核心用法
JD Scorecard Skill 提供两个紧密衔接的工作流：
1. JD → 评分卡：将职位描述解析为结构化的招聘评估框架，包含角色定位、硬性筛选条件（filters/must-have/nice-to-have/exclude）、权重分配、面试问题库及红旗警示。
2. 简历评分：提取候选人简历信息后，依据既定评分卡进行多维度量化打分，输出通过/待定/拒绝决策建议。
关键特性
结构化招聘框架：自动生成包含 thresholds（阈值）、weights（权重）、red_flags（风险标记）的完整评分体系，避免主观臆断。
智能简历解析：支持 PDF 文本提取，遇扫描件自动标记 needs_ocr，不凭空猜测内容。
多场景输出：默认返回标准化 JSON，同时支持 Markdown 可读版本及飞书/钉钉友好的聊天视图模板。
证据驱动评分：严格依据 JD 和简历中的明确信息打分，不虚构隐藏要求或候选人情商/潜力等无法验证的维度。
局限性与注意事项
- OCR 依赖：纯图像 PDF 需外部 OCR 支持，工具本身无法识别扫描件内容
- 单一角色限制：每个评分卡仅支持一个主岗位，复合 JD 需拆分为多个评分卡
- 模糊 JD 处理：遇到描述不清的职位，系统仅添加
assumptions注释而非自行推断，需招聘方二次确认 - 评分主观性：尽管有结构化框架，"维度评分"仍受评分卡设计质量影响，建议定期校准阈值
适合人群
- 需要批量筛选简历的 HR/招聘专员
- 希望统一团队招聘标准的 Tech Lead/工程经理
- 使用飞书/钉钉协作的中小企业招聘流程
- 追求招聘决策可追溯性的合规导向团队
常规风险
| 风险类型 | 说明 |
|---------|------|
| 过度依赖工具 | 评分卡可能遗漏 JD 未明示但实际关键的软性要求 |
| 阈值设定偏差 | 初始 thresholds 可能过宽或过严，需根据历史录用数据迭代调整 |
| 格式兼容性 | 非标准 PDF 结构可能导致信息提取不全，建议配合人工抽查 |
| 算法偏见 | must-have/nice-to-have 的设定若含隐含偏见，工具将放大该偏见 |