核心用法
GLM-V Resume Screening 是一款面向 HR 和招聘团队的自动化简历筛选工具，利用智谱 GLM-V 多模态大模型的视觉与文本理解能力，对批量简历进行智能评估。用户只需提供简历文件（支持 URL 链接的 PDF/DOCX/TXT，或本地 PDF）和筛选条件，工具即可输出包含候选人姓名、匹配结果、符合程度及详细分析的标准化 Markdown 表格。
显著优点
1. 多模态理解能力：GLM-V 能直接解析 PDF 图片内容，对排版复杂的简历具备更强的信息提取能力，相比纯文本模型减少信息遗漏。
2. 批量高效处理：单次最多支持 50 份简历，适合大规模招聘场景，显著缩短初筛时间。
3. 灵活的条件设定：支持自然语言描述筛选标准（如"3年以上 Python 经验，有大型项目管理背景"），无需预设固定字段。
4. 输出格式多样：支持 Markdown 表格和 JSON 结构化输出，便于后续人工复核或系统对接。
5. 可定制评估视角：通过 --system-prompt 参数可设定特定评估角色（如"资深技术面试官"），使评估结果更贴合实际岗位需求。
潜在缺点与局限性
1. 本地文件限制：本地 PDF 需逐页转为图片处理，依赖 PyMuPDF 库，且仅支持 PDF 格式；URL 模式才支持 DOCX/TXT。
2. API 依赖与成本：完全依赖智谱 API，存在调用成本，且受限于智谱平台的速率限制和可用性。
3. 评估一致性：大模型的判断可能存在主观波动，同一批简历多次筛选结果可能略有差异，需人工复核关键决策。
4. 安全审核风险：内容可能触发平台安全机制被过滤，导致部分简历无法完成评估。
5. 复杂格式解析边界：极度复杂或非标准排版的简历仍可能出现信息提取偏差。
适合人群
- 招聘 HR 和猎头顾问：需要快速初筛大量简历
- 技术团队负责人：从技术维度评估候选人匹配度
- 中小企业招聘：缺乏专业 ATS 系统但需要结构化筛选
- RPA 自动化场景：需将简历筛选集成入招聘流程流水线
常规风险
- 数据隐私：简历包含敏感个人信息，上传至第三方 API 需确保符合 GDPR、《个人信息保护法》等合规要求
- API 密钥管理：需安全存储
ZHIPU_API_KEY，避免泄露 - 模型幻觉：大模型可能生成看似合理但实际不准确的评估结论，关键岗位建议人工二次验证
- 服务可用性：依赖智谱平台稳定性，建议预留备选方案