企业 AI 简历智能审查助手 PRD 产品需求文档

作者壹生有多逺

企业 AI 简历智能审查助手 PRD 产品需求文档

方向：AI 大模型应用
类型：产品需求文档（PRD）
版本：V1.0
日期：2026-07

文档定位

本文档为企业 AI 简历智能审查助手全新项目的产品需求定义，聚焦于功能描述与业务逻辑。为项目初期的需求设计产出，作为后续技术方案设计和开发实施的产品依据。

一、产品概述与背景

1.1 产品定位

企业 AI 简历智能审查助手是一款基于大语言模型（LLM）的智能简历分析与评估系统。系统通过 AI 工作流引擎实现简历的自动化解析、多维度评分、风险识别和结构化输出，为 HR 和招聘人员提供高效、标准化的简历初筛决策支持。

1.2 业务背景与痛点

传统简历筛选面临以下核心痛点：
– 效率低：HR 人工筛选大量简历耗时长，尤其在批量招聘场景下，人力成本高、周期长
– 主观性强：缺乏统一的评估标准，不同 HR 对同一份简历的判断差异大，筛选结果不稳定
– 遗漏风险：人工审查容易遗漏关键风险信号，如频繁跳槽、经验不匹配、薪资超限等
– 缺乏量化：传统筛选方式难以对候选人能力进行量化比较，排序依赖直觉

1.3 产品目标

通过 AI Agent 自动化工作流，达成以下目标：
– 效率突破：支持最多 5 份简历的批量并行处理，大幅提升初筛效率
– 标准统一：基于标准化评分体系（5 个维度、4 项硬性淘汰标准）的客观评估
– 风险可见：自动检测并标注硬性淘汰项与风险提示
– 结果可追溯：要求 AI 引用简历原文作为评分证据，确保评估有据可查
– 输出标准化：结构化 JSON 结果，便于前端展示和下游系统对接

1.4 Non-goals（本版本明确不做）

  • 不支持简历在线编辑与修改功能
  • 不支持自定义评分维度配置（本版本使用固定评分体系）
  • 不支持面试安排与通知发送
  • 不支持与外部 HR 系统的自动对接
  • 不支持除 PDF 以外的文档格式（如 Word、图片格式简历）

二、目标用户与使用场景

2.1 目标用户画像

用户角色 描述 核心需求
HR 招聘专员 负责简历初筛的 HR 人员 快速批量筛选简历，提高初筛效率
技术面试官 参与技术岗位招聘的面试官 获取技术能力量化评分，辅助面试决策
招聘经理 管理招聘流程的负责人 统一的评估标准，可追溯的评分依据

2.2 核心使用场景

场景一：批量简历初筛
HR 上传多份简历 PDF 文件（最多 5 份），系统自动逐份进行多维度评估，输出评分结果表格，标注通过/淘汰建议及风险提示。HR 据此快速筛选进入面试环节的候选人。

场景二：技术岗位精准评估
技术面试官上传候选人简历，系统按技术能力（40%）、项目经验（30%）、工程能力（20%）等维度打分，并输出各维度详细评分依据，辅助制定面试考察重点。

场景三：硬性条件快速过滤
系统自动检测硬性淘汰标准——无相关项目经验、编码能力不足、期望薪资超限、频繁跳槽（1 年内≥2 次）——对触发条件的简历直接标记淘汰建议。

三、AI Agent 核心功能与能力定义

3.1 Agent 能力矩阵

能力模块 功能描述 技术要素
文档解析 自动提取上传 PDF 简历中的完整文本内容 文档解析服务，内置于并行处理流程中
并行处理 支持同时处理最多 5 份简历，采用并行调度提升效率 并行调度引擎，最大并发数 10
智能评分 基于 5 个维度标准化评分（1-5 分制），引用简历原文佐证 大语言模型（qwen3-32b）+ 结构化提示词
风险识别 自动检测 4 项硬性淘汰标准并标注风险原因 提示词中内置淘汰规则
格式化输出 评估结果转化为标准 JSON 数组 大语言模型（qwen2.5-7b-instruct）
结果展示 前端表格化展示，支持评分颜色编码和风险等级标识 Vue.js 框架 + 响应式数据绑定

3.2 评分体系设计

评分维度与权重（5 分制）：

维度 权重 评估要点
技术能力 40% 编程语言掌握程度、技术栈深度与广度、技术认证
项目经验 30% 项目复杂度、担任角色、项目成果与影响
工程能力 20% 代码质量意识、工程化思维、协作能力
学习潜力 5% 技术成长曲线、自我驱动学习能力
背景匹配 5% 行业经验匹配度、岗位契合度

通过/淘汰判定规则：
– 总分 = 技术能力×40% + 项目经验×30% + 工程能力×20% + 学习潜力×5% + 背景匹配×5%
– 总分 ≥ 3.5 → 建议通过
– 总分 < 3.5 或触发任一硬性淘汰标准 → 建议淘汰

