楚才能让它干活。这个“把规则写清楚”的过程本身就是对 JD 的一次深度梳理比我以前脑子里一团浆糊就开看要靠谱得多。1.2 对比三条路线脚本过滤、网页版对话、WorkBuddy在决定用 WorkBuddy 之前我其实列了几条可选路线也简单试过路线优点缺点适合场景Python 脚本 关键词匹配快、免费只能做字面匹配“精通 JavaScript”和“熟练使用 JS”会被当成两种技能海量垃圾简历的一轮粗筛ChatGPT/Claude 网页版逐个粘贴理解能力强50 份需要复制粘贴 50 次每次还要重复粘贴 JD手酸且容易错十几份以内的少量筛选WorkBuddy 批量工作流批量读文件、上下文统一、可自定义指令和 Skill、输出结构化需要花时间配置规则跑批时要盯着日志20 份以上、需要稳定输出评估报告的正式场景脚本的问题是它不懂语义。简历里写“负责公司官网改版日 PV 从 2 万提升到 8 万”关键词匹配根本不知道这件事有多重要。网页版对话的问题是缺少工程化的文件读取能力把 50 份简历挨个粘进去光复制粘贴就够喝一壶。WorkBuddy 这类工作台的核心差异在于它把“文件读取”和“规则执行”做成了流水线我只要把规则讲清楚它能自己遍历目录里的所有文件并逐个输出结果。1.3 为什么是 WorkBuddy 而不是 Claude Code 或 CodeBuddy不少朋友问我说Claude Code 也能写代码、也能处理文件为什么不用它来筛简历。我的回答是工具选型要看它是“面向代码任务的智能体”还是“面向日常任务的工作台”。Claude Code 的强项是操作仓库、改代码、跑测试你让它筛简历它也能做但需要我额外为它写一堆文件处理脚本来配合。WorkBuddy 的定位更贴近“工作台”它内置了文件批量处理、技能商店、自定义指令这类面向非纯代码场景的能力打开就能把 PDF 和 Word 拖进去跑。另外一个现实原因是团队协作。我筛完简历要把规则和报告交给同事复核WorkBuddy 里一套 Skill 就是一份配置复制过去别人就能复用而 Claude Code 的 prompt 和脚本揉在一起交接成本明显更高。工具没有绝对的好坏只有合不合适。2. 开跑前的准备工作目录、文件与上下文隔离WorkBuddy 不是魔法它不会在你把 50 份简历乱糟糟塞进一个文件夹后自动给你一份精美报告。它需要一个稍微规整过的输入环境。这块准备工作看起来不起眼但决定了后面跑批是顺风顺水还是到处报错。2.1 给每个岗位建一个独立工作区让评估标准不串味WorkBuddy 的工作区机制允许我按任务建独立的上下文空间。我这次专门建了一个“产品岗秋招初筛”的工作区和它之前用过的“销售线索清理”“周报汇总”彻底隔开。这样做的原因有两层。第一层是隔离文件不同任务的简历、JD、输出报告混在同一个目录里WorkBuddy 遍历文件时可能会读到无关内容导致评估报告里出现莫名其妙的干扰项。第二层是隔离指令我在这个工作区配置的评分规则、输出模板只对这个任务生效不会影响其他任务的 Skill。这个习惯后来帮我省了不少事——我曾试过在通用工作区里跑简历筛选跑完一轮后那个工作区的上下文被 50 份简历塞得满满当当再做别的任务时响应速度明显变慢。2.2 批量导入 50 份简历格式、命名建议与扫描件问题WorkBuddy 支持直接拖拽上传 PDF、Word、TXT 等常见格式。我踩过一个小坑有七八份简历其实是图片型 PDF也就是用手机拍了纸质简历再导出的 PDF本质上没有文字层。WorkBuddy 读取这类文件时只能拿到图片评估结果就变成了“无法识别内容”。解决办法有两个一是上传前先用工具把图片型 PDF 做 OCR生成带文字层的 PDF 或直接转成 TXT二是把这类简历单独放一个目录提示 WorkBuddy 优先处理可识别文本的文件。