从"收到 JD 就盲筛"到"有画像、可量化、出图表、合规兜底"——一个电商 HR 的真实痛点，怎么在 WorkBuddy 桌面上被拆成 5 个角色、跑成一套直接能用的专家团。
一、先说痛点：HR 收到老板微信的那一刻
周一早上九点，杭州一家电商公司的 HR 小雅，手机弹出老板一条语音：
招个高级私域运营，要懂直播，这周得面。
她打开电脑，手头是这样的：
-
200 份简历堆在邮箱，文件名全是"简历 2026.pdf"，谁是谁分不清； -
JD 是老板口头说的"差不多就行，要懂直播"，没一行写下来的任职要求； -
上次的面评表是空白的，面完只写了句"感觉还行"； -
薪资范围还没定，怕一开口就超预算。
最后她人工筛了两天，面了 5 个，没一个对口的。 老板问"为啥还没人"，她答不上来。
这不是个案。电商节奏快、岗位新（直播/私域/达人）、JD 经常模糊、简历海投——招聘一忙起来，HR 基本是在"空白表格面前盲筛"。
我们想解决的核心问题就一句：能不能让 HR 在收到 JD 后半小时，拿到结构化岗位画像 + 人岗匹配分 + 面试提纲 + 四张能拿去汇报的图？
而且——不改造现有 ATS，不用额外登录，候选人的手机号、身份证号、薪资这些敏感信息不出本机。
二、第一步：把一堆需求，拆成一个架构
我们当时面对的需求其实挺杂：要画岗位画像、要解析简历、要算人岗匹配、要做面试评价，将来还要接 BOSS/猎聘、接钉钉、接批量投递、接人才库。
一开始想法很简单：造一个大而全的 AI 助手，什么都能干。
但想了一晚上发现不行——提示词会变成一团乱麻，维护成本高，将来每加一个功能都要改主逻辑。
于是做了一个决定：拆。
拆成什么样？看这张图：
前台只留 1 个入口（招聘总管），后台按能力拆成 5 个专业智能体，底下还有两层合规闸贯穿全员。
为什么这么拆？其实就一句话：让 HR 的体验简单，让内部的能力能长大。
HR 永远只跟一个人说话——要画像也好、要匹配也罢，都是同一句指令，不用学新东西。背后每个角色只干一件事：管画像的就只管画像，管匹配的就只管匹配。提示词聚焦，将来哪个环节要升级，改那一个就行，不牵一发动全身。
而且它能跟着你们的试点进度一块儿长——先用 L1 轻量版（5 个专家）跑通，等企业要上 L2（邀约/Offer/入职/人才资产），再逐个点亮后面的能力。
这就是 「1 总管 + 5 能力 + 双闸治理层」 的完整架构。
三、第二步：外部招聘 SaaS 走不通，反而找到更好的路
原计划里，"人岗匹配"这个角色，打算对接一个外部招聘 AI 连接器（类似北森、猎聘 AI 这类 SaaS），让专业系统帮 HR 出匹配分和排名。
结果一调研就卡住了：这些服务都要企业单独注册登录，有的还按调用次数计费。对我们要做的"找 1 家中小微企业先试点"来说，这几乎是劝退——每家企业都得走一遍采购和授权流程，太重；简历包里有身份证号、手机号、薪资，往外部 SaaS 上传，合规上过不去；按席位收费，也没法统一控成本。
这时候我们反过来看 WorkBuddy 本身——它就是一个桌面智能体，本地就有 LLM 能力，为什么不自己做一个 Skill？
于是把"人岗匹配"从"调外部连接器"改成了 本地 Skill：
-
零登录，装好就能用； -
数据全程不出本机（这点对内讲方案是加分项）； -
成本只有底座模型； -
我们把历史成功录用的案例整成了知识库，越用越准。
这个决策后来被证明是对的——不只绕开了登录，还让整个方案更轻、更可控。课堂上用大模型模拟语义分，真上线就换成向量检索（Embedding + 向量库），更快更稳。
四、第三步：光有通用匹配不够，得有自己的企业人才 DNA 库
Skill 做出来了，但很快碰到一个问题：通用匹配谁都能做，真正值钱的是——这家企业自己的"好候选人长什么样"。
比如你们公司的高级私域运营，实际看重的是"带过 0→1 起量"而不是大厂 title；试用期过得顺的人，都有"能独立写投放复盘"这个特征。这些场景，外部招聘 SaaS 不了解，通用 AI 也答不准。
但你们公司手里就有大量历史录用数据——脱敏之后，就是最珍贵的知识源。
所以设计了一个 数据飞轮：
四步闭环：
- 调研采集
——发问卷给试点企业，勾选"哪类岗位招得最难、卡在哪"，5 分钟填完； - 脱敏录入
——按模板去标识后填写，不出本机，读了也反推不出真实个人； - 人才 DNA 库增长
——回写到 Skill 的案例库，好候选人的共同标签越积越全； - 新案更准
