场景演示

你是一个 30 人规模的创业团队负责人：每周要看几十份简历、安排初筛、汇总面试反馈，还要把候选人状态同步到招聘看板。最大痛点不是“没人做”，而是信息断裂：

• 简历在邮箱里
• 面试记录在聊天工具里
• 结论在会议里口头说完就散

OpenClaw 的做法不是“做一个更聪明的单点机器人”，而是搭建一个多 Agent 协作招聘流水线：

1. Research Agent：解析 JD，提取岗位硬门槛与加分项
2. Screening Agent：批量阅读简历并打标签（匹配度/风险点）
3. Interview Agent：生成结构化面试提纲与追问问题
4. Summary Agent：汇总多轮反馈，输出“是否进入下一轮”的建议
5. Ops Agent：把结果同步到招聘看板，并生成候选人沟通草稿

这样做的结果是：从“人追流程”变成“流程推人”。

Step by step

Step 1：定义岗位评分框架（一次配置，多次复用）

先让 Agent 产出统一评分维度，避免每位面试官各说各话。

Step 2：批量初筛与风险标记

Screening Agent 读取简历后，输出三类结果：

• 推荐进入面试
• 可保留（需补充信息）
• 暂不匹配

同时自动标注风险：频繁跳槽、项目表述模糊、技术栈深度不足等。

Step 3：为每位候选人自动生成面试脚本

Interview Agent 基于候选人背景，自动生成：

1. 通用结构化问题
2. 针对项目经历的深挖追问
3. 对风险点的验证问题

示例（代码块用于可复制）：

你是技术面试官。请基于候选人简历与岗位JD，输出：
1) 10个结构化问题（按“技能/项目/协作/潜力”分组）
2) 5个追问问题（聚焦候选人最强项目）
3) 3个风险验证问题（针对经历断层、结果真实性、技术深度）
4) 最后给出评分模板（1-5分）
输出要求：简洁、可直接用于45分钟面试。

Step 4：多面试官反馈合并

Summary Agent 将不同面试官的意见做去重与冲突解析，输出单页决策摘要：

• 共识：一致认可与一致否决点
• 分歧：观点冲突项与证据来源
• 建议：进入下一轮 / 加面 / 结束流程

Step 5：自动更新招聘看板与通知模板

Ops Agent 把结果写入看板字段（状态、评分、下一动作、负责人），并生成候选人通知草稿，减少运营同学重复劳动。

可复制提示词

你是“招聘流程编排 Agent”。
目标：把候选人从“简历接收”推进到“是否录用”的全流程自动化。

请按以下格式输出：
- 候选人画像摘要（100字内）
- 岗位匹配评分（4维度 + 总分）
- 关键风险点（最多3条）
- 面试提纲（结构化问题 + 追问）
- 决策建议（前进/加面/淘汰）及理由
- 下一步动作（负责人、截止时间、依赖项）

约束：
- 不输出歧视性判断
- 所有结论必须给出证据来源（简历段落或面试反馈）
- 输出可直接复制到招聘看板

使用的skills

• multi-search-engine：快速比对招聘自动化、多 Agent 协作的公开实践关键词与案例线索
• tavily-search：补充获取网页摘要与结果列表，用于校验流程设计的通用性
• halo-backend-publisher：通过后台 API 直接发布到博客（MARKDOWN Hybrid）

价值与注意事项

核心价值：

• 把招聘周期从“靠人盯”变成“靠系统推进”
• 面试质量更稳定，减少“看感觉拍板”
• 招聘运营耗时显著下降，团队可以把时间放在关键候选人沟通上

注意事项：

• AI 评分只做辅助，最终结论必须由业务负责人确认
• 需要定期复盘评分标准，防止模型把历史偏好固化成隐性偏见
• 先从一个岗位试点（如后端工程师），跑通后再复制到其他岗位