履歷篩選是指在邀請任何人面試之前，根據職位的必要和加分條件檢查每份申請的過程。做得好，它遵循六個步驟：定義客觀標準、根據最低門檻進行預篩選、在相同的矩陣上為每份履歷評分、控制偏見、與招聘經理校準候選人名單，並追蹤您的指標。本指南將引導您完成每個步驟，然後展示 Lessie 等 AI 履歷篩選器如何自動執行重複的中間步驟。
發布一個職位空缺後，幾天內可能會有數百份履歷湧入信箱。大多數招聘人員和招聘經理沒有時間仔細閱讀每一份履歷，因此履歷篩選成為一項快速、高風險的分類工作：誰能被人工審核，誰又在第一輪就被淘汰。
履歷篩選的數量問題是真實存在的。任何特定職位的申請者中，有很大一部分根本不符合核心要求，招聘人員普遍表示，他們通常在不到一分鐘的時間內掃描每份履歷，然後決定是否值得再看一眼。這樣的速度足以錯過優秀的候選人，也足以讓招聘經理淹沒在低品質的申請中。
本指南解釋了如何正確進行履歷篩選：一個可重複的六步驟流程，任何招聘人員或招聘經理都可以在沒有特殊工具的情況下執行。在過程中，我們將展示 AI 履歷篩選器如何自然地接管流程中最重複的部分，從而讓履歷篩選不再佔用您一週的時間。
什麼是履歷篩選（以及做錯的代價）
履歷篩選是招聘過程中的一個步驟，在任何人與人交談之前，每份申請都會根據職位要求進行檢查。它發生在電話篩選和面試之前，其唯一職責是將值得您的團隊花時間的候選人與不適合的候選人區分開來。
履歷篩選做得不好，無論哪個方向都會付出高昂的代價。篩選過於寬鬆，招聘經理就會浪費數小時面試從未合格的候選人。篩選過快或過於嚴格，您就會拒絕那些履歷中沒有使用您精確關鍵字的優秀候選人 — 轉職者、自學成才的工程師、舊職稱不符的人。這兩種失敗模式都會在後期表現為漫長的招聘時間、高面試錄取比，或職位空缺數月，而優秀的申請者卻被無形中篩選掉。
解決方法不是在相同的臨時流程上工作得更快 — 而是使流程本身保持一致。一個每次都以相同方式進行履歷篩選的團隊，使用書面標準而不是憑直覺判斷，每位員工的總招聘時間更少，最終的候選人名單也更能反映職位需求，而不是上次誰隨意瀏覽了履歷堆。
6 步驟教您如何篩選履歷
一致的履歷篩選流程可以保護您免於兩件事：錯過優秀候選人以及在不合格候選人身上浪費時間。以下六個步驟無論您篩選十份履歷還是數萬份履歷都適用，每個步驟都對應著您原本會不一致地、逐份履歷做出的決定。
- 1定義客觀的履歷篩選標準
在您打開任何一份履歷之前，請寫下該職位實際需要什麼。將清單分為必要條件（所需證書、最低年資、特定工具）和加分條件（額外技能、偏好行業背景）。必要條件將成為您的通過/不通過門檻；加分條件則用於後期打破僵局。跳過此步驟是履歷篩選感覺主觀的最大原因。
- 2根據最低門檻進行預篩選
首先，將每份履歷與您的必要條件清單進行比對，無論是手動還是使用 ATS 關鍵字篩選器。這個步驟是刻意粗略的 — 它的作用是移除明顯不合格的申請（錯誤地點、無所需執照、經驗遠不足），這樣您就可以將有限的注意力集中在那些實際可能成功的履歷上。
- 3建立評分矩陣
將您的標準轉化為一個簡單的積分系統：例如，相關工作經驗 0–3 分，所需證書 0–2 分，特定工具或語言 0–2 分，過去職位中展現的影響力 0–3 分。以相同的方式評分每份剩餘的履歷，這樣候選人的排名就能反映職位要求，而不是審閱者當天的心情。
- 4控制偏見
謹慎對待姓名、照片和學校聲望 — 這些都不能可靠地預測工作表現。在可能的情況下，在隱藏姓名和日期的情況下進行篩選，對每份履歷保持相同的標準和順序，並讓不止一個人獨立評分頂級候選人，然後再比較筆記。
- 5與招聘經理校準候選人名單
在安排面試之前，與招聘經理坐下來，一起審查您得分最高的履歷。這個步驟可以發現那些在紙上看來正確但與團隊實際需求不符的標準，並且在候選人進入會議室之前，讓每個人都對「合格」的定義達成一致。
