我们如何用 AI 原生工作流重构简历筛选

本文记录的是一个小实验：我们把 Notion 招聘数据库接入 Claude Code，运行了一套动态工作流，并行调度 100 多个 AI 智能体去阅读简历、按统一的评分标准给候选人打分，并相互交叉核验彼此的判断——最终产出一份可以立即据以行动的排名候选名单。

整件事花了 $65，在大约 13 分钟内跑完了 115 位候选人。但比成本更有意思的，是它暴露出的一系列方法论问题——什么时候该动用一支智能体队伍而非单个智能体、如何防止 AI 评分虚高，以及把"优秀"编码成机器真正能执行的东西到底意味着什么。

1. 什么是动态工作流

我们先从概念讲起，因为后面的一切都建立在它之上。

如今大多数 AI 用法遵循的是一问一答的模式：发一条消息、得到一个回答、再迭代。这对一次性任务很好用，但当你需要对 115 个对象做同一件事时就会很别扭——你要么复制粘贴 115 次，要么让单个会话依次处理它们，而这个过程会越往后越慢、越往后越嘈杂。

**动态工作流是另一种范式：用代码来编排一支 AI 智能体队伍。**它的核心特征是：

• **确定性的控制流 + AI 的判断，二者分离。**循环、调度、聚合、配额执行由代码负责（可复现、可审计）；主观判断（这份简历够不够强？）则交给 AI 智能体。
• **扇出并行。**单个 parallel(...) 调用就能同时启动数十甚至上百个相互独立的智能体，每个智能体处理自己的那一份，互不污染。
• **多阶段流水线。**一个阶段的输出喂给下一个阶段。阶段之间的过滤、排序、去重由代码完成。
• **结构化输出。**每个智能体返回符合 schema 的 JSON，而不是自由格式的聊天文本，因此下游代码可以直接消费。

打个比方：单个会话就像请一位专家咨询一下午。而动态工作流就像组建一个 125 人的评审团，给每位成员发一份评分标准和一份候选人材料，让所有评审并行进行，对靠前的结果做交叉核验，再聚合成一份排名清单——而组建、调度、聚合的逻辑都内嵌在脚本里。

简历筛选天然契合这种范式：高量级、统一标准、主观判断、公平性要求。

更深入的技术介绍见：A harness for every task: dynamic workflows in Claude Code

2. 招聘工作流：目标与设计

问题

我们有一个具体的痛点：有一百多位候选人卡在 Notion 招聘数据库的"初筛"状态里，靠人工根本没法在不标准漂移的情况下处理完——你审到第 80 份简历时所用的尺子，几乎从来不会和审第 5 份时一样。

我想验证的是一个很具体的想法：我们能不能把"AI 智能体时代里优秀长什么样"抽象成一份机器可执行、人类可读的评分标准，然后让全部 115 位候选人在同一套校准下跑一遍？

目标明确不是让 AI 来做录用决定。目标是：

1. 把 115 位候选人压缩成一份有排名、有论据的候选名单，让人的注意力投向真正值得关注的人。
2. 让标准透明且可迭代——如果结果不对，你改的是一个 Markdown 文件，而不是代码或直觉。

三个关键设计决策

决策 1：标准与代码彻底分离

评估标准放在独立的 Markdown 文件里（criteria/），不嵌进工作流代码。任何人——包括非技术的同事——都可以通过编辑这些文件来改变筛选行为：

criteria/
├── 00-philosophy.md          总体理念：我们到底在招什么样的人 + "抬高标准"规则
├── 01-pedigree.md            扎实的学术 / 早期基础                  (权重 20%)
├── 02-ai-agent-fluency.md    AI 原生能力                          (权重 35%)
├── 03-grit-problem-solving.md  解决问题与克服困难                    (权重 30%)
├── 04-talent-lens.md         顶尖人才信号                          (权重 15%)
└── scoring.md                评分公式 + 等级分段 + 5% 配额规则

这四个维度就是我们的**"AI 智能体时代优秀标准 v0.1"**。每个维度背后的考量是：

• **AI 原生能力权重最高（35%）。**在 2026 年，一个人是否把 Claude Code 这类智能体工具真正当作工作方式的核心组成部分，是一道重要的生产力分水岭。我们专门对堆砌关键词的行为扣分——只列出"Claude Code"却拿不出可验证的项目证据，会被当作弱信号。
• **解决问题的硬证据（30%）。**我们寻找的是"伤疤组织"：从零独立做出来的东西、克服真实障碍的叙述——而不是教程级别的照搬复刻。
• **扎实的基础（20%）。**学术背景作为原始潜力的代理指标——它是一个信号，而非硬性要求。名校学历配上平庸的产出会被扣分；没有名校光环、但有真实落地成果的自学型实干者则会被加分。
• **顶尖人才信号（15%）。**这个维度是刻意主观的。提示词会问：像 Anthropic 这样的团队，或者像 Musk 这样的创始人，会不会立刻想要主动联系这个人？它捕捉的是另外三个维度抓不到的那种主动性、品味和速度。

