# ResumeRadar

用 AI 读取简历、查询公开项目，评估岗位契合度并生成初筛报告

Source: https://works.im0o.top/projects/resume-radar/
Date: 2026-09-18
Tags: AI, 全栈开发, React, 数据可视化


我参与过简历筛查和面试。逐份读简历，再去找里面提到的项目，我觉得挺枯燥的。于是我在业余时间做了 ResumeRadar，让 AI 先读简历、搜索公开项目，再整理成初筛报告，帮我更快地看材料。

## 从简历到初筛报告

投递记录和简历从飞书多维表格接入，也可以手动添加。工具读取简历，扫描件先用 OCR 转成文字。接着结合岗位 JD 做初评，同时提取项目、链接和可以公开查询的信息，交给后续阶段搜索、核查，最后汇总成报告。

我把读取、初评、核查、开源评审和出面试题拆成独立阶段，各自保存结果。多条信息可以并行核查，后面的阶段复用已有结果。需要调整时，只重跑相关部分。

## 查询简历里的公开项目

简历提供了公开链接或项目线索，就让 AI 帮我搜索、打开页面，把读到的内容和简历里的描述放在一起看。报告保留来源、摘录和核查结果，方便我继续查看。

GitHub 项目会优先看简历明确提到的仓库。候选人自己的项目，就读 README、近期提交，再按岗位挑相关代码；参与别人的项目，就看本人提交的 PR 和改动。账号是不是本人、具体贡献了什么，也需要一起确认。

![从简历里的项目线索查到公开材料，保留在初筛报告中](https://image.im0o.top/2026/20261117104443288.webp "从简历里的项目线索查到公开材料，保留在初筛报告中")

## 用 Jev 辅助判断是否值得面试

我结合岗位要求和简历质量设置评估标准，把分析、分数和对应的简历原文放在报告里，方便比较和排序。

我接入了评估模型 Jev，让语言模型先整理分析和原文依据，再由 Jev 按标准评分。我拿同样的样本做对比：直接让 LLM 评分，分数会有浮动；Jev 出来的分数几乎完全一样，这点我挺满意。

![我用同样的样本多次对比，Jev 的评分几乎完全一样](https://image.im0o.top/2026/20261117104437756.webp "我用同样的样本多次对比，Jev 的评分几乎完全一样")

## 面试准备与后续评估

报告里能看到初评、公开项目的发现、亮点和待确认的问题。我让 AI 结合这些材料和岗位要求生成面试题，附上考察点、答案要点和追问。出题偏好可以配置，也能从自己维护的题库里选题。

初筛后，我可以直接和内置 Agent 接着聊，它能读取已有的简历和报告。面试后也能导入会议纪要，作为进一步评估人选的材料。

报告和原简历可以一起导出为 PDF，方便发给 HR 或参与面试的同事。

候选人多起来后，我把前端做成了支持表格、看板和保存视图的工作台，可以筛选、排序，再打开侧栏看简历和报告。

报告里的判断需要修改时，我可以补充人工意见，重跑时继续保留。需要重查哪部分，就选择对应阶段，每次运行的历史也能回看。

