先别急着让GPT读简历 - 一个初筛助手翻车的三步复盘
不少独立开发者接到的第一个AI外包单，就是“帮HR做简历初筛”。听起来很简单：把简历丢给大模型，让它输出“通过/不通过”不就行了？我见过好几个团队按这个思路做，几乎全都翻车。这篇文章先把常见的失败做法摆出来，再给出一条能落地的正确路径——尤其是当你同时调用多家模型时，统一AI API网关为什么几乎是必选项。
一、三种最常见的翻车姿势
姿势一：一把梭全交给大模型。 开发者把整份简历和JD原文塞进prompt，让模型给出结论和理由。结果初版准确率勉强过半，HR试用两天就弃用了。问题在于：大模型并不天然理解你的业务标准，“沟通能力强”“有相关经验”这些JD里的模糊表述，模型只能自由发挥，每次发挥还都不一样。
姿势二：简历解析直接用模型裸读。 PDF简历格式千奇百怪，双栏排版、图片化技能标签、外文姓名混排。让模型直接读原始文本，字段抽取错误率惊人——把实习经历当全职、把项目描述当工作经历，下游打分自然全错。解析这一步不解决，后面全是垃圾进垃圾出。
姿势三：每加一个环节就多接一家API。 解析用A模型、打分用B模型、生成拒信用C模型，每个模型各写一套SDK调用、各自的key管理、各自的重试逻辑。三个月后模型涨价、接口变更，代码改得七零八落，光维护对接层的工作量就超过了业务本身。
二、正确路径：把“初筛”拆成机器能干的四段流水线
核心认知是：初筛不是一次问答，而是一条流水线。每一段用合适的工具，失败段可单独定位、单独替换。
[1] 预处理与解析
├─ PDF → 结构化文本（版面解析工具，不靠大模型硬读）
├─ 抽取字段：学历/年限/技能/职位序列（专用小模型，输出JSON）
└─ 校验：字段缺失 → 回退人工标记队列
[2] 规则硬过滤（代码实现，不经模型）
├─ 硬性门槛：学历、年限、证书、城市
└─ 输出：直接淘汰 / 进入下一轮
[3] 软性匹配打分（通用大模型）
├─ 输入：结构化字段 + JD要点（不是原文全文）
├─ 输出：分维度评分 + 依据引用（强制JSON Schema）
└─ 温度设为0或极低，保证可复现
[4] 结果复核与落库
├─ 分数落区间边界 → 人工快速过目
└─ 通过/待定/拒绝 → 写入ATS，生成拒信草稿关键点有三个：规则能做的不给模型做；模型输出必须约束成JSON并做schema校验，防止自由发挥；边界案例交人工，AI只做“压缩工作量”，不做最终裁决。
三、关键实现步骤
- 先收集数据再写代码。 让HR标注50–100份历史简历的筛选结论，作为评测集。没有这个基准，你连“改了prompt有没有变好”都无法判断。
- 解析层选型。 用成熟的版面解析库或专用小模型，把简历转成统一Schema（姓名、教育、每段经历的时间/公司/职责）。解析结果人工抽检10%，错误率压到5%以下再进入下一步。
- 打分prompt工程化。 把JD拆成“必须项/优先项/加分项”清单，让模型逐项比对简历证据并引用原文，输出类似：
{
"candidate_id": "R-1024",
"scores": {
"tech_match": {"score": 8, "evidence": "3年Go后端，含支付系统"},
"domain_match": {"score": 5, "evidence": "无电商行业经历"}
},
"conclusion": "borderline",
"reason_summary": "技术达标，行业经验不足"
}- 用评测集回归。 每次改prompt或换模型，跑一遍标注集，对比与HR结论的一致率。低于阈值不上线。
- 上线灰度。 前两周AI只给建议、HR全量复核，统计分歧率，收敛后再逐步放开自动处理低风险区间。
四、为什么统一AI API网关能显著降低维护成本
上面的流水线至少要调用解析小模型、打分大模型、生成拒信模型，它们往往来自不同厂商。如果各自直连：
- 协议各异：每家SDK、鉴权、流式格式都要单独适配；
- 模型变更成本高：打分模型一旦涨价或下线，你得改业务代码、重测、重新上线，动辄几天；
- Key散落各处：泄露风险和轮换成本随接入数线性增长；
- 成本无统一视图：哪个环节烧钱最多，只能月底对账才恍然大悟。
接入统一AI API网关后，业务代码只面向一套OpenAI兼容协议。换模型往往只改一个模型名参数，配合评测集跑一遍回归即可切换——这对小团队来说是“小时级换模型”和“几天停服重写”的差别。同时，统一的用量统计和预算告警让流水线每个环节的成本一目了然，异常调用能在分钟内被发现，而不是月底账单爆炸才知道。安全上，所有key收敛到网关侧管理，业务服务器不保存任何厂商凭证。人少事多的小团队，把精力留给业务逻辑，把协议适配、路由、监控这些脏活交给网关，是最划算的分工。
结语
简历初筛AI助手的成败，不在模型多强，而在流水线拆得是否干净、评测基准是否扎实、模型层是否可随时替换。如果你正准备动手，不妨先注册一个统一AI API网关，把多模型接入的复杂度一次性解决掉：https://api.thistoken.ai/register
---
不想折腾多家供应商的接入差异？在 https://api.thistoken.ai/register 注册，用一个 base_url 调用所有模型。