——下次再来同类岗位，画像和匹配初稿更贴企业实际。
飞轮转起来之后，这个专家团就会越用越懂你们公司。 不用联网调 API，不用买昂贵的人才数据库——你们自己的经验，就是最好的训练数据。
五、拆完之后：每个专家具体怎么干活？
架构有了，人才 DNA 库也有了。下面是这个专家团的完整分工和每个人的工作步骤。每个专家除了干本职，还会顺手产出一份"可视化友好"的结构化数据——这点后面第六节讲它有多重要。
🎯 招聘总管 · 招统枢（前台唯一入口）
HR 只跟这个人说话。他的活儿是：听懂你的话（"帮我招个高级私域运营"+"出匹配排名"+"给面试题纲"），把任务拆开派给后面的专家，等大家干完，再汇总成一份完整交付给你。
你永远只需要说一句话，剩下的调度他来做。
📋 人力规划与招聘需求分析 · 规需明（Level 1，当前就能用）
整条链的第一棒。接到任务后：
- 读需求背景
（老板口头要求 / 历史编制 / 预算区间）； - 判断要不要招、招什么级别
——避免"为招而招"； - 产出三样东西
：需求确认单、编制建议、给岗位画像专家的简报； -
需求不清的地方标"待确认"，绝不替你编。
🏷️ 岗位画像 · 画岗清（Level 1，挂本地 Skill）
把 JD 拆成结构化画像。步骤是：
- 预加载岗位知识库
（历史 JD + 成功案例标签）； - 接住总管传来的需求
，把 JD 拆成结构化画像； - 按 8 个维度提标签
——学位学历、毕业院校、专业、工作年限、岗位级别、英语能力、行业经验、工作地点，并标"是否必要（强匹配）"； - 套模板生成画像卡
+ 一句摘要； - 额外输出一份"8 维画像数组"
（维度名 / 权重 / 是否强匹配），并声明"建议画雷达图或条形图"——这份数据就是给总管画图用的； -
每份带说明："画像供参考，请 HR 复核岗位实际要求。"
📄 简历解析 · 析历全（Level 1）
流水线上的"翻译官"。步骤是：
- 读本地简历文件
（Word/PDF 都行），抽关键信息； - 结构化字段
——基本信息、工作经历（倒序）、项目、教育（是否统招）、技能、语言、证书； - 生成"亮点 / 风险点"标签
（"0→1 起量经验"算亮点，"最近一份仅 4 个月"算风险）； - 额外输出一份"候选人集合基础统计"
（工作年限分布 / 行业分布 / 学历分布），并声明"建议画条形图或饼图"； -
缺的项标"信息待补"，绝不替你编。
⚖️ 匹配评估 · 配评准（Level 1，过筛选闸之后）
本地 Skill 的核心使用者。步骤是：
- 接住画像卡和结构化简历
； - 三层合成打分
——
综合分 = 语义匹配 × 0.5 + 标签匹配 × 0.3 + 关键词 × 0.2
- 产出三样东西
：综合分、八维雷达、全员排名（Top 10 优先看）； - 额外输出一份"Top N 匹配分明细"
（总分 / 语义分 / 标签分 / 关键词分），并声明"建议画柱状图或堆叠条形图"； -
附一段"匹配总结"，说清这个人强在哪、弱在哪。
🎤 面试评价 · 面评实（Level 1）
最后一棒。步骤是：
- 接住画像卡和 Top 候选人
； - 按胜任力维度出 STAR 行为面试题纲
； - 给评分框架
（强烈推荐 / 推荐 / 待定 / 不推荐）+ 理由； - 额外输出"胜任力维度打分列表"
（每个候选人在各维度的分），并声明"建议画雷达图或条形图"； -
视频面试可做表达稳定性分析（文字版），辅助不替代 HR 判断。
🚧 两道合规闸（治理层，贯穿全员）
- 筛选闸（简历解析 → 匹配评估之间）
：自动扫一遍，年龄、性别、婚育、地域这些歧视性表述，一律拦截、标红、要求改写——不是建议，是拦截。我们实测歧视词拦截率要到 100%。闸后还会输出"被拦截敏感字段统计"（类型 × 数量 × 占比），给总管画合规统计图用。
- Offer 闸（面试评价 → 邀约之间，随 L2 点亮）
：核对薪资、职级、审批链，避免口头承诺变乌龙。
接口没接好之前，L2 的邀约 / Offer / 入职 / 人才资产四个角色只出方案，不碰数据。
六、重点：不只是文字报告——四张图让老板一眼看懂
前面每个专家都在"顺手产结构化数据"，这不是凑数的。
真正让这套专家团能拿去和老板对话的，是最后这一步： 招聘总管收到 ②~⑤ 回传的数据后，在 Phase 8 把所有"可视化输出"汇总成一份「可视化模块配置」，然后调用 WorkBuddy 本地的数据可视化能力，把这些数据渲染成带图表的 HTML 报告或含图表的 Excel 文件——直接落在本机，不联网、不外传。
