应启用qwen3-reranker-0.6b模型并配置双向特征映射表，运行智能匹配流程后通过人工校准反馈闭环优化；具体包括启用重排序模型、构建jd与简历字段的加权映射、执行四阶段批处理匹配、注入人工偏差反馈以持续提升精度。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您已完成QClaw对招聘网站的职位信息批量采集，但发现岗位数据与候选人简历之间缺乏有效关联，则可能是由于未启用语义级匹配引擎或未配置岗位-简历双侧特征对齐规则。以下是实现QClaw求职招聘信息智能匹配的具体方法：
一、启用Qwen3-Reranker-0.6B重排序模型
该模型专为文本相关性打分设计，可深度理解JD与简历之间的上下文语义关系，而非依赖关键词表面匹配，显著提升“团队管理经验”“React生态”等隐含能力识别准确率。
1、在QClaw主界面点击【模型中心】→【内置模型管理】。
2、找到Qwen3-Reranker-0.6B条目，点击右侧【启用并设为默认重排器】。
3、确认弹窗中显示“reranker服务状态：已就绪”，且响应延迟低于800ms。
4、进入【匹配设置】页，将【匹配算法】下拉选项切换为语义重排（Qwen3-Reranker）。
二、构建双向特征映射表
需分别定义JD侧结构化字段与简历侧可提取要素的映射关系，确保模型输入具备统一语义空间，避免因表述差异导致匹配失效。
1、打开【数据源】→【特征映射配置】，点击【新建双向映射集】。
2、在JD字段栏输入：岗位核心职责、必备技术栈、学历与年限要求、软性能力关键词。
3、在简历字段栏对应填写：项目经历动词短语、技能证书名称、教育时间跨度、实习/全职时长、自我评价语义标签。
4、为每组映射添加权重值（如“必备技术栈”权重设为0.35，“软性能力关键词”设为0.15），总和必须等于1.0。
5、点击【保存并校验映射一致性】，系统将自动检测字段空缺与类型冲突，并标出未覆盖的JD原始段落。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
三、运行智能匹配批处理流程
匹配过程分为预处理、向量化、跨文档打分、阈值截断四阶段，所有步骤由QClaw内核自动串联执行，无需人工干预中间结果。
1、在【自动化流程】中选择已配置好的“JD-Resume Match v2”模板。
2、上传本次采集的职位JSON文件（含至少50个JD）及待匹配简历PDF文件夹（支持ZIP压缩包）。
3、在参数面板中设定：匹配Top-K数量为30、最低置信度阈值为0.62、去重粒度为“公司+岗位名称”。
4、点击【启动智能匹配】，状态栏将实时显示“已加载JD：27/27”“简历解析完成：412/412”“重排计算中：第18批次”。
5、匹配完成后，系统自动生成match_result_20260517.csv，含字段：jd_id、resume_id、score、missing_jd_items、strength_in_resume。
四、人工校准与反馈闭环注入
QClaw支持将HR人工复核结果反向注入模型训练管道，持续优化后续批次匹配精度，形成“采集-匹配-反馈-迭代”闭环。
1、打开匹配结果页，勾选5–10份存在误判的样本（如高分但明显不匹配，或低分但实际高度契合）。
2、点击【标记偏差】按钮，在弹窗中选择偏差类型：“技能泛化不足”“年限误判”“职责覆盖遗漏”之一。
3、在备注框中输入自然语言说明，例如：“JD要求‘3年云原生经验’，简历写‘2021–2024主导K8s集群迁移’，应识别为满足。”
4、提交后，系统提示已将3条反馈写入reranker_finetune_queue，下次模型更新时自动参与微调。