决策 2：把"抬高标准"编码成硬约束，而不是口号

scoring.md 里有一条硬规则：进入最高档（S）的候选人必须 ≤ 全体池子的 5%。所有打分完成后，代码会施加一个全局上限：即便很多候选人在技术上落在 S 区间，也只允许排名前 5% 通过。这直接对抗一个已知的失败模式——AI 打分天生宽松。没有硬约束，它会把池子里一半的人都评为"优秀"。

决策 3：加入对抗式复审，揪出虚高的分数

光打分还不够。单个打分智能体可能被听起来很唬人的关键词带着走——"发表在顶级期刊""自己造了个框架"。所以排名靠前的候选人要再过一轮：由一支**"魔鬼代言人"智能体组成的评审团，它们明确的任务就是为"这个人配得上顶级评级"唱反调**，并在证据不足以支撑的地方把分数往下压。

工作流

准备 📋 Notion 招聘数据库 —— Notion CLI 拉取 → 每位候选人生成一份结构化数据文件

AI 阶段 1：打分（115 个智能体并行）

• 阅读 6 个标准 MD 文件 + 该候选人的数据文件
• 主动访问 GitHub / 作品集链接以核验证据
• 输出结构化 JSON：4 维度分数 + 理由 + 亮点 + 风险标记

Code 确定性综合

• 计算加权总分
• 全局排名排序，计算 5% 配额名额
• 选出排名靠前的候选人进入对抗式复审队列

AI 阶段 2：对抗式复审（智能体并行）

• "魔鬼代言人"人设复审每位头部候选人
• 为顶级评级唱反调
• 在证据不足处把分数往下压

Code 确定性裁决

• 用校准后的分数重新排序
• 执行 5% 硬上限
• 给出最终等级分段：S / A / B / C / D

输出：排名报告 结构化 Markdown，含每位候选人的分数、理由和对抗式复审裁决

**蓝色阶段（打分 / 复审）是 AI。灰色阶段（综合 / 裁决）是代码。**这种切分是刻意的：凡是涉及数学的——加权、排序、配额执行——都交给代码以保证可复现；凡是需要判断的——这个人够不够强？——都交给 AI。

3. 我们看到了什么：结果与洞察

下文所有候选人均已匿名。我们描述的是工作的类型，而非姓名或可识别细节。

我们跑了什么

分布

5% 配额（5 个名额）完全没用上——挡住任何人的不是配额，而是绝对分数门槛。没有人靠自己越过 A 档的底线。至于为什么这其实是个有用的信号，下文再说。

排名头部长什么样（已匿名）

无一例外，排名最高的候选人都是那些真正动手做过智能体的人——而不是那些只是听说过 AI 的人：

• **第 1 名：**一位研究生，从零搭出了一个 Claude-Code 风格的多智能体工作台——包括智能体主循环、工具调用解析、上下文压缩、子智能体派生和安全闸门。全是可验证的代码，而非文字描述。
• **第 2 名：**另一位研究生，部署了一套真实、可公开访问的多智能体系统（垂直领域应用），上面还叠加了学术产出。
• 再往下：有人用 Go 从零写了一个智能体编排引擎；有人通过研究 Claude Code 的架构做出了一个轻量级编码智能体；有人在七天里用本地 LLM、全程借助 AI 工具独立做出了一款游戏。

他们的共同点是：他们的强信号几乎从不出现在简历正文里——而是藏在 GitHub 仓库和作品集里。这正是为什么每个打分智能体都被要求主动访问链接、核验证据，而不是只读简历文字。

三个洞察

洞察 1：对抗式复审确实揪出了虚高的分数

最清楚的例子是排名前两位的候选人。打分阶段之后，两人的加权总分都在 82 分左右——足以挤进 A 档并蹭到 S 门槛。经过对抗式复审，两人都落到了 75 分左右，理由非常具体：

"搭出了一个可验证的多智能体工作台——AI 原生能力是硬信号。但项目大约只有 3 周大、单人贡献、0 star、无测试。从概念上看是一次重新实现，而非原创的问题解决。除了学历那一行，几乎没有其它支撑证据：是一个扎实的高潜候选人，但谈不上卓越。"

"一个货真价实、可验证的 AI 原生实干者。但所声称的顶级期刊发表只出现在招聘方的备注里，没有可独立验证的来源。核心系统后端是私有的，无法确认其个人贡献。用未经核实的学术资历去够顶级档，属于关键词驱动的分数虚高。"

这正是设计要达到的效果：**它没有否定这些候选人——而是把分数拉回到证据真正能支撑的水平。**单个打分智能体可能会上头；而一支专门负责反驳的独立智能体队伍能可靠地把这种虚高挤掉。

