招聘季一份 JD 收两三百份简历是常事。HR 一份份打开 PDF、肉眼对照 JD 划重点、Excel 登记评分、再约面发拒信--单份简历平均五分钟，三百份就是二十五小时纯人工，招完一轮人已是半月后。更难的是评分标准漂移：头十份看得仔细，到第一百份"差不多就行"；同一份简历上午看给 70 分、下午累了给 55 分；候选人的学校、性别、年龄在不知不觉中影响判断，公平性既难保证也难自证。
这个 n8n 工作流把简历筛选收口成一条管道：简历通过 Webhook 或邮箱附件进来，自动提取文本，LLM 按 JD 对技能匹配、经验年限、稳定性、风险信号打分并输出理由，IF 判断 tier 是否过线，再 Switch 路由到面试队列 / 备选库 / 婉拒邮件，同步写入飞书多维表格或 ATS、通知招聘者。一份简历从投递到分流压到分钟级，HR 只在面试队列上花时间。
合规是底线，不是加分项。LLM Prompt 明确禁止使用性别、年龄、婚育、种族、户籍、残疾、宗教、政治面貌等受保护属性做评分，只看技能、经验、项目与 JD 的匹配；简历含个人信息须遵守《个人信息保护法》与 GDPR--获取候选人授权、最小化处理、设定留存期限；AI 评分仅作辅助，最终是否面试由人决定。各地法规不同，以当地法律为准。
工作流链路
Webhook 触发（招聘官网表单 / 邮箱附件 / IM bot 转发）-> Code 节点提取文本（PDF / Word 解析为纯文本，去格式噪音）-> LLM 按 JD 打分（skill_match / experience / stability / risk 四维，输出 score + tier + reason + 面试建议问题）-> IF 达标（tier 为 interview 或 pool）-> Switch 路由（面试 / 备选）-> 写入飞书多维表格或 ATS -> 通知招聘者；IF 不达标（tier 为 reject）-> 发婉拒邮件 -> 状态回写。
和本站《客户线索自动收集打分通知工作流》(workflow-lead-crm-automation) 思路一脉相承：线索和简历都是"非结构化输入进来、按规则打分、按分数路由"的结构，打分维度换成技能匹配与经验，路由出口换成面试队列与 ATS。与《客户反馈分析工作流》(workflow-customer-feedback-analysis) 则共享"LLM 抽字段 + 写表 + 通知"的骨架。
下载模板
使用步骤
- 导入：n8n -> Workflows -> Import from File，选 workflow-resume-screening.json
- Webhook 节点：复制 Production URL 接到招聘官网投递表单或邮件转发规则。简历以附件或 base64 进来均可，统一由下一个节点解析
- 提取文本节点（Code）：把 PDF / Word 解析成纯文本。n8n 自带 Extract from File 节点能处理 PDF；Word 建议 Preceding node 转 .txt 或调第三方解析 API。同时清洗页眉页脚分隔线、邮箱签名、特殊字符，只保留姓名、联系方式、教育、工作经历、项目、技能这几段结构化文本。以联系方式或姓名加来源生成去重键
- LLM 打分节点：填 Kimi / DeepSeek / Qwen key，8k 上下文够用。Prompt 见下，要求模型输出 skill_match（0-100）、experience（0-100）、stability（0-100）、risk（low/medium/high）、score（综合 0-100）、tier（interview 进面试 / pool 备选 / reject 婉拒 三选一）、reason（百字内）、interview_questions（建议追问两三条）。关键约束：Prompt 明确禁止使用性别 / 年龄 / 婚育 / 种族 / 户籍等受保护属性，模型只看技能与经历
- IF 达标节点：取 tier 等于 interview 或 pool 走达标分支，否则（reject）走婉拒分支。阈值逻辑编码在 Prompt 的 tier 定义里：score>=80 进面试、60-79 备选、<60 婉拒。阈值按岗位松紧调--核心岗把 interview 门槛提到 85，储备岗放到 50
- Switch 路由节点：达标后再分流--tier 为 interview 进面试队列，pool 进备选库。备选不是拒绝，是"有坑位再捞"
- 写入飞书 / ATS 节点：HTTP Request 调飞书多维表格 API 或 ATS（Moka / 北森 / Greenhouse）的写入接口，字段含姓名、联系方式、score、risk、reason、interview_questions、来源、投递时间、路由。这是后面统计漏斗与复盘的基础
- 发婉拒邮件节点：tier 为 reject 走这里。HTTP Request 调邮件 API（Resend / 阿里云邮件推送），模板化回复--感谢投递 + 不匹配的泛化原因（不写具体分数、不点评个人属性）+ 保留简历入库的告知并给撤回入口。措辞过一遍法务，别承诺"未来优先考虑"
- 通知招聘者节点：面试队列命中时，Slack / 飞书 / 钉钉群机器人推一条带候选人姓名、岗位、score、risk、interview_questions 的卡片，招聘者一眼判断要不要抢时间约面