3.3 硬性淘汰标准

系统自动检测以下 4 项硬性淘汰条件，任一触发即标记”淘汰”建议：
1. 无相关项目经验 — 候选人的项目经历与目标岗位要求完全不匹配
2. 编码能力不足 — 从简历中判断候选人的编程基础未达到岗位基本要求
3. 薪资超限 — 候选人期望薪资超出岗位预算范围
4. 频繁跳槽 — 1 年内跳槽次数 ≥ 2 次

3.4 AI 模型选型

模型 用途 参数规模 关键配置
qwen3-32b 简历内容评估与多维度评分 32B temperature=0.7
qwen2.5-7b-instruct 评估结果 JSON 格式化输出 7B temperature=0.7

四、系统架构

4.1 系统架构总览

系统采用六层分层架构设计，各层职责清晰、依赖关系明确：

用户接入层 → 前端展示层 → API 网关层 → AI 工作流引擎层 → AI 模型服务层 + 数据存储层

第一层【用户接入层】：目标用户通过 Web 浏览器访问系统前端界面。支持拖拽上传和点击上传两种 PDF 文件提交方式。预留移动端适配能力。

第二层【前端展示层】：采用 Vue.js 框架构建的单页面应用，包含三大功能模块：文件上传模块、简历预览模块、评估结果展示模块（表格化展示评分、颜色编码绿≥4/橙2.5-3.9/红<2.5）。

第三层【API 网关层】：提供统一的系统入口，包含反向代理、身份认证（API 密钥鉴权）、限流控制、操作日志四大核心组件。

第四层【AI 工作流引擎层】——核心业务层，包含 6 个处理环节：
1. 文件接收服务 → 接收 PDF 文件列表（单次≤5 份），合法性校验后存入文件存储
2. 并行调度引擎 → 对多份简历并行分发处理（最大并发 10）
3. 文档解析服务 → 对每份 PDF 简历提取完整文本内容
4. 简历评估服务（LLM: qwen3-32b）→ 按预设评分标准体系进行 5 维度专业评估
5. 结果格式化服务（LLM: qwen2.5-7b）→ 将评估结果转化为标准 JSON 数组结构
6. 结果输出服务 → 持久化存储 + 向前端返回最终评估结果

第五层【AI 模型服务层】：接入通义千问大语言模型 API，采用双模型分工策略。

第六层【数据存储层】：文件存储（原始 PDF）、结果数据库（评估结果 JSON）、操作日志。

4.2 架构层次关系

层次 名称 核心组件 数据流向
L1 用户接入层 Web 浏览器、PDF 文件 → 上传文件至 L2 前端
L2 前端展示层 文件上传模块、简历预览模块、结果展示模块 → API 请求至 L3 网关层
L3 API 网关层 反向代理、身份认证、限流控制、操作日志 → 路由至 L4 工作流引擎
L4 AI 工作流引擎层 文件接收→并行调度→文档解析→AI 评估→格式化→输出 → 调用 L5 AI 模型；读写 L6 存储
L5 AI 模型服务层 通义千问 LLM API（qwen3-32b / qwen2.5-7b） ← 被 L4 调用（松耦合）
L6 数据存储层 文件存储、结果数据库、操作日志 ← 接收 L3/L4 写入

五、交互流程与业务逻辑设计

5.1 核心业务流程

整体流程分为三个阶段：文件上传 → 触发评估 → 结果展示。

阶段一：文件上传
用户打开 Web 界面，通过拖拽或点击选择 PDF 简历文件（单次最多 5 份）。系统自动校验文件格式（仅允许 PDF），非法格式前端拦截并提示。上传状态实时反馈：等待 → 上传中 → 成功/失败。

阶段二：触发评估
前端构建评估请求，将已上传文件的引用信息发送至后端。AI 工作流引擎接收请求，自动执行处理链路：文件接收 → 并行分发 → 文档解析 → AI 评估（qwen3-32b）→ 结果格式化（qwen2.5-7b）→ 结果输出。评估采用同步阻塞模式，用户等待完整结果返回。

阶段三：结果展示
前端接收并解析 JSON 数组结果，渲染评估结果表格，展示候选人姓名、5 维度评分、风险提示、综合总分、通过/淘汰建议。视觉增强：评分≥4.0 绿色、2.5-3.9 橙色、<2.5 红色；淘汰候选人行高亮标记。

5.2 异常处理逻辑

异常场景 系统行为 用户提示
文件上传失败 捕获异常，允许用户重试 文件上传失败，请重试
文件格式不支持 前端拦截非 PDF 文件 仅支持 PDF 格式简历文件
网络请求异常 捕获网络异常 网络请求异常，请检查连接后重试
AI 响应格式异常 JSON 解析前清洗和验证 评估结果解析异常，请重新发起评估
评估处理超时 服务端超时阈值后返回错误 评估超时，请重试或联系管理员