洞察 2：S:0 / A:0 不是 bug，而是一面镜子

第一反应是去问：是不是标准定错了？但诚实地看一看这个池子：

• 很大一部分候选人简历极其稀薄——关键维度（AI 经验、可验证的成果）干脆缺失。
• 许多申请 Agent Engineer 岗位的人完全没有使用智能体工具的证据，也没有 GitHub 链接。
• 池子里甚至还混进了招聘方的商务邮箱和 LinkedIn 系统通知——它们被正确地识别为无关并打了 0 分，这顺带暴露出我们的招聘数据库该清理了。

换句话说，**一份严格的评分标准干净利落地把信号从噪声里分了出来。**真正的实干者（头部 6 位）和"全面而有成就的通才"（中间档）最终落在了明显不同的位置。这正是重点所在——宁可漏掉几个，也不要把所有人都捧高。

这也带出一个值得讨论的开放问题：对那些 GitHub 记录很强、但尚无职业履历的学生候选人来说，当前的 A 档门槛（78 分）是不是太苛刻了？有意思的是，对抗式复审的智能体自己也把前两名形容为"高潜候选人"——但加权分数还是把他们留在了 B 档。**要不要为高潜的早期职业候选人放宽这个门槛，是一个判断题，最好等我们看到 B 组的实际面试质量后再来定夺。**好消息是：这个改动只是某个 Markdown 文件里的一个数字。无需改代码。

洞察 3："标准即代码"让分歧变得富有成效

关于招聘标准的讨论通常停留在模糊层面——"我们想要有冲劲的人""能自己把事情搞定的人"。因为这份评分标准是带着权重和锚定示例写下来的，讨论立刻变得具体："AI 能力该占 35% 还是 40%？""一个没有名校学历的异类实干者到底能加多少分？""配额该是 5% 还是 8%？"——**每一处分歧都对应着 Markdown 文件里某一具体行，可以被修改、被版本管理、被辩论。**标准于是成了一项你持续维护的资产，而不是每次开会都要重复一遍的共识。

4. 成本与 ROI

精确花费

我们用的是 Claude Opus 4.8（最高档）。按 token 类别的精确拆分：

折算下来大约是每位候选人 $0.57。

一个反直觉的发现：缓存写入才是最大头

很自然的假设是：既然 115 个智能体都在读同样的那 6 个标准文件，提示词缓存应该帮上大忙。但它并没有，至少不是你以为的那种方式。

提示词缓存依赖于精确的前缀匹配，而每个智能体会话都是独立的。125 个智能体意味着 125 个独立会话——每个会话的任务描述都不同（不同的候选人数据）——所以智能体 A 写入的缓存无法被智能体 B 命中。缓存确实能在每个智能体自身的多轮执行里帮上忙（读标准 → 访问 GitHub → 访问作品集 → 输出，每一轮都会重新读取前面的内容）。

这揭示了一个架构上的权衡：扇出并行会成倍放大缓存写入的成本（每个智能体都构建自己的缓存），但换来的是相互隔离、互不污染的判断，并消除了串行处理时上下文的二次方累积。对于判断质量敏感的任务来说，这笔权衡是划算的。

怎么看待 ROI

直接和人工审阅比一比：一位招聘负责人认真读一份简历、查一下 GitHub、再写点笔记——保守估计每位候选人 5 到 10 分钟。115 位下来就是 10 到 19 小时的专注工作，而且标准会一路漂移。

这套工作流交付了：

但更重要的 ROI 在于注意力：它把人的关注从 83 位明显不合适的候选人那里抽走，转向头部那 6 位真正的实干者。这正是初筛能做的最高价值的事。

还能更便宜吗？

能，但大概没必要。如果这变成一项高频、大量级的操作（每天数百位候选人），实用的优化方向会是：

• 打分阶段用 Sonnet，只在对抗式复审用 Opus——很可能在质量几乎不损失的情况下削减 70% 到 80% 的成本。
• 或者先用更便宜的模型做一遍粗筛，再用 Opus 对头部档做详细评估。

但招聘本身低频、高风险、难以撤销。花 $65 跑完整条流水线，同时拥有完整的可审计性和可迭代的标准，结论很清楚：用最好的模型。不要拿判断质量去换那点边际成本的节省。

更大的图景

这个实验真正让人兴奋的地方，并不是"AI 能筛简历"——那并不是个新想法。而是动态工作流这一范式——用代码编排一支 AI 智能体队伍——第一次让某些类别的工作变得可结构化、可复现、可迭代。

招聘只是一个切入点。同样的范式——标准即可读文件 + 扇出并行评估 + 对抗式复审 + 确定性聚合——可以迁移到任何需要做出一致、大量级主观判断的领域：内容审核、代码评审、用户反馈分诊、竞品分析、尽职调查。

这份评分标准还是 v0.1，并不完美。但它如今已是一项可版本管理、可辩论、可改进的资产——而不再是一份藏在某人脑子里的隐性约定。比起任何单一的结果，正是这种转变，才是这个实验真正关乎的东西。