我这次图省事直接在导入前用本地的小工具批量转了一下文本格式耗时五分钟但显著提高了后面评估结果的完整度。命名规范也值得提一句。原始文件里那种“新建文档(3).pdf”是真的不适合批量处理因为最后生成的评估报告很难对应到具体的人。我按“序号_候选人姓名_应聘岗位.pdf”的格式重命名后再导入比如“01_张伟_产品经理.pdf”。这一条纯属手工操作但它是让 50 份简历和 50 份评估报告一一对应的前提。WorkBuddy 读文件时我会在指令里要求输出文件名作为候选人标识命名一乱后面的汇总根本没法做。提示批量导入前花五分钟统一文件名比跑完到汇总阶段再回去逐个核对应聘者要省时间得多。这个动作建议做成固定习惯。2.3 花 10 分钟把 JD 拆成可量化的能力项这是唯一需要人肉做的关键活WorkBuddy 的评估质量上限取决于我给的规则湿度。这里的“湿度”是我自己的说法——规则太干比如只说“选优秀的”它输出的就是一堆正确的废话规则太湿比如把 JD 原文整段贴进去它又不知道该按哪个点给分。我这次的拆法是把 JD 拆成一张能力对照表能力项权重判定信号学历背景10%全日制本科以上硕士加分名校不额外加分工作年限15%3 年以上产品经验2-3 年需有独立负责项目证据技能匹配度30%原型工具熟练度、需求文档写作、数据分析能力行业经验15%有 B 端 SaaS 产品经验者优先非硬性条件项目成就20%有可量化的业务结果如留存提升、转化率提升稳定性10%每段工作经历不低于 1 年半有 1 年以上者为主这张表我并没有做得特别复杂但它的意义在于WorkBuddy 不用猜“什么算优秀”它只需要对照表格从简历里找证据然后打分。这一步花掉 10 到 15 分钟是值得的它也是后面 WorkBuddy 能 30 分钟跑完 50 份的核心前提。3. 给 WorkBuddy 立执行规矩自定义指令、Skill 与评分卡准备工作做完接下来是最关键的一步写清楚 WorkBuddy 怎么干。我会从三个层次来配置自定义指令定义评估逻辑Skill 封装输出模板评分卡统一度量标准。3.1 梳理一份“个人评估说明书”形态的指令我用的自定义指令不是一句话而是一份结构化说明书。【角色定位】 你是一名有 10 年经验的 B 端产品经理招聘顾问负责对候选人简历进行客观评估。 【任务要求】 读取指定目录下的所有简历文件对每份简历输出一份独立评估报告。 【评估维度与权重】 1. 学历背景10%全日制本科及以上得基础分硕士及以上得加分项。 2. 工作年限15%3 年以上产品经验为满分区间2 至 3 年需参考是否有独立负责项目的证据。 3. 技能匹配度30%重点证据包括原型工具Axure/Figma、需求文档撰写、数据分析能力。 4. 行业经验15%有 B 端 SaaS 产品经验者额外加 10% 权重内的分数。 5. 项目成就20%项目描述中可量化的业务结果如转化率、留存、效率提升百分比是核心证据。 6. 稳定性10%每段工作经历低于 1 年半的酌情扣分3 份以上短经历的给出风险提示。 【输出要求】 每份简历生成一个 Markdown 文件文件名为“评估_原文件名.md”包含以下章节 - 候选人基础信息 - 各维度分项得分百分制 - 总分与加权计算过程 - 优势摘要 - 风险点 - 面试建议强烈推荐约面/可约面/暂不约面 【特别注意】 - 所有结论必须基于简历中的具体描述不得臆测未出现的信息。 - 若简历中存在无法识别的文字请在报告中明确标注“内容无法完整识别”。 - 不要因为候选人某项描述简短就直接打低分要结合上下文判断。这份指令就解决了前面说的“标准飘忽”问题。WorkBuddy 不需要知道我脑子里的偏好它只需要按照我写好的规则收集证据、计算分数。3.2 用 Skill 把评分卡固化成可复用资产自定义指令解决的是“这次怎么评”Skill 解决的是“下次怎么直接复用”。