5.3 用户故事

  • 作为 HR 招聘专员，我希望一次性上传多份简历 PDF 文件并进行批量评估，以便快速筛选出符合要求的候选人
  • 作为技术面试官，我希望看到候选人在技术能力、项目经验等维度的量化评分和评分依据，以便更有针对性地准备面试问题
  • 作为招聘经理，我希望系统能自动识别硬性淘汰风险（如频繁跳槽、薪资超限），以便在初筛阶段就过滤不合适的候选人
  • 作为 HR 招聘专员，我希望评估结果以表格形式清晰展示并通过颜色区分高低分段，以便一目了然地识别优质候选人

六、数据需求与接口定义

6.1 接口功能定义

文件上传接口

项目 说明
功能说明 接收前端上传的 PDF 简历文件，返回文件唯一标识供后续评估引用
请求方式 POST（multipart/form-data）
认证方式 Bearer Token 鉴权
请求参数 file：PDF 文件内容；user：用户标识
限制条件 仅接受 PDF 格式；单次上传文件数不超过 5 个
成功响应 返回文件 ID、文件名、大小、类型等元信息

评估请求接口

项目 说明
功能说明 发起简历评估请求，触发 AI 工作流引擎执行完整评估流程
请求方式 POST（application/json）
认证方式 Bearer Token 鉴权
请求参数 files：已上传文件引用列表；query：评估指令；response_mode：同步阻塞；user：用户标识
响应模式 同步阻塞（blocking），等待完整工作流执行完毕后返回
超时处理 服务端设置超时阈值（300 秒），超时返回错误

6.2 评估结果数据结构

字段名 类型 说明
候选人 String 候选人姓名
技术能力 Number 1-5 分，权重 40%
项目经验 Number 1-5 分，权重 30%
工程能力 Number 1-5 分，权重 20%
学习潜力 Number 1-5 分，权重 5%
背景匹配 Number 1-5 分，权重 5%
风险提示 String/Null 触发淘汰标准时的说明，未触发为 null
总分 Number 按权重计算的加权综合评分
建议 String “通过” 或 “淘汰”

6.3 系统关键配置

配置项 参数值 说明
最大上传文件数 5 单次评估文件上限
并行处理并发数 10 并行调度引擎最大并发
请求超时时间 300 秒 评估请求最大等待时长
通过阈值 总分 ≥ 3.5 综合评分通过线
LLM 温度参数 0.7 两个 AI 模型统一配置

七、评价指标与验收标准

7.1 功能验收标准

序号 验收项 验收标准 验证方式
F1 文件上传 支持 PDF 上传，单次最大 5 个，支持拖拽和点击 功能测试
F2 文档解析 正确提取 PDF 简历中的完整文本，无乱码 人工对比
F3 多维度评分 正确输出 5 个维度评分，每项 1-5 分 抽样验证
F4 硬性淘汰检测 正确识别 4 项淘汰条件并标注风险原因 用例测试
F5 结果格式化 输出符合定义结构的 JSON 数组 接口测试
F6 结果展示 表格含全部字段，颜色编码正确，风险列有标识 UI 测试
F7 错误处理 各异常场景有中文友好提示，支持重试 异常测试

7.2 性能验收标准

指标 目标值 说明
单份简历评估时间 ≤ 60 秒 从发起评估到收到结果
5 份简历批量评估时间 ≤ 120 秒 并行处理模式
前端首屏加载时间 ≤ 3 秒 页面初次完整渲染
API 请求成功率 ≥ 99% 排除用户侧错误

八、风险与约束

8.1 已知风险

风险项 影响程度 缓解措施
AI 评分主观性 中 结构化提示词评分标准；要求引用原文佐证
PDF 格式兼容性 中 限定标准 PDF 格式；异常时提示用户检查文件
LLM 输出稳定性 中 前端 JSON 解析容错机制；必要时调整温度参数
隐私合规 高 数据传输加密，存储脱敏；遵守《个人信息保护法》

8.2 术语表

术语 说明
AI 工作流引擎 编排和执行 AI 处理流程的核心引擎
LLM 大语言模型（Large Language Model）
通义千问 阿里云 AI 大模型系列，本系统使用 qwen3-32b 和 qwen2.5-7b
并行调度引擎 负责将多个简历文件并行分发至处理通道的调度组件
temperature 温度参数 LLM 随机性控制参数，本系统统一使用 0.7
提示词 引导 LLM 按预期方式处理任务的指令文本
API 网关 系统统一入口层，负责请求路由、身份认证、限流控制和日志记录

作者：壹生有多逺
更新日期：2026-07-17

类似文章