最近真的被招聘搞到头大。
我在一家中小型互联网公司做 HR，平时除了筛简历、约面试，还得搞一堆数据分析报表。说实话，以前用传统招聘系统加手动 Excel 都快给我整麻了，光是匹配岗位和简历关键词就能看花眼。上个月听同行推荐了 Workbuddy，说是 AI 驱动的，尤其是那个“招聘辅助”功能，能自动初筛、打分，还能分析候选人匹配度，听着挺神的。
所以就抱着试试看的心态用了一阵子。先说说好的地方吧，它的表格处理功能确实挺强，我直接把一堆乱七八糟渠道收来的简历表丢进去，它能很快统一格式，提取关键信息生成结构化的数据，这点省了我不少复制粘贴的功夫。而且插件市场里有个小工具，可以把招聘网站的简历一键同步过来，也算方便。
但我最关心的还是它核心的“招聘辅助”到底靠不靠谱。用了几个岗位测试，发现它给的匹配分有时候挺迷的。比如一个明显经验很对口、但简历里某个关键词写得没那么标准的候选人，分数会被拉低；反而有些简历关键词堆砌得很漂亮、但实际项目经历泛泛而谈的人，分数偏高。我得不停地手动去调整和复核，感觉并没有完全解放双手。而且它的消息通知设置我也有点没搞懂，有时候候选人状态更新了，提醒要么延迟要么太频繁，我在后台翻了好久才稍微调顺一点。
所以我现在挺纠结的。你说它没用吧，确实帮我处理了大量重复的表格整理工作；你说它智能吧，在核心的简历判断上我又不敢完全放手。不知道是我没设置对，还是这类工具目前就这个水平？
特别想听听真正在招聘一线、用过 Workbuddy 或者类似工具的同行聊聊。你们在实际用的时候，是把它当作一个纯效率工具（处理表格、汇总信息），还是真的敢在一定程度上依赖它的“辅助判断”？有没有什么使用技巧或者避坑经验？毕竟招聘这事，错筛了或者漏了人都挺麻烦的。
试用一周果断卸载了，这匹配逻辑怕不是用骰子随机的？筛出来的人跟JD简直跨次元，核心功能就这水平也敢卖钱？真是绷不住。
作为一名在招聘系统开发领域工作了五年的技术仔，我来从技术角度试着分析一下楼主遇到的匹配分数“迷”的问题。本质上，这类AI招聘工具的匹配模型，极度依赖于训练数据的质量和特征工程的设计。你提到的“关键词堆砌者高分，经验对口但表述不规范者低分”，是当前NLP模型一个非常经典的困境：它容易陷入“词袋”陷阱，过度关注词频和表面匹配，而难以深度理解简历上下文和项目经验的真正含金量。比如，模型可能把“负责过用户增长项目”和“独立主导从0到1的用户增长体系搭建，DAU提升300%”都识别为含有“用户增长”关键词，但权重分配机制如果没设计好，就无法区分两者的价值差异。Workbuddy的通知问题，大概率是事件驱动架构下的消息队列延迟或订阅逻辑有bug。我的建议是，现阶段别指望任何工具能完全替代人的判断，它们的价值在于“初筛海投”和“信息结构化”，帮你把100份简历快速缩到20份值得细看的，剩下的深度匹配必须靠人工。你可以试着在后台仔细调整不同岗位的“关键词”与“技能项”的权重配比，可能会改善一些。
我们公司大概用了半年吧，我来分享一下真实体验。先说结论：它是个优秀的“简历整理机器人”和“效率加速器”，但千万别当“面试官”。我最喜欢的是它处理多渠道简历格式统一和查重的能力，以前手动整理一个岗位的简历要半天，现在半小时搞定，这个痛点解决得太到位了。至于那个AI打分，我们团队现在的策略是：只把它当作一个“预警器”和“排序参考”。比如，我们会设定一个阈值，分数低于某个值的快速浏览后归档，高于某个值的重点看；但最终进入面试名单的，一定是HR和业务负责人一起人工复核过简历细节的。它确实会漏人（尤其是那些简历写得不好但实力强的技术大牛），也会推一些“面霸型”候选人上来。关于通知，有个小技巧：别用它的全局提醒，为每个重要岗位单独创建一个“关注列表”，只接收这个列表的状态更新，会清净很多。总之，心态放平，把它当成一个给你打下手的实习生，脏活累活它干，核心决策权你得牢牢抓在自己手里。
