AI 招聘 + HR 工具包

这个 pack 包含什么

这是招聘官或 HR 负责人真的会拿来跑一次完整招聘的工具集 — 不是 50 家 vendor demo day 的清单。每个工具只干漏斗里的一件事：找候选人、解析简历、按 JD 筛选、面试准备、录音、起 offer、入职。还有一个工具横跨每一步：在结果给到 hiring manager 之前先跑一遍偏见审计。

整套故意 agent 驱动。招聘官花一个上午把流程搭起来；之后 agent 干粗活 — boolean 搜索、简历格式化、筛选总结、转写笔记 — 招聘官只在需要判断的地方介入（电面本身、谈判、close）。关键铁律：不允许自动 reject。每一步筛选都产出带原因的排序，而不是悄悄把候选人筛掉、人都看不到。

推荐安装顺序

1. Tavily Search — 给 sourcing agent 用的搜索引擎。可以查「2026 年发过 Server Components 博客的资深 React 工程师」「柏林 staff PM 的薪资基准」「Acme 上个月为啥裁了 growth team」。免费档每月 1000 次查询，小团队够用。
2. Apify MCP Server — 8,000+ 现成 scraper（LinkedIn 风格 profile、招聘网站、GitHub、Stack Overflow Careers）以 MCP 工具暴露。Tavily 的文本片段不够、需要结构化候选人列表去重排序的时候用它。
3. Jina Reader — https://r.jina.ai/<url> 把任何网页转成干净 markdown。最朴实的主力：贴一个候选人个人站、竞品的招聘页、40 页的 benefits PDF，回来的就是 LLM 能消化的纯文本。
4. Reactive Resume — 开源简历构造器，同时也是解析器。候选人提交原始简历后，先过 Reactive 导成 JSON Resume 标准 schema，再跑 LLM 筛选。每次都是同样的字段 = 可比的筛选信号。
5. Docling — IBM 工业级文档解析器，吃 PDF / DOCX / 扫描简历。处理 Reactive 搞不定的真实烂数据（1990 年代扫描 CV、欧式双栏排版、只有图的 PDF）。输出是结构化 markdown，下游筛选 agent 能直接用。
6. Phoenix Evals — LLM-as-judge 库，内置模板。真正的筛选发生在这里：定义评分表（相关经验年数、领域匹配度、沟通清晰度），Phoenix 用同一套 prompt 跑每个候选人，返回带理由的数字得分。可审计、可复现。
7. Anarlog — 开源本地 AI 会议记录。在招聘官自己的电脑上录音 + 转写电面 — 候选人音频不出本机。输出是总结 + action items，可以直接塞进 ATS，不用上传给第三方 SaaS。
8. Faster Whisper — 比 OpenAI Whisper 快 4 倍，本地跑。Anarlog 和你的批量面试流水线底层就是它。一周 20 个电面、需要分钟级而不是小时级出转写的时候上它。
9. Prompt Perfect — 系统 prompt 模板库。用来把 offer letter prompt、拒信 prompt、reference check prompt 纳入版本管理。「友好通用语气 + 不带具体薪资 + 提示下一步」周一发的信和周五发的信应该是同一封。
10. Claude Code Agent: AI Ethics Advisor — 闸门。任何 shortlist 给到 hiring manager 之前，Ethics Advisor 复查筛选评分表 + 排序结果，找受保护类别的代理变量（邮编、毕业学校、毕业年份、照片）。flag 退回招聘官，绝不自动应用。这是整条链上唯一允许 block 下游动作的环节。

它们怎么协同

            ┌─ Tavily ─── Apify MCP ───┐
            │ (搜索)     (爬虫)         │   找人
            └─────────┬─────────────────┘
                      ▼
              Jina Reader (URL → 文本)
                      │
                      ▼
         Reactive Resume ── Docling           筛简历
         (JSON schema)    (烂格式 PDF)
                      │
                      ▼
              Phoenix Evals
           (LLM 评分表)
                      │
                      ▼ ────────────────────────┐
              AI Ethics Advisor                 │
             (偏见审计闸门)                     │
                      │                         │
                      ▼                         │
         Anarlog + Faster Whisper        面试
         (本地录音 + 转写)                       │
                      │                         │
                      ▼                         │
              Prompt Perfect             Offer
         (offer 信 / 拒信 /             + 入职
          推荐人调用模板)

非显然的连接是 Phoenix Evals → Ethics Advisor：Phoenix 给你一份可辩护、可复现的评分表；Ethics Advisor 在排序给到任何人之前先检查这份评分表有没有代理变量。没有这道闸门，LLM-as-judge 流水线会悄悄把训练数据里的所有偏见再编码一遍。加上闸门，就有了纸面凭证。

你会遇到的取舍

• Reactive Resume vs Docling — Reactive 是可选的（候选人愿意用 builder 才有）；Docling 是必装的（你得解析任何收上来的东西）。两个都装：Reactive 用于候选人配合的干净 schema，Docling 用于那 40% 一上来就是 2014 年扫描 PDF 的烂格式。
• Anarlog（本地）vs 云端会议机器人 — Anarlog 让音频留在招聘官的笔记本上。云端机器人（Fireflies / Otter）配置更快，但候选人音频会落到美国 vendor 的日志里，对欧洲候选人能不能过 GDPR 是模糊的。EU 候选人默认走本地。
• Phoenix Evals vs 人工读简历 — Phoenix 可复现、快；招聘官亲自读简历能捕捉评分表覆盖不了的漏斗顶部信号。正确的搭配是 Phoenix 跑第一轮（200 → 30），人读第二轮（30 → 8）。
• Ethics Advisor 自动应用 flag — 别。Ethics Advisor 是审查者，不是执行者。模型 flag 了一个代理变量就自动拒掉候选人，恰恰就是你想避免的失败模式。flag 给招聘官，招聘官决定。

常见踩坑

• 评分表只在某个人脑子里 — Phoenix 要的是写下来的评分表。如果你说不出「相关领域经验 3 分、相邻领域 2 分、可迁移 1 分、不相关 0 分」，筛选就不可复现，偏见审计也抓不到任何东西。先把评分表写下来，再去搭 agent。
• 候选人 PII 走第三方 LLM — SaaS Claude / OpenAI 接口会记日志。简历内容含姓名 / 邮箱 / 地址 / 学校，筛选这一步默认走本地模型（Ollama + 12B Llama 变体），只把评分结果上行给云端。云端调用留给 offer letter，不留给筛选。
• ATS 自带「AI 集成」 — 大部分 ATS vendor 卖的是套了 UI 的 GPT 调用。本 pack 的意义在于 prompt / 评分表 / 审计链路在你自己手上，而不是外包到 vendor 锁死的界面里。用 ATS 的 MCP / webhook 层，跳过捆绑的「AI 筛选」。
• 拒信走 human-in-the-loop — 评分表再完美，自动发拒信都是最快通向歧视投诉的路。每封拒信在离开公司之前都得过一个人。
• 忘了到期清候选人数据 — 多数司法区对申请人数据的保留期是有上限的。给流水线加 cron，到点自动清简历 + 转写。别相信「我们手动会清」。