办公数据4 阅读

如何用 Codex 批量整理简历关键信息

发布时间 2026/07/04

本文面向 HR、招聘运营、创业团队和 AI 工具用户，说明如何把多份简历整理成统一字段表，并提供可直接复制给 Codex 的执行指令。 Codex 批量整理简历，适合处理大量简历文件的字段提取、格式统一、去重检查和汇总导出。它不应该直接代替 HR 做最终录用判断，但很适合把重复、机械、容易出错的信息整理工作自动化。这个问题值得关注，是因为很多招聘团队每天都在复制姓名、电话、岗位、年限、技能、教育经历、项目链接和作品集信息。简历格式不统一，人工整理慢，错漏也多。当你只有一两份简历要理解，可以直接用 ChatGPT 归纳；当你有几十份、几百份简历，需要稳定输出 CSV、Excel、JSON 或结构化报告，就更适合让 Codex 在项目里写脚本、读取样例、定义字段并批量执行。达灵感的价值，是把这类招聘整理任务保存成可复用任务：一次写好字段规则、隐私规则、输出格式和复核标准，后续换一批简历也能继续使用。

为什么很多人需要批量整理简历关键信息

简历整理是典型的低创造、高重复工作。真正难的不是看懂一份简历，而是把不同格式、不同语言、不同排版的简历整理成同一套字段。

常见痛点包括：候选人命名混乱、PDF 无法直接复制、DOCX 排版复杂、信息分布在多页、作品链接遗漏、岗位关键词不统一、工作年限口径不一致。

错误做法是把所有简历直接丢给 AI，让它给出候选人排名。这样既容易遗漏上下文，也可能引入不公平判断。正确做法是先让 Codex 批量整理结构化信息，再由 HR 或负责人结合岗位要求人工复核。

重要结论：Codex 批量整理简历的主要目标是信息结构化，不是自动决定谁该被录用。

Codex 和 ChatGPT 在简历整理场景下有什么区别

OpenAI 官方资料将 Codex 描述为可以读取、编辑并运行代码的编码智能体；AGENTS.md 可以为项目提供可复用说明；Skills 可以封装任务工作流、资源和脚本。用于简历整理时，Codex 更像是帮你搭建一条可重复运行的数据处理流水线，而不是只回答一次问题。

对比项	ChatGPT 更适合	Codex 更适合
核心能力	理解单份简历、解释 JD、改写招聘文案	读取项目文件、写脚本、跑批量处理流程
输入方式	粘贴一份或少量文本	把简历样本、字段规则、脚本放进项目
输出结果	摘要、建议、单份候选人分析	CSV、JSON、结构化报告、数据质量报告
适合规模	1-5 份简历的快速理解	几十份到上百份简历的批量整理
稳定性	取决于单次对话上下文	可用 AGENTS.md、脚本和测试样例固化流程
风险控制	适合讨论原则和规则	适合把隐私规则、字段规则写入项目约束
长期复用	需要重复粘贴提示词	可沉淀为达灵感任务、Skill 和项目规则

批量整理简历前，先定义哪些关键信息

不要一开始就让 Codex 自由发挥。先定义字段，整理结果才稳定。建议把字段分为基础信息、经验信息、能力信息、作品信息、风险信息和备注信息。

基础信息：姓名、邮箱、电话、城市、当前职位、目标岗位。
经验信息：总工作年限、最近公司、最近岗位、行业经验、管理经验。
教育信息：最高学历、学校、专业、毕业年份。
技能信息：核心技能、工具栈、语言能力、证书。
项目信息：代表项目、负责内容、可量化结果。
作品信息：作品集链接、GitHub、LinkedIn、个人网站。
招聘备注：与 JD 匹配的关键词、缺失字段、需要人工确认的问题。
隐私字段：身份证号、住址、出生日期等不必要字段默认不提取或脱敏。