- 6追蹤回饋和指標
記錄每個職位的履歷篩選時間（篩選時間）、多少比例的篩選候選人通過了第一次面試，以及哪些標準實際預測了優秀的員工。將這些數據回饋到您下一個職位空缺的第一步 — 履歷篩選的改進方式與任何重複流程相同：透過上一輪的數據。
步驟二到步驟四是最重複的 — 也是最容易自動化的。 Lessie 的免費 AI 履歷篩選器會根據您的職位描述閱讀履歷，並在數秒內返回 0–100 的匹配分數、錄取/考慮/拒絕的判斷、優勢、不足以及缺少的關鍵字。
手動履歷篩選 vs. 自動化履歷篩選
手動履歷篩選和自動化履歷篩選以不同的速度和不同的連貫性解決相同的問題。人工審閱者帶來了演算法無法總是匹配的判斷力；一個精心建構的 AI 篩選器則帶來了對第一份履歷和第四百份履歷都相同應用的評分矩陣。
手動履歷篩選的規模大致與人數成線性關係：兩倍的申請者通常意味著大約兩倍的時間，而這些時間通常來自最忙碌的人 — 招聘經理或資深招聘人員。它也會漂移。審閱者的疲勞是真實存在的，在漫長的一天中，對第十份履歷應用的標準很少與對第二百份履歷應用的標準相符。
自動化履歷篩選無論數量或時間如何，都對每份履歷應用相同的評分矩陣，這直接解決了漂移問題。它沒有取代的是對邊緣案例的判斷 — 具有可轉移技能的轉職者，或低估了優秀候選人的履歷。最強大的設置是兩者兼顧：讓自動化處理數量和一致性，並讓人力審閱候選人名單和邊緣案例。
如何使用 AI 自動化履歷篩選
AI 履歷篩選的工作原理是同時閱讀候選人的履歷和職位描述，然後以評分矩陣相同的方式評估匹配度 — 只不過它在幾秒鐘內為每位申請者完成，沒有疲勞或漂移。這使得招聘人員的時間可以花在候選人名單上，而不是處理滿滿的收件箱。
Lessie 的 AI 履歷篩選器正是為此而生。貼上履歷和職位描述，它會返回 0–100 的匹配分數、明確的錄取、考慮或拒絕判斷、優勢和不足清單，以及履歷中缺少的特定關鍵字 — 與手動流程第三步產生的相同資訊，為每位候選人即時且一致地生成。
履歷篩選只有在候選人已經在您面前時才有幫助。Lessie 的 履歷資料庫採用與傳統舊上傳資料庫不同的方法：它從網路上的 100 多個來源建立即時候選人檔案，擁有 95% 以上經過驗證的聯絡方式，可以用簡單的英文搜尋，而不是布林篩選器 — 因此您篩選的人才庫從一開始就更新鮮。
履歷篩選也不必是工作流程的終點。Lessie 的 招聘工具比篩選主動申請的候選人更進一步 — 同一個 AI 代理可以主動搜尋 LinkedIn、GitHub 和其他即時來源，尋找符合您必要條件但從未申請的人。
您篩選但未錄取此職位的優秀候選人不必消失。我們的 建立人才庫指南 涵蓋了如何為下一個職位空缺保留這些履歷並使其可搜尋，而不是每次招聘都從零開始。
準備申請的候選人可以反向運用相同的邏輯：Lessie 的免費 履歷評分器向求職者展示他們在提交前履歷可能獲得的分數。
履歷篩選與數據隱私：需要注意的事項
自動化履歷篩選意味著大規模處理個人數據，這帶來了實際的合規義務。巴西的 LGPD 和歐洲的 GDPR 等法規要求對候選人數據有明確的保留期限、使用數據的合法依據，以及對影響候選人的任何自動化決策的透明度。
實際上，這意味著三件事。設定並遵守保留期限 — 刪除已結束職位的履歷，而不是無限期地保留「以防萬一」。定期審核您的評分標準，以確認它們沒有充當年齡、性別或背景等受保護特徵的代理。並準備好用簡單的語言解釋候選人是如何被評分的，如果他們詢問 — 透明的標準既是合規保障，也是更好的候選人體驗。
這些都不是避免自動化履歷篩選的理由 — 而是選擇從一開始就使流程可審核的工具的理由。明確的評分矩陣、有記錄的保留規則以及能夠展示其推理的篩選器，比沒有人寫下來的手動流程更容易向監管機構和候選人辯護。