WorkBuddy 的 Skill 功能允许我把评分卡、报告模板、注意事项打包成一个技能。下次再筛另一个岗位的简历时我可以复制这个 Skill只改 JD 相关的能力项和权重就行。我这次在 Skill 里额外维护了一个“加分项清单”和一个“风险信号清单”。加分项包括有从 0 到 1 搭建产品的经历、有跨团队协作的明确描述、有用户访谈数据支撑的决策记录。风险信号包括技能词堆砌但无项目佐证、工作经历时间重合、最近一份工作时间过短。这两个清单的妙处在于它把“我觉得这个人行不行”的直觉转化成了可以追溯的客观证据点。Skill 的具体配置界面不同版本略有差异但核心逻辑是一致的输入是简历文本输出是结构化报告。我是把输出模板用 Markdown 写在 Skill 描述里的这样 WorkBuddy 生成的报告天然具备我想要的章节结构。3.3 指令里的三个反例为什么不能只写“帮我挑优秀的”第一版指令我写得很随意结果 WorkBuddy 返回的报告全是空话。我复盘了一下有三个反例比较典型写出来给大家避坑反例一“帮我筛选出优秀的候选人”。这个指令的问题在于“优秀”没有定义。WorkBuddy 不知道优秀的边界在哪输出就是每个候选人都夸一遍“有一定的项目经验综合素质良好”。反例二“按 JD 要求评估”。JD 原文是一大段描述性文字里面有“优先”“熟悉”“了解”这些模糊词直接喂给模型它只能根据字面匹配度给分完全没有权重概念。反例三“每人写 500 字评估”。字数限制本身不是问题问题是没规定这 500 字里应该包含什么。结果它把篇幅都用来复述简历内容真正关键的风险点反而没写。修正后的指令我加入了角色设定、权重分配、证据要求和输出模板四个要素。特别是“必须基于简历中的具体描述不得臆测未出现的信息”这一条实测能显著减少模型脑补候选人经历的情况。4. 批量运行实测30 分钟 50 份的真实时间线配置完成之后就是实际跑批了。这一节我把第一次跑批的过程、中途遇到的问题和最终调整后的效果一起写出来让大家对 WorkBuddy 的批量处理能力有个直观感受。4.1 第一次运行检查文件读取顺序和输出节奏我先把 50 份简历放进工作区的输入目录然后在对话里下了指令“请对输入目录中的所有简历文件执行评估任务按 Skill 中定义的规则逐份输出报告。”WorkBuddy 的处理方式是逐个文件读取、分析、输出。第一次跑完全程实际耗时大约 40 分钟比标题里的 30 分钟略慢。这个差异主要来自两方面一是我的指令里要求它输出完整的加权计算过程这部分 Token 消耗大生成慢二是第一次跑的时候它会在每份简历之间停顿我需要手动确认继续。后来我在指令里加了“连续处理所有文件不要中途询问确认”并在设置里关闭了需要人工确认的开关时间就压到了 30 分钟左右。这里提一下并发的话题。WorkBuddy 的默认处理节奏通常是一个文件处理完再处理下一个我没有强行追求并发。原因很简单筛简历这种任务单个文件处理的时间本来就不长真正的瓶颈是我这边最后汇总报告的时间。与其盲目开并发把 WorkBuddy 干到超时不如让它稳定地一份一份来至少不容易出现上下文串台。4.2 中途翻车记录处理权限类报错的过程跑批途中我遇到了一个报错大致内容是“输出目录写入失败权限不足”。我第一次看到时有点懵因为工作区目录是我新建的理论上不存在权限问题。后来检查发现WorkBuddy 在处理批量任务时部分中间文件会先写入系统临时目录而那个临时目录挂在只读路径下导致写入失败。解决方式不复杂我在 WorkBuddy 的设置里把临时文件路径改到了用户目录下一个新建的 writable 文件夹然后重启了一下任务。这个问题在 Windows 桌面版上我没遇到过但在 Linux 环境下比较常见。如果你也跑在 Linux 上建议提前把临时目录的设置改好省的跑到一半报错还得重来。注意跑批任务开始前先确认一遍输出目录和临时目录的写入权限。