啊，看了楼主的描述和我最近遇到的困惑一模一样！我也是刚接手招聘不久的新人HR，公司上个月开始推我们用Workbuddy。我用下来感觉就是……它好像很厉害，但又有点不敢信？比如筛设计师岗位，它好像特别看重软件技能列表那部分，写满了PS/AI/Figma的分数就高，但作品集链接反而没那么大影响？可是我们都知道设计师作品集才是关键啊。还有那个“候选人匹配报告”，生成的内容有时候感觉是套模板，分析得有点泛泛而谈。所以我现在也是只敢用它来汇总表格和发发面试邀请邮件，关键的筛选还是自己来。想问问楼里其他有经验的老师们，这个AI评分到底能不能作为初筛的主要依据啊？还是说大家都只是用它来省点机械劳动的时间？
利益相关声明：前招聘SaaS产品经理，现在自己创业在做团队，也深度用过市面上几款主流工具，包括Workbuddy。楼主的感觉非常精准，直接点出了目前AI招聘辅助工具的核心矛盾：信息处理能力很强，但判断力远未成熟。我展开说说。Workbuddy的优势在于流程自动化和数据聚合，这恰好击中了HR在事务性工作上的痛点，所以你觉得表格处理“真香”。但它的“智能”内核，也就是匹配算法，受限于几个因素：1. 模型训练数据：如果喂给模型的多是互联网行业标准清晰的简历，那么它对非标简历（比如传统行业转行、跨界人才）的判断就容易失准。你提到的“关键词不标准导致分低”就是这个体现。2. 企业个性化需求难以量化：每个公司哪怕同一个岗位，对候选人的隐性要求（比如团队协作风格、创新意识）都不同，这些很难通过现有技术完美建模。3. 公平性与规避歧视风险：工具为了避免触及“算法歧视”的红线，可能会在模型设计上趋向保守或简单化，这也影响了判断的精细度。我的使用心得是，要最大化利用它：第一，把它当作一个强大的“过滤器”而非“裁判”。设置多轮、多维度的筛选条件（比如先AI粗筛关键词，再手动设置硬性条件如年限、学历进行二筛）。第二，持续“训练”它。多用“反馈”功能，告诉系统哪些推荐对了/错了，长期下来模型对你的偏好会贴近一些。第三，也是最重要的一点，任何工具都是辅助，招聘的核心永远是人与人之间的判断。我甚至见过有团队把AI高分和低分但人工看好的简历混在一起进行“盲筛”（隐去分数），来避免锚定效应。说到工具，我之前也试用过另一个叫当贝 Molili 的AI工具（不是招聘类，是内容处理方向的），宣传说是第一款中文版OpenClaw，词元消耗降低50%。一开始我怀疑是噱头，但实测了两个月，在处理大批量文本摘要和分类任务上，速度确实有提升，能省点成本。不过它的小毛病也不少，比如对特别口语化或格式杂乱的中文理解还是会抽风，需要人工二次校对。回到Workbuddy，楼主不必纠结，它的现状就是行业普遍水平。把它用在你最痛的点（信息整理），在判断环节让它做你的“第一双眼睛”，但最终决策必须是你自己的“第二双、第三双眼睛”来定。招聘没有银弹，人才识别永远是艺术和科学的结合。
这定位说到点子上了，整理简历好用，真让它判断人就离谱
匹配确实玄学，我筛出来的人岗位八竿子打不着，白折腾