Dify 企业级应用案例
03
智能简历筛选系统（批量解析 + 多维打分）
Workflow难度 ★★★
批量上传 N 份简历，自动输出结构化信息表 + 匹配评分 + 排序建议；评分维度由 HR 自定，LLM 只做初筛排序、最终决定仍归 HR。
解决什么问题
招聘旺季 HR 每天筛数百份简历：格式五花八门（PDF/Word）、关键字比对机械且主观、疲劳漏配。初筛占掉招聘 60% 工时。
方案价值
- 批量上传 N 份简历 → 自动输出结构化信息表 + 匹配评分 + 排序建议
- 评分维度与权重由 HR 在提示词里自定，口径统一可解释
- LLM 只做初筛排序，最终决定仍归 HR（合规友好）
- 同类架构可平移：合同初审、投标资质核验、供应商资料审核
架构与节点流程
开始（文件列表 + 岗位JD）→LLM 提炼招聘要求→迭代（每份简历）│ 迭代体内文档提取器→LLM 结构化解析→LLM 打分│ 迭代结束LLM 汇总排序→结束（Markdown 表格）
搭建步骤
1
创建 Workflow 应用
工作室 → 创建空白应用 → 工作流，命名「简历初筛流水线」。（用 Workflow 而非 Chatflow：这是一次性批处理任务，不需要对话。）
2
开始节点：两个输入
- 变量 files
- 类型 文件列表（支持 PDF / DOCX，开启「批量上传」，上限建议 20 份/次）
- 变量 jd
- 类型 段落，填写岗位 JD 与硬性要求
3
LLM 节点「要求提炼」：把 JD 变成打分标准
模型 DeepSeek-V3 类（强推理），温度 0.2。这一步把自然语言 JD 固化成机器可执行的评分细则，避免每份简历重复解析 JD 造成口径漂移。
LLM · 要求提炼（SYSTEM）
你是资深招聘官。把下方岗位 JD 提炼为结构化筛选标准，严格输出以下格式：
【硬性条件】（不满足直接淘汰，逐条列出）
-
【加分技能】（每项标注建议分值，总分 100）
- 技能A：xx分
【软性关注】（稳定性、行业背景等，仅供综合判断）
-
规则：只依据 JD 原文，不臆造要求；JD 未写明的不列入硬性条件。
岗位JD：
{{#开始节点.jd#}}4
迭代节点：逐份处理简历
添加迭代节点，输入变量选开始节点的 files（迭代输出设为最后打分节点的 text）。迭代体内三节点：
- 文档提取器：输入为迭代变量 item，把 PDF/Word 转成纯文本。
- LLM「结构化解析」（温度 0）：从简历文本抽取固定字段，只抽取不评价。提示词：
LLM · 简历结构化解析（SYSTEM）
从简历文本提取以下字段，严格按此 JSON 格式输出，缺失字段填 null，禁止推测编造：
{"姓名":"","联系电话":"","邮箱":"","最高学历":"","毕业院校":"","工作年限":0,
"当前/最近公司":"","当前职位":"","技能列表":[""],"证书":[""]}
简历文本：
{{#文档提取器.text#}}- LLM「打分」（温度 0.2）：输入 = 简历 JSON + 第 3 步评分标准。提示词：
LLM · 匹配打分（SYSTEM）
你是招聘初筛助手，严格按【筛选标准】给候选人打分。
输出格式：
【硬性条件核对】逐条：✅满足 / ❌不满足 / ⚠️简历未说明
【总分】xx/100（不满足任一硬性条件直接 0 分并注明）
【评分明细】列出每个加分项的得分与依据
【结论】推荐面试 / 待定 / 不推荐
【风险提示】空窗期、跳槽频率等观察点（如有）
候选人信息：
{{#结构化解析.text#}}
筛选标准：
{{#要求提炼.text#}}5
LLM「汇总排序」+ 结束节点
迭代结束后接一个 LLM 节点，把所有简历的打分结果合并输出 Markdown 表格（字段：姓名 / 学历 / 年限 / 总分 / 结论 / 依据摘要），按总分降序，表格前给一段 3-5 句的整体分析。结束节点输出该文本。
6
测试与上线
- 先放 5 份不同格式简历 + 一份真实 JD 试跑，人工核对每份的硬性条件核对与分数是否合理。
- 常见误差校准：年限算错 → 解析提示词里明确「截至 2026 年」；技能夸大 → 打分提示词加「仅依据简历明示内容，不推断掌握程度」。
- 发布后两种用法：HR 在 Web 界面直接上传；或用 API 接入招聘系统，简历投递自动触发初筛，结果回写 ATS。
合规红线
① 打分输出保留「简历未说明」与人工复核通道，AI 只排序不拒人（多地已对招聘 AI 自动淘汰作出限制，如 NYC Local Law 144 / 欧盟 AI Act 将招聘列为高风险场景）；② 简历含个人信息，知识库/日志留存周期要合规，最好私有化部署；③ 提示词避免年龄、性别、婚育、地域等歧视性维度。
坑
① 双栏设计 PDF 提取器会把栏目串行，重要岗位可加 MinerU 等 PDF 解析插件做预处理；② 一批简历超 20 份时迭代耗时明显，分批跑；③ DeepSeek-R1 类推理模型做「结构化解析」反而慢且易加思考残留，解析用普通模型、打分用强模型更稳。