特别是首次安装 WorkBuddy 后默认配置不一定会指向你有写权限的路径。4.3 输出速度慢的排查发现部分任务在大量生成中间格式第一次跑批到后半段时我留意到每份简历的输出时间从平均半分钟拉长到了一分多钟。排查下来有两个原因。第一个原因是上下文积累过长。WorkBuddy 在处理多个连续文件时会把已经处理过的文件摘要保留在上下文里文件越处理越多上下文越长模型响应就越慢。解决方式是在指令里明确“每完成一份评估后不要保留该简历的详细内容仅记录文件名和总分即可”。这样能显著降低上下文占用。第二个原因是我在 Skill 里要求输出“各维度分项得分与加权计算过程”模型为了展示计算过程会先生成一大段推理文本再整理成最终报告。这一步其实没必要在每份报告里都完整输出。我把指令改为“仅在总分中体现加权结果计算过程无需列出”输出速度和 Token 消耗都有改善。4.4 从 50 份评估报告到一张汇总排名表50 份独立的评估报告生成后最后一个步骤是把它们汇总成一张表格。这一步我同样交给了 WorkBuddy但不是在原来的上下文里继续聊而是新建了一个“汇总”任务输入是评估报告目录指令是读取所有“评估_*.md”文件输出一张包含候选人姓名、总分、各维度得分、面试建议的 Markdown 表格。汇总的提示词我写得很简短请读取评估报告目录下所有文件。 输出表格列为候选人、总分、学历得分、年限得分、技能得分、行业得分、项目得分、稳定性得分、面试建议。 按总分从高到低排列。这一步跑得很快因为所有评估报告的格式是统一的WorkBuddy 只需要做信息抽取和排序。最终生成的表格我直接复制到在线文档里加上一列“备注”用于填写我的个人意见就成了可以发给团队的初筛结果。5. 评估报告能不能直接用质量复盘与人工校准自动化跑批最大的疑点永远是“机器挑出来的人靠不靠谱”。这一节我讲讲我对 WorkBuddy 产出的报告做的校验和校准以及哪些地方必须保留人工判断。5.1 抽查了三份高分简历看报告是否真正抓住了关键点跑完批之后我没有直接按排名发结果而是随机抽了三份被评为“强烈推荐约面”的简历人工精读了一遍。结果是喜忧参半。喜的是WorkBuddy 确实能把报告里的技能匹配度和项目成就跟简历中的具体描述对应起来。比如有一份简历写“通过用户调研推动了 3 个核心功能改版改版后次月留存提升 2.1%”报告里的项目成就得分给了很高的权重面试建议也点出了“关注其数据敏感度和调研方法论”。这说明模型的语义理解能力在线不是简单地数关键词。忧的方面也值得说。有一个候选人在简历里写“负责产品从 0 到 1 的规划与落地”但细读下来他在那家公司的实际在职时间只有 4 个月。WorkBuddy 在稳定性维度给了扣分提示但在面试建议里仍写了“强烈推荐约面”。人工复核时我倾向于把这位候选人的优先级降一档因为他描述的项目周期和在职时间明显不匹配这种矛盾需要面试时花额外时间澄清。机器能发现信号但不能替你做价值判断。5.2 评分校准拿前 10 份简历当“标定样本”我第一次跑完的评分结果里总分普遍偏高因为 Skill 里的能力项权重加起来虽然是 100%但模型在给分时倾向于给一个保守的中间偏上分数导致 50 份里有一半以上都在 75 到 85 分之间区分度不够。后来我意识到一个问题人工筛选的时候我的参照系是第一份读到的简历WorkBuddy 评分时它的参照系是训练数据里的“平均候选人”。所以我调整了策略先挑出所有简历里明显最强和最弱的各 5 份人工确认排序然后把这些排序结果作为校准样本告诉 WorkBuddy让它在评估剩余简历时对标这 10 份的得分区间。具体做法是在指令里加上一段已手工评估 10 份标杆简历 - 标杆 A候选人 03综合水平为本批最强总分建议 90 分以上。 - 标杆 B候选人 27综合水平为本批最弱总分建议 55 分以下。 