- 状态回写节点：HTTP Request PATCH 回 ATS，标记 status=screened + score + tier + risk + screened_at。闭环关键--简历不再停留在"已收到"，而是有明确分流结果可查
- 试运行：手动投三份测试简历--一份明显匹配、一份边缘、一份明显不匹配，看是否分别进面试队列、备选库、婉拒邮件，飞书表是否有记录，招聘者是否收到通知
配套 Prompt（LLM 简历按 JD 打分）
你是招聘助理，按 JD 给候选人简历打分，输出 JSON：
- skill_match：0-100，技能与 JD 关键词的匹配度
- experience：0-100，工作年限与项目经验与岗位要求契合度
- stability：0-100，跳槽频率与履历连贯性（频繁跳槽扣分）
- risk：low / medium / high，风险信号（空窗期过长、经历与 JD 严重不符、简历矛盾）
- score：综合 0-100
- tier：interview（score>=80 进面试）/ pool（60-79 备选）/ reject（<60 婉拒），三选一
- reason：百字内说明打分依据，引用简历事实
- interview_questions：建议面试追问 2-3 条
规则：仅依据技能、经验、项目、履历判断；禁止使用性别、年龄、婚育、种族、户籍、残疾、宗教、政治面貌等受保护属性评分，如简历中出现这些信息一律忽略；不编造简历中没有的事实；信息严重不足时 score 默认 50、tier 默认 pool 并在 reason 前加 [信息不足]。
JD：{{jd}}
简历文本：{{resume_text}}进阶
- 阈值动态化：不同岗位、不同级别用不同门槛。把 tier 的分数边界存在飞书表格或配置中心，Code 节点按岗位名取边界，再让 LLM 只输出原始 score、由 Code 节点算 tier，避免阈值改了要重发 Prompt
- 去重防刷：同一邮箱或手机号短期内重复投递，Code 节点先查 ATS 是否已存在，命中则更新 score 不重复建记录，防止候选人刷分也防止重复婉拒
- 人工复核层：score 落在边界上下 5 分的灰区，不直接路由，先进人工复核队列。这部分边界 case 最有价值，攒下来能反向优化 Prompt
- 面试问题预生成：LLM 输出的 interview_questions 直接送给面试官，节省面试准备时间。提示面试官这是 AI 建议仅供参考，最终考察点以人为主
- 漏斗统计：所有分流结果入飞书多维表格，按岗位、来源、score 段位出漏斗--投递数 / 过筛数 / 面试数 / offer 数。"哪个渠道简历质量最高"比"哪个渠道简历最多"更值钱
踩坑
- Prompt 必须写死反歧视约束：光说"客观打分"不够，受保护属性必须逐项列出禁用。模型默认会把"35 岁""女""未婚"这些信息纳入考量，不写死就会隐性歧视，且事后难以自证清白。这条是合规红线，不是优化项
- 解析别只靠一个节点：PDF 简历格式千奇百怪，扫描版 PDF 直接 Extract from File 会拿到空文本。加一个 IF 判断文本长度，过短就路由到 OCR 降级流程（调云厂商 OCR API），否则候选人简历明明匹配却被打成 0 分
- 婉拒邮件别写具体分数：写"您的情况与岗位匹配度较低"足够，别写"您得了 42 分"。具体分数既不专业也可能引发申诉与争议
- 留存期限要合规：简历含身份证号、家庭住址等敏感信息，《个人信息保护法》要求最小化处理与明确留存期。婉拒的简历别无限期留库，按法规设 30 天或 6 个月自动删除；备选库候选人入库前要有授权勾选，并给撤回入口
- AI 评分别当终审：score 只是辅助，最终是否面试由招聘者定。在 ATS 里保留"AI 建议"与"招聘者决定"两列，定期对账--AI 一致通过的岗有没有招进来、AI 不看好的人面下来如何，反向校准 Prompt
- 别让工作流替代沟通：自动化处理的是分流与登记，不是决策。关键岗位的婉拒建议人工再过一遍，避免错杀--一份简历的 LLM 评分误差，对候选人是几个月的等待
参考来源
- n8n Webhook 节点文档：https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.webhook/
- n8n Code 节点文档：https://docs.n8n.io/code/builtin/code-node/
- n8n IF 节点文档：https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.if/
- n8n Switch 节点文档：https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.switch/
- n8n Extract from File 节点文档：https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.extractfromfile/
- 飞书多维表格 API：https://open.feishu.cn/document/server-docs/docs/bitable-v1/bitable-overview
- 中华人民共和国个人信息保护法：http://www.npc.gov.cn/npc/c30834/202108/a8c4e3672c74491a80b53a172bb753fe.shtml
- GDPR 官方全文：https://gdpr-info.eu/