manus可自动筛选50份pdf简历，按python经验、tensorflow/pytorch落地项目、硕士学历等硬性条件选出3名最优算法工程师候选人，并为每人生成5个基于其真实项目的深度技术面试问题；交付ranked_candidates.xlsx与interview_questions.docx两个结构化文件。
☞☞☞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☜☜☜
你需要在招聘旺季快速从50份PDF简历中挑出最匹配算法工程师岗位的3人，并为每人生成针对性面试问题，而不是手动逐页翻看再凭经验提问。
上传简历包并下达自然语言指令
打开Manus官网（https://manus.im），登录后点击「新建任务」→将包含全部简历的ZIP压缩包拖入上传区→在指令框中输入：“筛选算法工程师岗位候选人，要求：3年以上Python工程经验、有TensorFlow或PyTorch项目落地经历、硕士及以上学历；对入选者按匹配度排序，每人生成5个深度技术面试问题，聚焦其项目中的模型设计缺陷与优化思路。”
这一步不能只写“筛简历”，必须明确技术栈、经验年限、学历门槛和问题类型——【缺少任一硬性条件，Manus会默认启用宽松策略，可能漏筛关键候选人】。
确认任务拆解路径与工具调用
Manus会在界面上实时显示当前执行步骤：解压ZIP→识别每份PDF中的姓名/学历/技能段落→提取项目描述中的框架名与部署环境→比对岗位关键词权重→生成候选人简档→调用代码审计模块分析项目文本→输出问题清单。
你无需干预流程，但可点击任一子步骤旁的「查看详情」查看AI正在读取哪段原文、依据哪条规则打分。例如它把“参与过BERT微调”判为高匹配，是因为你在指令中隐含了NLP方向偏好——Manus会主动补全这类意图。
接收结构化交付成果
任务完成后，邮箱收到一封带附件的自动通知邮件，内含两个文件：
① ranked_candidates.xlsx：三列——候选人姓名、综合匹配分（0–100）、核心优势摘要（如“在Kaggle医疗影像赛中优化UNet跳跃连接，提升Dice系数4.2%”）；
② interview_questions.docx：按人分节，每节5个问题，全部基于其简历中真实项目展开，例如：“你在XX公司用LightGBM做用户流失预测时，为何未尝试XGBoost？特征重要性排序结果是否与业务逻辑冲突？”
文件生成后不可编辑原始内容，但你可在Manus界面点击「追加指令」，比如补一句：“把第2位候选人的第3个问题改成考察分布式训练容错能力”，系统立刻重生成该问题并更新文档。
