hr智能简历筛选系统通过dify四阶段工作流实现：文档解析→结构化提取→多维加权评分→条件过滤→生成可解释报告，全程零代码、无需算法工程师。
☞☞☞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」→新建工作流→命名为“HR智能简历筛选官”。
拖入5个核心节点并按顺序连接：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。
在开始节点配置两个输入变量：【简历文件列表】（类型为文件数组）和【岗位JD文本】（类型为文本）。这两个变量必须同时传入，否则后续所有评分都失去参照基准。
精准解析多格式简历内容
方法一：直接使用Dify内置文档解析器
在迭代节点后接一个「文档提取器」节点，将输入的简历文件直接拖入该节点输入框。它会自动识别PDF/Word/TXT格式并输出清洗后的纯文本，对双层PDF支持最好；但遇到扫描图转PDF或复杂表格时，文字错位率高达40%。
方法二：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。
这一步操作起来很简单，直接把文件拖进去就行。但如果你跳过文本清洗环节，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]}”。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+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”。【这个分支必须放在打分之后，不能前置】，否则系统会因缺少评分数据而中断流程。
生成可交付的决策报告
在“入围”分支末端添加「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「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。此时用户上传压缩包→点击运行→30秒内即可获得带分析逻辑的PDF格式推荐报告。
