# 批量简历筛选执行任务

---

## 一、任务目标（唯一目标）

基于当前目录中的：

- 产品经理招聘要求.md  
- 产品经理简历评分模型.md  
- 原始简历/

完成一次**真实可用的批量筛选结果输出**。

最终必须产出：

1. 单份评估结果（逐个 JSON）
2. 汇总结果（JSON + Markdown + CSV）
3. Top 候选人清单
4. 执行报告

---

## 二、执行原则（必须遵守）

1. 结果优先：必须产出完整文件  
2. 严格打分：必须拉开差距（禁止集中在 70-80）  
3. 证据驱动：所有判断必须能在简历中找到依据  
4. 禁止空话：不允许泛化描述  
5. 强制封顶规则：必须执行评分模型中的封顶规则  
6. 宁缺毋滥：不符合直接“不推荐”  

---

## 三、执行流程

### Step 1：读取规则（内部执行）

- 读取招聘要求  
- 读取评分模型  

要求：不输出理解过程，直接进入下一步

---

### Step 2：扫描简历

- 遍历 原始简历/  
- 支持格式：pdf / docx / txt / md  
- 无法解析的文件 → 记录失败清单  

---

### Step 3：逐份评估（核心步骤）

#### 1）信息提取

必须提取：

- 姓名  
- 工作年限（估算）  
- 最近岗位  
- 核心项目  

---

#### 2）评分（严格执行）

评分结构：

- 基础产品力（70分）  
- 岗位贴合度（30分）  

强制要求：

- 使用完整分值区间（如：52 / 67 / 81 / 93）  
- 禁止分数扎堆  
- 必须执行封顶规则  

---

#### 3）候选人分类（必须选一个）

- 复杂系统型  
- 高潜应届型  
- 实施转产品型  
- 策略/增长型  
- 不匹配型  

---

#### 4）生成评估 JSON（固定结构）

```json
{
  "姓名": "",
  "文件名": "",
  "总分": 0,
  "基础产品力得分": 0,
  "岗位贴合度得分": 0,
  "结论": "强推荐 / 推荐 / 可聊 / 不推荐",
  "候选人类型": "",
  "匹配度": "高 / 中 / 低",
  "封顶规则": [],
  "核心判断": "",
  "证据": [],
  "亮点": [],
  "风险点": [],
  "面试建议": [],
  "综合评价": ""
}
---

#### 5）保存单份结果

目录结构：

评估结果/单份结果/

文件命名：

原文件名.json

---

### Step 4：生成汇总结果

排序规则：

- 按总分降序

- 同分按基础产品力排序

输出文件：

1. JSON  
    路径：

评估结果/汇总结果/summary.json

2. Markdown（表格形式，方便阅读）

3. CSV（如环境支持）

---

### Step 5：Top 候选人清单

输出文件：

评估结果/Top候选人.md

必须包含：

- 排名

- 姓名

- 总分

- 推荐理由（必须具体）

- 面试重点（必须可执行）

约束：

- 人数 ≤ 30%

---

### Step 6：执行报告

输出文件：

评估结果/执行报告.md

必须包含：

- 总简历数

- 成功处理数

- 失败数

- 失败文件列表

- 强推荐人数

- 推荐人数

- 可聊人数

- 不推荐人数

必须增加一段：

**候选人整体质量判断**

包括：

- 是否存在能力断层

- 是否普遍缺乏某能力

- 是否行业错配严重

---

## 四、异常处理

- 单份失败 → 跳过继续

- 信息不足 → 标记并继续评分

- 信息极少 → 自动触发封顶

---

## 五、禁止行为

- 不允许只输出部分结果

- 不允许只评估几份简历

- 不允许中断流程

- 不允许解释过程

- 不允许输出思考过程

---

## 六、最终输出要求

完成后必须输出：

1. 所有生成文件路径

2. 每个文件一句话说明用途

---

## 一句话要求

你不是在分析，而是在**执行一次真实招聘筛选任务并产出结果**。