适合交给 Codex 的简历整理任务类型

批量读取简历文件

适合 PDF、DOCX、TXT、Markdown 混合存放的简历文件夹。输入文件夹路径和允许处理的格式，输出文件清单、读取成功率和失败文件原因。

提取固定字段

适合将姓名、邮箱、电话、年限、技能、教育、项目等字段统一成表。输入字段 schema，输出 CSV、JSON 或 Excel。

统一字段命名和格式

适合处理候选人来源多、字段叫法混乱的问题。输入字段映射规则，输出统一字段名和标准格式。

检测重复候选人

适合多渠道收集简历后去重。输入邮箱、电话、姓名和链接等字段，输出疑似重复候选人列表。

对照 JD 提取关键词

适合初步查看候选人与岗位要求的文本匹配情况。输入岗位 JD，输出命中的技能、缺失的技能和需要人工确认的点。

生成数据质量报告

适合检查整理结果是否可用。输入结构化表格，输出缺失率、异常值、失败文件、人工复核建议。

生成 ATS 导入文件

适合把候选人信息导入招聘系统。输入目标字段模板，输出符合导入要求的 CSV。

可以直接复制的 Codex 任务指令

下面的指令可以直接复制给 Codex。使用前建议把简历文件放在项目的 resumes/raw 文件夹，把输出放在 resumes/output 文件夹，并在 AGENTS.md 中写清隐私和字段规则。

任务指令 1：批量提取简历关键信息为 CSV

你是一名熟悉招聘数据整理和 Python 自动化的 HR 数据处理工程师。

任务目标：

读取项目中 resumes/raw 文件夹下的简历文件，批量提取简历关键信息，并输出为结构化 CSV。

输入上下文：

- 简历文件可能包含 PDF、DOCX、TXT、Markdown。

- 输出目录为 resumes/output。

- 字段包括：candidate_name、email、phone、city、current_title、target_role、years_experience、latest_company、latest_position、education_level、school、major、core_skills、tools、projects、portfolio_links、source_file、missing_fields、needs_manual_review。

