OpenClaw+GLM-4.7-Flash：智能简历筛选助手搭建指南

1. 为什么需要简历筛选助手

作为一位技术团队的招聘负责人，我每周需要处理上百份简历。最初我尝试用Excel表格管理候选人信息，但很快发现几个痛点：

• 格式混乱：候选人提交的简历格式五花八门，有PDF、Word甚至图片格式
• 信息提取困难：需要手动复制粘贴关键信息（如工作年限、技术栈）
• 匹配效率低：要逐份查看简历才能判断是否符合岗位要求

直到发现OpenClaw可以结合本地部署的GLM-4.7-Flash模型，我才意识到可以构建一个完全运行在本机的智能筛选系统。这个方案最吸引我的点是：

1. 隐私保护：所有简历数据不会离开我的电脑
2. 定制灵活：可以根据具体岗位调整筛选逻辑
3. 成本可控：相比商业SaaS工具，只需支付模型推理的Token费用

2. 系统架构与核心组件

2.1 技术选型思路

我选择的工具组合基于三个原则：

• 轻量化：不需要复杂的基础设施
• 可解释性：能理解筛选逻辑而非黑箱操作
• 可扩展：后续能加入面试安排等新功能

最终架构如下：

[简历文件] → [OpenClaw文件监听] → [GLM-4.7解析引擎] → [评分数据库] → [可视化面板]

2.2 环境准备

需要准备以下组件：

1. OpenClaw核心服务：通过npm安装最新版
2. GLM-4.7-Flash模型：使用ollama部署本地模型服务
3. 简历解析Skill：从ClawHub安装resume-parser技能包

# 安装基础组件
npm install -g openclaw
ollama pull glm-4.7-flash
clawhub install resume-parser

3. 关键配置步骤

3.1 模型接入配置

修改OpenClaw配置文件~/.openclaw/openclaw.json，添加本地模型端点：

{
  "models": {
    "providers": {
      "local-glm": {
        "baseUrl": "http://localhost:11434",
        "api": "openai-completions",
        "models": [
          {
            "id": "glm-4.7-flash",
            "name": "Local GLM-4.7",
            "contextWindow": 32768
          }
        ]
      }
    }
  }
}

验证连接状态：

openclaw models list
# 应显示 glm-4.7-flash 状态为 Active

3.2 简历解析技能配置

安装的resume-parser技能需要指定：

1. 监控目录：设置存放简历的文件夹路径
2. 解析模板：定义需要提取的字段（示例YAML）：

fields:
  - name: candidate_name
    description: "候选人姓名"
    required: true
    
  - name: years_of_exp 
    description: "工作年限"
    type: number
    
  - name: tech_stack
    description: "技术栈关键词"
    extract: list

通过命令激活技能：

openclaw skills enable resume-parser

4. 智能筛选逻辑实现

4.1 关键词匹配方案

我在skills/resume-parser/rules目录下创建了岗位匹配规则。例如Java开发岗的规则：

def evaluate(resume):
    score = 0
    
    # 基础加分项
    if 'Java' in resume['tech_stack']:
        score += 30
        
    if resume['years_of_exp'] >= 3:
        score += 20
        
    # 高级技能加分
    if 'Spring Cloud' in resume['tech_stack']:
        score += 15
        
    return min(score, 100)  # 上限100分

4.2 模型增强解析

对于无法结构化提取的内容（如项目描述），通过GLM模型进行语义分析：

prompt = f"""
请根据以下项目经历评估与岗位的匹配度(0-10分):
项目描述: {project_desc}
岗位要求: {job_requirements}
仅返回数字分值:
"""

在OpenClaw中配置为post_process钩子函数，对原始解析结果进行增强。

5. 实际应用效果

5.1 筛选流程示例

当新简历存入监控文件夹时：

1. OpenClaw自动触发解析流程
2. 提取结构化数据 + 模型语义分析
3. 根据规则计算最终评分
4. 结果存入SQLite数据库
5. Web面板实时更新候选人列表

5.2 效率提升数据

对比手动筛选（统计最近100份简历）：

指标	手动处理	智能助手
平均处理时间	8分钟	1.2分钟
信息漏检率	23%	6%
误筛率	15%	9%

6. 踩坑与优化经验

6.1 中文PDF解析问题

初期遇到中文PDF乱码问题，最终解决方案：

1. 先用pdf2text转换为纯文本
2. 对转换结果进行段落重组
3. 添加编码检测fallback机制

# 改进后的文本预处理流程
text = convert_pdf_to_text(path)
text = clean_paragraphs(text) 
if detect_encoding(text) != 'UTF-8':
    text = fallback_decode(text)

6.2 模型稳定性优化

发现GLM-4.7-Flash在处理长简历时会出现截断，通过以下方式改进：

1. 先提取简历关键章节（工作经历、项目经验）
2. 对每个章节单独调用模型
3. 最后汇总分析结果

7. 安全使用建议

由于系统需要读取本地文件，特别注意：

1. 隔离环境：在专用用户账号下运行服务
2. 权限控制：仅授权读取特定简历文件夹
3. 日志审计：记录所有模型调用和文件操作

# 创建专用用户
useradd -m recruiter
chown -R recruiter:recruiter /resumes

这套系统已经稳定运行3个月，帮助我节省了约70%的初筛时间。最大的惊喜是发现它不仅能处理结构化信息，还能通过语义分析识别出"在项目中实际使用过Redis但简历未明确写明"的候选人。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。