基于 LLM 的简历筛选框架 AutoScreen-FW
计算与语言
2026-03-20 v1
摘要
企业招聘经常需要在有限时间内筛选大量简历，这增加了招聘人员的负担，并可能导致合适的候选人被忽视。为此，先前的工作探索了基于 LLM 的自动简历筛选方法。然而，一些方法依赖商业 LLM，可能带来数据隐私风险。此外，由于公司通常不公开带有评估结果的简历，因此不清楚在学习以提高 LLM 判断性能时应使用哪些简历样本。为此，我们提出了 AutoScreen-FW，一个基于 LLM 的本地自动简历筛选框架。AutoScreen-FW 使用多种方法选择一小组代表性简历样本。这些样本用于进行情境学习，结合角色描述和评估准则，使开源 LLM 能够作为职业顾问并评估未看到的简历。实验表明，多个真实依据下的开源 LLM 判官 consistently 优于 GPT-5-nano。在一种真实依据设置下，它还超过 GPT-5-mini。尽管在其他真实依据设置下稍逊于 GPT-5-mini，但它在每个简历上运行速度显著快于商业 GPT 模型。这些发现表明，AutoScreen-FW 有潜力可在公司本地部署，以支持高效筛选，同时减轻招聘人员的负担。
引用
@article{arxiv.2603.18390,
title = {AutoScreen-FW: An LLM-based Framework for Resume Screening},
author = {Zhelin Xu and Shuhei Yamamoto and Atsuyuki Morishima},
journal= {arXiv preprint arXiv:2603.18390},
year = {2026}
}
备注
11 pages, 9 figures