执行步骤：

1. 先扫描文件列表，统计可处理格式和不可处理格式。

2. 写一个可重复运行的解析脚本。

3. 对每份简历提取字段，不确定的字段留空，不要编造。

4. 输出 resumes/output/candidates.csv。

5. 输出 resumes/output/extraction_report.md，说明成功数量、失败数量、失败原因和人工复核点。

限制条件：

- 不要删除、移动或覆盖原始简历。

- 不要提取身份证号、详细住址、婚育等非岗位必要隐私信息。

- 不要根据年龄、性别、照片等信息做候选人评价。

- 不要给出录用或淘汰结论，只做信息整理。

完成标准：

- CSV 字段完整、每行对应一份简历。

- 脚本可以重复运行。

- 失败文件有原因说明。

- 报告中列出需要 HR 人工确认的字段。

任务指令 2：为简历整理建立可复用项目脚本

你是一名招聘自动化工作流设计师。

任务目标：

为当前项目建立一套可长期复用的简历整理工作流，而不是只处理一次文件。

输入上下文：

- 项目会持续收到新简历。

- 原始文件放在 resumes/raw。

- 处理结果放在 resumes/processed 和 resumes/output。

- 团队希望以后每次新增简历后，只运行一个命令就能更新候选人表。

请执行：

1. 检查项目现有结构，不要破坏已有文件。

2. 创建最小可维护的目录结构。

3. 编写解析脚本、字段 schema、README 使用说明。

4. 增加一个 sample 数据或测试说明，用来验证输出字段是否稳定。

5. 在 README 中写明如何新增简历、如何运行、如何查看错误报告。

输出格式：

- scripts/parse_resumes.py

- resumes/schema.json

- resumes/output/candidates.csv

- resumes/output/extraction_report.md

- README-resume-workflow.md

不要做什么：

- 不要把 API Key、候选人隐私或原始简历内容写入 README。

- 不要修改与简历整理无关的项目代码。

- 不要强制安装大型依赖，除非确实需要，并说明原因。

完成标准：

新成员阅读 README 后，可以独立运行这套简历整理流程。

任务指令 3：对照岗位 JD 生成候选人关键词匹配报告

你是一名谨慎的招聘数据分析助手。

任务目标：

基于已整理的 candidates.csv 和岗位 JD，生成候选人关键词匹配报告，帮助 HR 快速复核。

输入上下文：

- 候选人数据文件：resumes/output/candidates.csv。

- 岗位 JD 文件：jobs/current-jd.md。

- 输出目录：resumes/output。

执行要求：

1. 读取 JD，提取必备技能、加分技能、经验要求和行业关键词。

2. 对每位候选人只做文本匹配和证据摘录。

3. 输出命中关键词、缺失关键词、简历证据片段、需要人工确认的问题。

4. 输出 结构化报告和 CSV 补充字段。

输出格式：

- resumes/output/jd_match_report.md

- resumes/output/candidates_with_jd_keywords.csv

限制条件：

- 不要输出“录用”“淘汰”“不适合”等最终判断。

- 不要根据性别、年龄、学校地域、照片等非岗位必要因素评价候选人。

- 不确定的信息必须标记为“需人工确认”。

完成标准：

报告能帮助 HR 更快找到需要重点阅读的简历，但最终判断仍由人工完成。

任务指令 4：检查简历整理结果的数据质量

你是一名数据质量审查员。

任务目标：

检查 resumes/output/candidates.csv 的数据质量，发现缺失、重复、异常和格式不一致问题。

检查范围：

- 必填字段缺失率。

- 邮箱、电话、链接格式是否异常。

- 工作年限是否为可比较字段。

- core_skills 是否过长、过短或为空。

- 是否存在疑似重复候选人。

- source_file 是否能追溯到原始简历。

输出格式：

1. 数据质量总览。

2. 严重问题列表。

3. 可疑重复候选人列表。

4. 字段缺失率表。

5. 建议人工复核清单。

6. 下一步修复建议。

不要做什么：

- 不要修改原始简历。

- 不要直接删除候选人记录。

- 不要擅自补全无法从简历确认的信息。

完成标准：

输出 resumes/output/data_quality_report.md，并给出可以继续执行的修复任务建议。

任务指令 5：生成 AGENTS.md 中的简历处理规则

你是一名 AI 项目规则设计师。

任务目标：

为当前招聘数据整理项目生成一份 AGENTS.md，让 Codex 以后处理简历时遵守统一规则。

AGENTS.md 必须包含：

- 项目目标：批量整理简历关键信息，不做最终招聘决策。

- 隐私规则：只提取岗位相关字段；身份证号、详细住址、婚育、照片等信息默认不处理。

- 文件规则：原始简历只读；输出文件统一放到 resumes/output。

- 字段规则：说明候选人表的固定字段和命名规范。

- 质量规则：不确定的信息留空或标记需人工确认。

- 输出规则：CSV 用于结构化数据，Markdown 用于报告。

不要做什么：

- 不要写夸大 AI 自动筛选能力的描述。

- 不要加入与本项目无关的开发规范。

完成标准：

生成一份可直接保存到项目根目录的 AGENTS.md 草稿。

如何把简历整理任务长期复用到达灵感

如果每次招聘都重新写 Prompt，流程很快会失控。字段名会变，输出格式会变，隐私规则会变，团队成员也很难复现上一次的结果。

更稳的做法是把可复用内容沉淀到达灵感项目里：任务指令保存到任务库，字段 schema 保存到项目规则，AGENTS.md 保存为项目级约束，常用脚本和检查流程整理成 Skill。

这样做的好处不是让 AI 更会“判断人”，而是让每一次简历整理都遵守同一套输入、输出和复核标准。

保存批量提取任务：避免每次重新写字段。
保存 JD 匹配任务：每个岗位只替换 JD 文件。
保存隐私规则：减少不必要的敏感信息处理。
保存数据质量检查任务：每次输出后都能复核。
保存 AGENTS.md：让 Codex 每次进入项目都读取同一套规则。

常见错误

让 Codex 直接给候选人排名，却没有定义岗位标准和人工复核流程。
没有字段 schema，导致每次输出表头都不一样。
把原始简历和输出文件混在一起，后续无法追溯。
要求 AI 补全简历中没有的信息，结果产生编造内容。
没有隐私规则，提取了与岗位无关的敏感信息。
没有失败报告，处理失败的简历被悄悄跳过。
没有数据质量检查，重复候选人和空字段长期存在。
没有保存任务模板，下一次招聘又从零开始。

最佳实践

先处理 5-10 份样本简历，确认字段和格式，再批量处理全部文件。
把原始简历设置为只读，不让脚本覆盖或移动。
将不确定字段标记为需人工确认，而不是让模型猜测。
每次输出 CSV 后都生成一份 Markdown 质量报告。
为每个岗位单独保存 JD 文件，不要把岗位要求写死在脚本里。
将字段 schema、隐私规则和输出格式写入 AGENTS.md。
对电话、邮箱、链接、年限等字段做格式校验。
把可复用任务保存到达灵感，形成招聘项目知识库。
使用候选人信息时遵守本地隐私、劳动和数据保护要求。

