前言¶
在 DeepSeek Harness (DSH) 的生态中，HR 或招聘团队处理简历面临一个常见痛点：文档格式繁杂（Word、PDF、Excel 等），数量庞大，手动筛选效率极低。若直接将所有简历一次性丢给 LLM 进行全量分析，不仅会触及上下文窗口上限，还会导致成本线性膨胀且结果不可追溯。
dsh-resume-screening 插件针对这一场景，构建了一套从入库、建档到智能筛选的完整工作流。它将 Markdown 作为”真相源”归档简历，利用 SQLite 作为筛选索引，先通过规则库进行毫秒级粗筛，再对少数入围者进行 LLM 精判，最终输出 0-100 分的适配度排序。
这是什么¶
dsh-resume-screening 是一个面向 HR 的批量简历入库与自动化初筛工具，由 wangzhanchao883 维护，采用 MIT 许可证。
它的核心价值在于：支持单库管理 10 万份以内的简历（docx/pdf/xlsx/xls/md/txt），实现自动去重、结构化建档，并允许用自然语言下达筛选条件。
核心功能¶
插件提供六大核心能力：
1. 批量入库与统一管理：支持多格式文件，自动转换为 Markdown 归档，按内容哈希去重。
2. 结构化建档：抽取硬性字段（学历、性别、年龄等）与细粒度技能（LLM 兜底），建立多值标签体系。
3. 两段式智能筛选：先通过数据库规则进行毫秒级粗筛，再对入围者调用 LLM 输出 0-100 分精判。
4. 增量自动入库：resume_screen 支持传入文件夹，自动入库未处理的简历并筛选。
5. 岗位条件复用：将自然语言描述的招聘要求保存为规则，可反复复用。
6. 工程底座：Markdown 为真相源，SQLite 为筛选索引，支持全量重建。
快速开始¶
在 DSH 对话中执行以下命令完成基础流程：
# 1. 初始化简历库
resume_init
# 2. 扫描文件夹收简历
resume_ingest folderPath="D:\简历库\0908简历"
# 3. 建立岗位要求（自然语言结构化）
resume_define_rule 岗位名="JAVA工程师岗" 必选: gender=男；education in 本科/硕士/博士；skill contains java 加分: experience_years>=2 (+15)
# 4. 自动入库 + 初筛 + LLM 精判
resume_screen reqId=2 folderPath="D:\简历库\0908简历" llm=true
# 5. 导出结果
resume_export reqId=2 outPath="D:\简历库\结果.csv"
筛选规则与运算符¶
插件支持自然语言描述筛选条件，底层基于 SQLite 索引。常用运算符口径如下：
| 运算符 | 口径 |
|---|---|
= / != |
去空白 + 大小写不敏感比较；数值等价（"5" == 5） |
in |
逗号分隔（中英文逗号都认）任一相等 |
>= <= > < |
数值比较；值不是数字时退化为相等比较 |
contains |
大小写不敏感 + 拉丁词整词边界（如 java 命中 Java，不命中 JavaScript） |
工具一览¶
| 工具 | 作用 |
|---|---|
resume_init |
初始化简历库（归档目录 + SQLite + 标签字典） |
resume_ingest |
扫描文件夹收简历，内容哈希去重 |
resume_process |
批量转换、规则抽取、LLM 兜底、入库 |
resume_status |
查看库内简历处理状态分布 |
resume_define_rule / resume_list_rules |
保存 / 查看岗位筛选条件 |
resume_screen |
执行筛选；llm=true 追加精判；folderPath 触发自动入库 |
resume_export |
导出筛选结果 CSV |
resume_rebuild |
从归档 Markdown 全量重建索引 |
工作原理¶
插件采用分层架构：
* Markdown 归档（真相源）：每份简历一篇 .md，含结构化属性与原文。
* SQLite（筛选索引）：派生索引，支持多值标签、加权排序和多条件匹配，可随时全量重建。
* 筛选引擎（规则层）：必选硬过滤 + 可选加分加权排序，纯函数、可复现。
* LLM 精判层：对入围者读原文判适配度，输出结构化评分与理由。
安装与启用¶
本插件依赖宿主环境及特定版本。
环境要求：
* DeepSeek Harness (DSH): 0.1.7 ~ 0.2.x（设置面板依赖 0.1.7 的 configForms 契约）。
* Node.js: ^22 或 >=24（用到内置 node:sqlite）。
依赖包：
* @deepseek-ai/dsh-tools
* @deepseek-ai/schemastery
* @deepseek-ai/cosmokit
* mammoth、pdfjs-dist、xlsx
请通过以下地址从 GitHub 安装插件：
https://github.com/wangzhanchao883/dsh-resume-screening
配置与设置¶
插件支持 Web 设置面板，参考 dsh-study-notebook 的 settings.section 模式，分为三个板块：
1. 通用：设置简历库根目录、归档子目录、LLM 开关与阈值等。
2. 标签库：增改标签定义（如技能类别、经验方向）。
3. 岗位要求：配置一岗位一组条件（标签 + 算子 + 阈值 + 必选/可选 + 权重）。
0.1.7 配置注意事项：
* Volatile 盒处理：.volatile() 字段的解析值是「Volatile 盒」而非纯值。在 apply 或 settings.describe() 中获取配置时，必须调用 .get() 解包，否则可能导致路径操作报错。
* 配置刷新：写入设置面板不会自动触发插件重新 apply。插件必须在每个入口重读 settings.describe()。
适用场景¶
适合处理文档量大、格式统一但人工筛选繁琐的招聘场景。特别是需要保留筛选结果追溯、对硬性指标要求严格、且希望控制 LLM 调用成本的团队。
结语¶
dsh-resume-screening 通过将简历归档与筛选逻辑解耦，结合规则引擎与 LLM，为 HR 提供了一个可落地、可扩展的自动化初筛方案。
