人岗匹配怎么做？
从职位要求到短名单

01

人岗匹配第一步，JD 该怎么拆？

拿到 JD 先别急着搜人。很多 JD 是照着模板写的，或者从上一个类似职位改过来的，要求一条条平铺着，看不出哪条要紧、哪条只是顺手写上。先把它拆成四层，后面每一步都会顺很多。

• 硬性要求

  不满足就不能推的条件，比如必须做过某类产品的量产、必须带过团队、工作城市和语言。这一层越少越好，越清楚越好。

• 核心技能

  这个岗位每天真正要用的本事。同样是视觉算法负责人，有的要算法本身做得深，有的要能把算法落到产线上，找的是两类人。

• 行业背景

  在哪类公司、哪类场景里做过。同样做视觉，做手机影像和做工业检测，面对的问题差别很大。

• 加分项

  有了更好、没有也行的条件，比如发过论文、有开源项目、带过跨团队协作。排序时用来拉开差距，不要拿来卡人。

拆完把四层写在一页纸上，带去和用人经理确认。常常会发现，JD 上写的硬性要求，在他心里只是加分项，而他真正卡人的条件，JD 上一个字也没写。

02

JD 里没写的真实需求，怎么跟用人经理问出来？

这次沟通决定了后面找得准不准。HR 能讲清流程、预算和时间表，但这个人进来要解决什么问题，往往只有用人经理说得清。可以重点问这几类问题：

• 为什么现在招这个人，是新建团队、补缺，还是现有的人顶不上？
• 这个人进来以后，最先要做成的是哪件事？
• 团队里谁最强、缺的是哪一块，新人要和他互补还是接他的班？
• 之前见过的人里，有没有差一点就要了的，差在哪里？
• 哪些公司的人不能碰，哪些公司的人特别想见？

第四个问题往往最管用。一个具体的“差一点”，比一串抽象的要求更能说明他想要什么。问完把四层要求重新排一遍，发给用人经理确认，后面有了分歧也有据可查。

03

智能招聘为什么常常配不准？

不管是自己在简历库里搜，还是用工具筛，最常见的做法都是拿 JD 里的词去对简历里的词。这样做确实很快，但绕不开三个老问题：

• 同一件事，叫法不一

  有人写视觉感知，有人写机器视觉，有人只写了具体的算法名。只认一种写法，另外两种人就漏掉了。

• 头衔不等于职级

  小公司的“负责人”可能只带两三个人，大公司的“高级工程师”可能已经在带团队。只看头衔，容易高估一些人、低估另一些人。

• 隐性要求写不进 JD

  适不适应创业公司的节奏、做没做过从零到一、和用人经理的风格合不合，这些常常决定成败，关键词却搜不到。

所谓人岗匹配模型，说白了就是一套把“岗位要什么”和“这个人有什么”放在一起比的规则。简单的是关键词加权重，复杂一点的能认出近义的说法、看懂经历的前后顺序，判断一个人做过的事和岗位要的事是不是一回事。

模型能把比对做得更快、更全，但它比的只是写下来的东西。AI 擅长把散在各处的资料读完、认出不同的写法、把同一个人的几份资料对上，交给你一份更全的初筛名单。它做不好的，是没写下来的事：实际带多大团队、为什么想走、和这位用人经理合不合得来。这些要你去聊。

04

从长名单到短名单，怎么筛选和排序？

长名单求全，短名单求准。长名单是所有可能合适的人，短名单是你愿意用自己的信誉担保、推给客户的人。中间这一段，大致这样走：

1. 先过硬性要求

   只用第一层条件筛，不满足的先放一边，但别删，需求变了还用得上。

2. 再看技能和背景

   对照简历、公开资料、论文和项目，看他做过的事和岗位要的事是不是同一件。

3. 打电话补信息

   纸面上看不出的，团队规模、汇报线、最近在做什么、想不想动，都要靠聊。

4. 按把握程度排序

   匹配度高、动机清楚、能推进的排前面，匹配度高但动机不明的单独放一档。

5. 写推荐理由和风险

   每人一段，写明为什么合适、依据是什么、还有哪些拿不准，再交给客户。

排序时最容易犯的错，是把看起来最强的人排第一。对客户来说，一个大体合适、真心想来、能按时到岗的人，往往比一个履历漂亮却多半不会动的人更有用。

05

HunterBuddy 能怎么帮你做人岗匹配？

HunterBuddy 是猎头的 AI 工作伙伴，还在开发中，目前邀请制试用。举首页里用过的例子：星川机器人刚拿到 B 轮融资，用人经理许晴发来视觉算法负责人的 JD。你和她聊完，把 JD 交给 HunterBuddy，它会这样帮你：

• 先查你手上已有的：梳理过的组织架构图和简历库，做过的功课先用上。
• 再去公开资料里补：论文、专利、开源社区和代码痕迹，每条线索都记着来自哪里。
• 同一个人在不同渠道里的几份资料，先核对身份再合并，不会因为名字一样就当成一个人。
• 每位人选附上匹配理由和来源，拿不准的单独列为待确认。
• 反过来，新上传的简历也可以对你所有的在手职位做一次匹配。

• 工业视觉 · 团队负责人林越

  带过产线视觉团队，三处资料已合并。待确认：团队规模和汇报线。

• 机器人感知 · 技术骨干周宁

  有相关论文和项目经历。待确认：有没有做过量产。

• 视觉算法 · 项目负责人陈思

  带过跨团队的项目。待确认：最近在做什么、想不想动。

它给的是带来源的参考，不是最终结论，先联系谁、推不推荐由你决定。

06

推荐理由和风险，怎么写客户才愿意看？

推荐报告最常见的问题，是把简历换个说法再写一遍。客户要的不是复述，而是你的判断：这个人为什么适合这个职位，凭什么这么说，还有哪里你自己也拿不准。

• 理由对着需求写，用人经理最在意的那件事放在第一句。
• 每条理由带上依据，是他自己说的、简历上写的，还是你从公开资料里核对过的。
• 风险直接写出来，比如没做过量产、薪资期望偏高、对通勤有顾虑。
• 分清事实和判断，“带过一个完整的算法团队”是事实，“有管理潜力”是判断。

把风险写在前面，看起来像给自己拆台，其实是在攒信用。客户发现你说的风险都对得上，下次就会更认真地看你推的人。反过来，藏起来的问题，迟早会在面试里冒出来。