最终报告里至少有这四张图：
|
|
|
|
|---|---|---|
| 岗位画像图 |
|
|
| Top 候选人匹配分图 |
|
|
| 候选人基础画像分布图 |
|
|
| 合规敏感字段统计图 |
|
|
这份报告长这样（以"高级私域运营"为例，本地渲染、数据不出本机）：
拿"高级私域运营"举例，小雅以前面对的是空白 Excel，现在总管一句话调度后，她拿到的是：
-
岗位画像专家给的 8 维标签卡 + 雷达图： 学位学历=本科+(强匹配)→行业经验=电商/消费(强匹配)→工作年限=3年+……权重最高的两三个维度一眼就跳出来； -
简历解析专家给的 结构化档案 + 分布图：基本信息 + 工作经历倒序 + 亮点"0→1 起量经验"、风险"最近一份仅 4 个月"； -
匹配评估专家给的 综合分排名图：张三 92（语义 89 + 标签 95 + 关键词 88）、Top 10 名单，柱状图按分排序，堆叠条还能看出张三赢在标签分； -
同一份分析基础上，面试评价专家出的 STAR 面试题纲 + 胜任力雷达； -
结尾还有一张合规统计图，证明年龄/性别这些敏感字段全被拦在评分门外。
从空白表格，到一份"图+表+话术"齐全、能直接投屏给老板的材料——中间差的，就是这 5 个角色各干各的一棒，再加总管最后汇总成的四张图。
七、这套专家团，是怎么在 WorkBuddy 上搭出来的？
说到这儿你可能好奇：上面这一整套，到底怎么搭的？
说实话，比想象中简单。核心就 5 步：
第 1 步：初始化目录。 在 WorkBuddy 专家管理器里选"Team 型专家团"，输入名称 recruitment-expert-team，系统自动生成标准骨架——plugin.json 配置文件、agents/ 成员目录、avatars/ 头像目录，一次性就位。
第 2 步：写配置文件。 填好团队基本信息：显示名"招聘专家团"、分类"运营人力"、成员列表（声明 5 个角色的 ID 和头像路径）、快捷问法（预设 3 句 HR 最常说的话，比如"帮我招个高级私域运营""出人岗匹配排名""给面试题纲"）。
第 3 步：写每个专家的 MD 文件。 每个成员一个 .md，内容含角色定位、核心能力、工作流程（精确到输入输出格式）、可视化输出（结构化数据 + 建议图表类型）、输出规范、注意事项。你在上面看到的每个专家的"工作步骤"和"会画什么图"，全写在这里面——不是写代码，是写自然语言。
第 4 步：挂上本地 Skill 与人才 DNA 知识库。 在岗位画像、匹配评估的 MD 头部加上技能引用，被调度时自动预加载——含历史成功案例库、8 维标签模板、匹配公式。零登录、数据不出本机。
第 5 步：校验 + 注册。 跑一遍 WorkBuddy 自带的校验脚本（查遗漏字段、查残留占位符），通过后再点注册——专家团就出现在专家中心了。
从头到尾，没有一行 Python 或 Java 代码。全是 Markdown 配置加自然语言提示词。
这就是 WorkBuddy 做"专家团"的方式：你用自然语言描述每个角色该干什么，系统帮你搞定调度、协同，和最后的图表渲染。
八、好了，我已经把它打包好了
说了一大通设计和步骤，最后这句话最重要：这个专家团我已经完整创建好，就在 WorkBuddy 专家中心里——你拿过去，改改名字、补补你们公司的岗位标签和案例，就能直接用。
具体包含：
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
不需要开发人员。不需要部署服务器。不需要买额外的 SaaS 账号。
明天你打开 WorkBuddy，输入那句话——"帮我招个高级私域运营"——5 个角色就开始各干各的一棒，末了还给老板递上四张图。一个 HR，一台电脑，就开始了。
下一步如果你想做：
1. 拿到我的专家团里跑一个测试案例（用已经完成的历史招聘验证全流程 + 四张图）；
2. 在自己的企业里做脱敏 POC，启动人才 DNA 飞轮；
3. 把你们历史成功候选人的标签，填进知识库（标注"待核"的地方）。这套方案的完整设计文档、Skill 源文件、POC 测试模板——都能从 WorkBuddy 里导出。你要的话，我整理一份交付清单。留言想要我就导出给你。
从今天起，招聘不再是"收到 JD 就盲筛"——而是"有画像、可量化、出图表、合规兜底、越用越准"的标准化工序。
