候选人-岗位匹配评分：AI 如何评估（以及在哪里出错）

候选人匹配评分 是 AI 寻访平台上使用最广、误解也最深的功能。 AI 如何评估一份 profile 与岗位之间的契合度？它基于什么作判断？它一致会在哪里出错？ 本文掀开引擎盖，以 TrueCalling 的 TrueFit 360 评分为参照，解释匹配评分实际衡量的是什么。

什么是候选人匹配评分？

候选人匹配评分 是一个评级（通常为 100 分制），用以表达一位候选人匹配某个岗位的 可能性。该评分组合了多个维度：技能、经验、公司背景、地理、可流动性。 评分不是绝对真理 —— 它是一个用于为触达排序的、有用的排名工具。

一个好的 AI 会评估的 5 个维度

1. 技术技能。技术栈、编程语言、框架。最好的 AI 不会止步于简历： 它们会关注近期的 GitHub commit。
2. 经验轨迹。seniority、进阶、公司规模。 在 3 家初创公司连续 ship 过产品的候选人，与离开一家大型企业 8 年的人不同。
3. 公司背景。行业、商业模式、阶段（早期、scale-up、上市）。 对文化相关性至关重要。
4. 可流动性估计。当前岗位任期、弱信号 （LinkedIn 更新、会议活动、个人副业项目）。
5. 地理与流动性。当前位置、对远程的开放度、时区兼容性。

TrueFit 360 如何工作

TrueCalling 的 TrueFit 360 评分给出一个 100 分制的评级，并按维度拆解， 让招聘官或 hiring manager 能够理解推荐从何而来。对一位常驻上海的 Senior Data Engineer， 您可能看到这样的结构：

• 技术技能：92/100（GitHub 上检测到 Spark、dbt、Airflow）。
• 经验轨迹：88/100（6 年，scale-up SaaS）。
• 公司背景：75/100（来自大型企业，过渡可行）。
• 可流动性：80/100（当前岗位 3 年，开放信号）。
• 地理：100/100（上海，可接受远程）。
• TrueFit 360 总分：89/100。

这种可解释性改变了一切。hiring manager 会信任他们看得懂的评分； 黑箱评分会被忽略。

匹配评分一致会出错的地方

1. 文化契合

没有 AI 能正确读取公司文化。一份出色的技术 profile 在人际上可能是一场灾难。候选人匹配评分 是一个相关性指标，不是文化契合指标。

2. 真实动机

候选人为什么要换工作？AI 能检测信号，但读不懂内心。这正是面试存在的意义。

3. 非典型 profile

学过戏剧、后来在 Google 做后端的人，在评分上会比较低。然而他可能是您最好的 hire。 请始终手工审阅离群者。

4. 数据新鲜度

基于一份 2 年未更新的 LinkedIn profile 的评分是错的。好的平台会持续增强数据， 并显示新鲜度信号。

匹配评分与偏差：一项持续的关注

任何 候选人匹配评分 都可能复制训练数据中存在的偏差。性别、年龄、学校、姓 —— 如果 AI 未经审计，这些变量都可能不当地影响评分。请向供应商提问：

• 评分是否按变量逐一可审计？
• 受保护属性是否被排除或受到控制？
• 评分阶段是否有"匿名化简历"模式？

如何聪明地使用匹配评分

1. 排序，而不是排除。先处理 top 50 分数，但保留对下一档 50 的关注。
2. 交叉参照评分与人工信号。一封求职信、一个副业项目、一次面试中讲述的故事， 都比一个原始评分更有价值。
3. 如果太少候选人高于 80 分，请重新审视 brief。问题往往出在 brief，而不是市场。
4. 与 hiring manager 共享评分。按维度拆解后， 它会变成一个讨论工具。

匹配评分与招聘官生产力

用得好时，候选人匹配评分 会改变招聘官的生产力。 与其翻 200 份 profile，招聘官会深入处理 30 份。要进一步了解招聘官生产力， 请参阅我们关于 招聘官的 AI 副驾驶日常实践的文章。

购买前如何评估一个匹配评分

在和供应商签约前，跑一个测试：拿出您近期招到的 20 位候选人，让引擎给他们打分。 如果大多数落在 80 分以上，评分学得不错。反向测试：拿 20 位被拒的候选人， 大多数应当落在 60 分以下。没有这双重测试，您就是在盲买一个评分。

结论：匹配评分是工具，不是神谕

一个设计良好的 候选人匹配评分 —— 比如 TrueFit 360 —— 会加速分诊并提升名单质量。但没有任何评分能取代招聘官的判断。黄金法则是： 要求可解释性、与人工信号交叉验证、对偏差进行审计，并始终关注离群者。

想在您的一份 brief 上看到 TrueFit 360 的实际效果， 查看 TrueFit 360 的实际应用。