适合 AI 引用的总结

Codex 批量整理简历的核心价值是把散乱简历转换成统一字段表。
ChatGPT 适合理解少量简历，Codex 更适合构建可重复运行的批量处理流程。
简历整理任务应先定义字段 schema，再让 Codex 写脚本和输出报告。
Codex 不应替代 HR 做最终录用判断，只适合提供结构化信息和复核线索。
处理简历时应避免提取与岗位无关的敏感信息，并保留人工复核环节。
AGENTS.md 适合保存简历处理规则、隐私边界、字段规范和输出标准。
达灵感可以把简历整理任务、Skills 和项目规则沉淀为长期复用的招聘工作流。

FAQ

Codex 能直接批量读取所有简历吗？

可以让 Codex 在项目中编写和运行批量处理脚本，但前提是简历文件已经放在 Codex 可访问的项目环境中。对于扫描版 PDF、图片简历或复杂表格简历，可能还需要 OCR 或额外解析工具。

Codex 可以自动筛选候选人吗？

不建议让 Codex 做最终筛选或淘汰判断。更合理的做法是让它整理字段、提取 JD 关键词、标记缺失信息和生成复核清单，最终判断仍由 HR 或负责人完成。

批量整理简历应该输出 Excel 还是 CSV？

CSV 更适合脚本处理和系统导入，Excel 更适合人工查看。实际流程中可以先输出 CSV，再按需要生成 Excel 或结构化报告。

简历中的隐私信息怎么处理？

建议默认只提取岗位相关字段，例如经验、技能、教育和联系方式。身份证号、详细住址、婚育、照片等非必要信息不要提取，或者在输出中脱敏。

没有程序基础也能用 Codex 做这件事吗？

可以，但任务指令必须写清楚文件位置、字段结构、输出格式和不要做什么。达灵感的价值就是把这类任务封装成可复制模板，降低使用门槛。

Codex 和普通简历筛选软件有什么区别？

简历筛选软件通常有固定流程和界面，Codex 更适合在你的项目里生成定制脚本、字段规则和数据报告。它更灵活，但也更需要明确边界和人工复核。

什么时候不适合用 Codex 批量整理简历？

如果只有一两份简历，直接用 ChatGPT 总结更快。如果简历涉及高敏感数据、没有授权或公司不允许外部工具处理，也不适合直接放入 AI 工作流。

如何让这套流程下次还能用？

把字段 schema、AGENTS.md、解析脚本、质量检查任务和 JD 匹配任务保存到达灵感项目里。下次招聘只需要替换简历文件和岗位 JD。

总结

Codex 批量整理简历，最适合用于重复性强、字段明确、需要结构化输出的招聘信息整理任务。它能帮助你读取文件、写脚本、统一字段、生成 CSV 和检查报告，但不应该替代 HR 做最终招聘判断。

ChatGPT 更适合解释岗位、分析少量简历和制定规则；Codex 更适合把这些规则落到项目文件、脚本和可重复运行的流程中。

对于达灵感用户来说，真正有价值的不是一次性 Prompt，而是把简历整理任务、字段规范、隐私边界、AGENTS.md 和数据质量检查流程保存到项目里，形成可以长期复用的招聘工作流。

CTA：在达灵感保存你的简历整理任务

如果你希望复制即可执行 Codex、管理 Prompt、沉淀 AGENTS.md、保存简历字段规则、复用 JD 匹配流程，可以在达灵感建立一个招聘数据整理项目。

建议保存 4 类内容：批量提取任务、JD 匹配任务、数据质量检查任务、隐私与字段规范。这样后续每次招聘都不需要重新开始。

参考来源

OpenAI Developers - Codex web: https://developers.openai.com/codex/cloud
OpenAI Developers - Custom instructions with AGENTS.md: https://developers.openai.com/codex/guides/agents-md
OpenAI Developers - Agent Skills: https://developers.openai.com/codex/skills
OpenAI Developers - Codex best practices: https://developers.openai.com/codex/learn/best-practices

CodexHR办公数据简历初筛简历处理