其余简历的分数应基于与上述标杆的比较进行区分避免全部集中在 70-85 分区间。这个“标定样本”的思路是我这次跑批收获最大的一个技巧。它让 WorkBuddy 的评分从“绝对评分”变成了“相对评分”分发出来的区分度明显提升。最终结果里最高分 91 分最低 51 分中间梯度拉开了排序的价值就体现出来了。5.3 哪些环节我愿意信机器哪些必须人来看跑完这一轮我自己理了一条分界线愿意信机器的部分技能关键词抽取、项目经历中可量化指标的提取、工作年限和稳定性的硬性计算。这部分机器比人快且准不会有疲劳导致的遗漏。必须人来看的部分候选人履历中隐藏的成长曲线、工作空窗期的原因推测、跨行业转型的驱动动机。这些信息简历里往往只有只言片语机器可以把线索标出来但“这个人到底行不行”不能完全让机器替我决定。所以我的最终交付物里始终保留了“机器评估报告”和“人工复核意见”两栏。机器负责提供结构化的证据链人负责基于证据链做模糊判断。6. 这套工作流还能迁移到哪些场景简历筛选只是 WorkBuddy 批量处理能力的一个应用切片。我这次把工作流搭顺手之后发现同一套逻辑可以迁移到好几个日常场景。严格来说只要任务符合“固定输入 固定规则 固定输出”的形态都可以试试。6.1 把同一套流程复制到销售线索评估我第一个想到的迁移场景是销售线索的初筛。以前拿到一批几百条的线索表里面字段混杂着公司名、联系人、来源渠道、历史互动记录人工判断“哪条值得跟进”效率很低。用 WorkBuddy 做的话输入是 CSV 或表格文件规则是提前定义的“线索评分规则”比如是否有明确需求词、联系人职位层级、公司规模等输出是每条线索的评分和跟进优先级。这和简历筛选几乎是同一个模板套不同的字段。我在做这件事的时候把简历评分卡里的“项目成就”换成了“需求明确度”“稳定性”换成了“互动活跃度”然后跑了一轮 200 条的线索批量评分积累下来效果不错。6.2 定期周报汇总与信息抽取还有一个更轻量的场景是周报汇总。团队里成员每周各发一份周报格式五花八门有的用表格有的用整段文字有的夹带一堆截图。以前我汇总周报要花半小时逐份阅读再用自己的话改成一份团队周报。现在我是让 WorkBuddy 读取周报目录输出统一的字段本周完成了什么、遇到了什么阻塞、下周计划、需要的支持。它把这四类信息抽取出来后我再花五分钟梳理措辞和优先级整个流程从半小时压缩到了不到十分钟。这块没有太多技术含量但每次省 20 分钟长期积累下来相当可观。6.3 两个不建议交给 WorkBuddy 的任务边界我虽然很推荐这套工作流但必须把边界说清楚否则读者照着抄完发现不灵会怪我。第一个不建议的场景是“需要深度推理和战略判断”的任务。比如评估一份竞品分析报告的质量、判断一个产品策略是否正确这类任务需要的是行业经验和战略直觉简历评分卡式的“提取证据-对照规则-打分”逻辑不适用。WorkBuddy 可以把信息结构整理得很好但决策本身还是要落在人身上。第二个不建议的场景是“数据高度敏感”的任务。虽然我信任 WorkBuddy 的本地处理能力但在把简历、销售线索这类个人信息批量丢进去之前还是要先确认隐私政策、数据存储位置和团队的使用规范。我在跑批前就对这类问题做了确认确保上传内容是可接受的。有些信息比如身份证号、银行流水这类不管工具多好用都不建议放进任何自动化流程里。说到底WorkBuddy 在这件事里的角色是一个执行力极强的助手它的价值在于把我脑子里那些模糊的判断标准变成可复制的规则然后一个人默默把 50 份简历读完还老老实实给了我一份带证据链的报告。但规则本身怎么定、边界在哪里、最终拍板的人是谁这些还是得自己心里有数。我现在筛选简历的习惯已经变成先用 10 分钟把 JD 拆细再让 WorkBuddy 跑批出报告最后我花 20 分钟对高分候选人的报告做人工复核。整个过程比我以前逐份硬读更快更重要的是我的判断标准第一次被完整地记录了下来下一次直接复用不用再从零开始。