LLM 驱动的职位匹配：构建潜在客户评分管道
关键词过滤的失效方式
基于关键词的职位匹配在两个方向上都失效：它错过了满足所有要求但使用不同术语描述它们的候选人，并且包含了拥有正确关键词但不符合实际要求的候选人。
一个要求"3+ 年 React 经验"的职位，用关键词过滤就意味着查找包含"React"的简历。这会错过在职位描述之前使用"ReactJS"的候选人，以及通过其他框架经验展示等效技能的候选人。
管道架构
管道分三个阶段：
预过滤：简单的规则过滤掉明显不符合条件的候选人——位置不在接受范围内、硬性经验年限要求明显不足。这不是 LLM 工作，而是基本的查询过滤。
LLM 评估：对于通过预过滤的候选人，LLM 被提示对简历与职位描述匹配进行详细评估，包括技能相关性、经验水平和文化指标（如果适用）。
评分和排序：LLM 输出被解析为结构化评分，候选人根据总分进行排序，附有解释性注释以便人工审查。
提示工程
提示质量对评估质量有巨大影响。表现最好的提示明确定义了评分维度和权重，提供了强匹配和弱匹配的示例，并指示 LLM 在进行最终评分之前展示其推理。
成本管理
在大型候选人群体上运行 LLM 评估可能会很昂贵。我们通过严格的预过滤（通常消除 80% 的候选人）来管理成本，并对 LLM 调用使用批处理，而不是实时评估。