面向招聘过程的AI驱动决策系统

早期候选人验证是招聘中的主要瓶颈，因为招聘人员必须协调异构输入（简历、筛选答案、代码任务和有限的公共证据）。本文提出了一个AI驱动的、模块化的多智能体招聘助手，将（i）文档和视频预处理、（ii）结构化候选人档案构建、（iii）公共数据验证、（iv）技术/文化匹配评分并附带显式风险惩罚、以及（v）通过交互式界面进行的人类在环验证集成。该管道由LLM在严格约束下进行编排，以减少输出变异性并生成可追溯的组件级理由。通过技术匹配、文化匹配和归一化风险惩罚的可配置聚合计算候选人排名。该系统在64名真实申请人（招聘中级Python后端工程师角色）上进行评估，以经验丰富的招聘人员作为参考基线，并使用另一位经验较少的招聘人员进行额外比较。除了精确率和召回率，我们提出了衡量每个合格候选人预期耗时的长度度量。在本研究中，该系统提高了吞吐量，实现了每位合格候选人1.70小时 versus 3.33小时 for the experienced recruiter，同时估计的筛选成本显著降低，且保持人类决策者作为最终权威。