DHR AIHR大会现场 富途证券：筛一份简历，只要九分钱

下午的甲方分享里，富途证券的盘子不算大：一个简历筛选节点，三个 HR 自己攒出来的系统。但导师点评时说了一句话——这是全场唯一把投入产出讲清楚的项目。

分享者是富途的 HRBP 负责人（英文名 Dorris），项目全名《AI 人力助手：多异构模型共识智能简历分析系统》，产品叫牛牛简历助手。做法是让两个不同厂商的模型按同一套标准盲评简历，再加一个审查模型核依据，分歧转人工。账算到分：中文简历筛一份，九分钱。

外采的系统用不顺，他们自己攒了一个

选场景，富途用的是产品三问法：问题与目标是什么，方案是否合理，用户体验与同理心够不够。筛下来，定在简历筛选——活繁重，又恰好是能定义规则的节点。

为什么不买现成的？大屏上把困境分成两摊。业务这边：单个岗位需要重复处理大量简历，业务变化快，筛选标准不统一，依赖个人经验。资源那边：IT 需求要排队等排期，未纳入规划的需求优先级靠后；招聘端已有外采 ATS，自带 AI 筛选功能，但内部筛选标准的配置与迭代支持有限，采购与实施成本高，迭代和扩展不够灵敏，需求调整要依赖供应商或研发排期。

大屏上有一句定性的话：HR 既是规则制定者，也是核心用户，应由 HR 定义框架与标准。标准在谁手里，谁就该攒这个系统。富途的选择是，标准拿回自己手里，系统也自己攒。

两个模型盲评，一个模型复核

整个工作流是人机协同的一条链。岗位信息从 ATS 进来，AI 辅助解析岗位要求，招聘团队确认条件标准与能力要求；硬性条件先做结构化初筛，敏感信息脱敏、做注入攻击扫描；然后两个异构模型并行独立评估，审查模型核验，汇总评估结果与依据，交人工复核与最终确认，初筛结果写回 ATS；人工的反馈样本沉淀下来，反哺下一轮。

为什么要三个模型？因为单个模型会看走眼。可靠性靠三招：两个异构模型依据同一标准独立评估，分别输出结论和支持依据，互不参考对方结果，压低单一模型的理解偏差或主观倾向；复核模型审查双模型的结论，重点核验匹配依据是否充分、评分与推荐结论是否一致；基于复核结果形成最终共识，分歧案例标记为待复核，交 HR 人工确认。

数据摆在大屏上，统计期到 2026 年 10 月：简历初筛工作耗时减少约 80%，累计处理简历 3000 多份，双模型判断一致率约 82%。讲者给的 AI 筛选准确度约 93%；导师点评时给了另一个数，HR 的实际采纳率约 83%——一个是判得准不准，一个是用不用，两个口径。大屏还老实写了一项：基础条件不匹配占比约 50%，一半简历其实在规则层就该出局。

Demo 是实拍的系统页面。配置页上写得明白：初筛模型 A 是 DeepSeek V4 Pro，模型 B 是 Qwen 3.7 Max，复核模型用 Gemini 3.5 Flash，页面上注明，异构模型来自不同厂商、独立推理互不影响。

分歧怎么处理，候选人详情页就是例子：一位投金融后台开发工程师的候选人，DeepSeek 给了通过（3/5），Qwen 给了不通过（2/5），结论不一致，系统不硬判，转人工；AI 评估分 62，匹配度 3 星，两边的依据都摆在页面上，等人来定。

九分钱，是怎么算出来的

全场把账算得最细的，是这一页。分层调用，让 AI 算力聚焦复杂判断：中文简历单份筛选成本约 0.09 元，英文简历约 0.11 元，大屏脚注注明，这个成本含双模型评估与审查模型的费用；预计 ROI 约 200%，一次性投入约 4 万元，预计投资回收期 3 到 6 个月。

降本有三条路。一是系统设计降本：把明确的岗位硬性条件前置为规则判断，一半简历在代码层就被剔除，不进模型，精准控制调用范围，减少无效调用。二是模型选型降本：他们测评了 7 家厂商、20 多款模型，再做组合搭配。三是自建：HR 团队借助 AI 开发工具自己动手，无需额外研发资源。

交付方式也跟着变了。不再是提需求、排期、验收的串行链条，而是需求池、小步开发、可用原型、即时反馈的内部闭环，单个功能的迭代周期压缩到 1 至 2 周，业务方主导。

导师二的点评点名了这一页：这是全场唯一把 ROI、投入产出讲清楚的项目；流程分层解耦，结构化字段先预筛、再调用大模型，成本控制值得借鉴；项目还建了学习闭环，基于历史记录和淘汰样本持续优化，这正是准确度能到 93% 的原因。

标准会自己长，判断留给人

系统上线不是终点，标准还会漂移。讲者举了个例子：招聘前期，Java、Go、C++ 背景都可以，招到后期，因为公司技术栈是 Go，面试官越来越倾向 Go 背景的人。标准在变，系统得跟得上。

牛牛简历助手的做法是每周复盘：AI 回看近 7 天的采纳与驳回记录，诊断偏差，主动推送校准建议，招聘者确认后才发布新版本；招聘者也可以主动发起修订。用大屏上的话说，筛选标准从「一次设定」，升级为「持续校准」。

安全和公平是另一条线。数据最小必要收集，只取 ATS 里已结构化的标签，敏感信息脱敏之后才进模型；评估只围绕岗位胜任要求，不以性别、年龄这类无关信息为依据；传输加密、最小权限、访问审计、输入隔离校验防提示注入。讲者补了一层意思：姓名脱敏不只是合规，也为了公平——消除 HR 恰好看见、或者没看见某个候选人的运气差异。

信任靠机制立。业务侧三招：规则前置、交叉验证、人工终审；研发侧三件：幂等设计防重复操作、结果回写用唯一标识防重复推送、代码交付有门禁和审计，全程可追溯、可复盘。大屏上这一页的底线写得很直白：AI 仅提供筛选建议与判断依据，流程推进由 HR 复核，不替代人做决策。

再说回那三个人。HRBP 负责人兼业务方和产品，定需求边界；HRIS 的一位同事借助 AI 承担开发与测试；HRIS 负责人负责和传统系统嵌入融合。导师一说，三人团队的意义不止是生产力，更改变了生产关系链路——让最懂业务的人，直接参与产品设计与交付；他建议这套异构共识将来升级为 agent 专家团加仲裁的模式，从简历筛选走向人才决策。

讲者对自己的定位很清醒：对照上午白皮书的助手、Agent、数字员工三级，自评在 1 到 2 之间，而且仅限简历筛选这一个节点。下一步预研招聘数字员工，再往后是人才数据中台与人才数据仓库；蓝图是从单点走向选、育、用、留的全闭环。

她给同行留的推广路径也是五件实在事：从用户体验切入，守住准确性与人工把关，做好模型分层与成本控制，从单点走向闭环，由业务方定义需求、主导迭代。收尾那句话说得平实：AI 时代，执行的门槛越来越低，真正重要的是发现问题的想法，和解决问题的决心。

既然看到这里了，如果觉得有用，随手点个赞、在看、转发三连吧。

THANKS FOR READING