dsh-resume-screening

每天收到几百封简历、却没时间逐一细看——这是很多 HR 的真实日常。把简历直接丢给大模型来筛，上下文装不下、费用随数量线性膨胀、硬性条件靠模型阅读理解容易看漏或双标。dsh-resume-screening 的思路很直接：先把简历批量入库、统一建档，筛选在数据库里完成，只有粗筛入围的少数人才调用 LLM 精判。单库支持 10 万份量级，docx、pdf、xlsx、md、txt 统统吃得下，内容哈希自动去重，重复投递不会重复建档。

核心工作流分三步。入库阶段，每份简历被转换为统一 Markdown 归档，规则引擎先抽取学历、工作年限、学校等硬性字段，LLM 兜底补全细粒度技能和语义分类，所有标签带置信度与来源，一次建档永久复用。筛选阶段，用自然语言描述岗位条件（必选硬条件加可选加分项），数据库毫秒级粗筛缩小范围，再对入围者逐份读原文、输出 0 到 100 适配度评分与推荐档位，结果全部落库可追溯。岗位条件保存为模板后，新简历进来一键复筛，标准永不变形。

适合中小团队 HR、独立招聘负责人，以及任何需要反复用同一套标准筛选简历的场景。不依赖外部服务，SQLite 做筛选索引、Markdown 做真相源，索引可随时全量重建；LLM 调用复用宿主模型，结构化请求显式关闭思维链，既控成本也控延迟。