达灵感
办公数据4 阅读

如何用 Codex 从简历中提取项目经验

很多招聘流程卡住，并不是因为简历太少，而是因为简历里的项目经验写法太乱。有人只写项目名称，有人写了一整段业务背景，有人写了很多工具名，但没有说明自己到底负责什么。最后 HR 和面试官只能靠肉眼快速扫，容易漏掉真正有价值的经历。 这类问题很适合交给 Codex 做第一轮整理。不是让 Codex 替你决定谁该录用，而是让它把简历中的项目经验提取成统一字段，例如项

发布时间 2026/07/04

如何用 Codex 从简历中提取项目经验

很多招聘流程卡住，并不是因为简历太少，而是因为简历里的项目经验写法太乱。有人只写项目名称，有人写了一整段业务背景，有人写了很多工具名，但没有说明自己到底负责什么。最后 HR 和面试官只能靠肉眼快速扫，容易漏掉真正有价值的经历。 这类问题很适合交给 Codex 做第一轮整理。不是让 Codex 替你决定谁该录用，而是让它把简历中的项目经验提取成统一字段，例如项目名称、项目背景、候选人角色、核心动作、产出结果、可量化数据、缺失信息和后续面试追问。 如果你正在做招聘、人才库、候选人初筛，或者想把历史简历整理成可搜索的结构化资料，可以用 Codex 建立一套稳定的简历项目经验提取流程。

先说结论：这个任务的正确边界是什么

Codex 适合做的是“信息整理”和“证据归纳”，不适合直接做“候选人最终判断”。

  • 适合：从简历中提取项目经历、统一字段、生成表格、标记信息缺失、生成面试追问。

  • 适合：把 PDF、DOCX、TXT 或 Markdown 简历批量整理成 CSV / JSON / Markdown。

  • 不适合：在没有规则的情况下直接判断候选人好坏。

  • 不适合：根据年龄、性别、婚育、籍贯、照片等无关信息做筛选。

  • 不适合：把简历没有写出来的成果、数据或职责自动补全成“看起来更好”的版本。

为什么要先提取项目经验，而不是直接看关键词

关键词只能说明候选人写过某个工具或技术，不一定说明他真正做过有价值的事情。项目经验更接近能力本身，因为它包含业务背景、问题、动作、协作方式和结果。

  • 对 HR 来说，项目经验可以帮助判断候选人是否匹配岗位要求。

  • 对面试官来说，项目经验可以直接转化成面试问题。

  • 对创业团队来说，项目经验可以减少“看起来都差不多”的简历筛选成本。

  • 对人才库来说，结构化项目经历比单纯存简历文件更容易检索和复用。

Codex 在简历项目经验提取里可以做什么

任务Codex 可以做什么需要避免什么
读取资料读取放在项目目录中的简历文件、岗位要求、评分规则和输出模板。不要把来源不明或未经授权的敏感简历直接批量上传。
提取字段从简历中提取项目名称、时间、角色、动作、结果、工具和证据原文。不要凭空补全简历没有出现的信息。
统一格式把不同格式的项目经历整理成统一 CSV、JSON 或 Markdown 表。不要只输出一段模糊总结，后续无法复核。
生成追问根据项目里的模糊点生成面试追问，例如“你具体负责哪部分？”不要把追问写成诱导式问题。
批量处理为多份简历生成批处理脚本、输出汇总表和异常报告。不要在没有抽样核对的情况下直接使用全部结果。
建立规则通过 AGENTS.md 固化字段、隐私、评分和输出规范。不要每次都临时写提示词，导致输出口径变化。

先定义项目经验字段，否则输出一定会乱

让 Codex 提取简历前，最重要的不是马上把简历丢进去，而是先定义你要什么字段。字段越清楚，输出越稳定；字段越模糊，结果越像普通 AI 总结。

字段作用提取要求
候选人标识用于关联原始简历候选人姓名或匿名 ID；建议批量处理时用 candidate_id。
项目名称识别项目条目没有明确项目名时，使用“未命名项目”，不要自行编造。
项目时间判断经验阶段保留原文时间；无法识别则填 null。
候选人角色判断个人贡献如 UI 设计师、前端开发、产品经理、运营负责人。
业务背景理解项目场景项目面向什么用户、解决什么问题。
项目目标判断任务是否明确如提升转化率、重构系统、上线新功能、降低人工成本。
核心动作提取真实工作内容候选人做了哪些关键工作，不要只写“参与项目”。
工具 / 技术辅助岗位匹配如 Figma、React、Next.js、SQL、n8n、Python。
产出结果判断项目完成度上线页面、设计系统、数据看板、活动方案、增长实验等。
量化结果判断成果可信度如转化率提升、性能提升、用户增长；没有就填 null。
证据原文方便人工复核必须保留能支撑结论的原简历片段。
缺失信息生成面试追问角色不清、数据缺失、贡献不明、结果不明。

推荐的文件结构

可以把简历整理到一个简单项目目录里，让 Codex 按目录规则处理。

resume-extraction/ AGENTS.md README.md jd/ ui-designer-jd.md frontend-jd.md resumes/ candidate-001.pdf candidate-002.docx candidate-003.txt output/ project_experience.csv project_experience.json interview_questions.md extraction_report.md

如果简历里包含大量个人隐私，建议先做匿名化处理：保留候选人 ID、项目经历、工作年限和岗位相关信息，去掉身份证、手机号、住址、照片、家庭情况等与岗位无关的信息。

用 Codex 执行项目经验提取的完整流程

  • 把岗位 JD、提取规则、输出字段放进项目目录，避免 Codex 只看简历、不知道岗位重点。

  • 先选 3 份简历做样本测试，检查字段是否完整、是否存在幻觉、是否保留证据原文。

  • 让 Codex 根据样本结果调整解析脚本、字段 schema 和输出格式。

  • 批量处理全部简历，输出 CSV / JSON / Markdown 三种结果。

  • 让 Codex 生成异常报告：无法读取的文件、缺失项目经历的简历、字段不完整的项目、疑似重复项目。

  • 人工抽样复核，不要把第一版结果直接作为最终筛选依据。

可直接复制给 Codex 的完整任务指令

下面这条指令适合放到 Codex 里执行。它不是让 Codex 随便总结简历，而是让它按字段、规则和验收标准生成可复核结果。

你现在在一个简历项目经验提取项目中。请读取当前项目目录，帮我从 resumes/ 目录里的简历中提取项目经验，并输出结构化结果。 目标： 1. 从每份简历中识别所有项目经历。 2. 将每个项目整理成统一字段。 3. 保留证据原文，方便人工复核。 4. 标记缺失信息，并生成后续面试追问。 5. 输出 CSV、JSON 和 Markdown 汇总表。 输入： - resumes/：候选人简历，可能包含 PDF、DOCX、TXT 或 Markdown。 - jd/：岗位要求文件，用于判断哪些项目信息更重要。 - AGENTS.md：提取规则和隐私限制。 请为每个项目输出以下字段： - candidate_id - source_file - project_name - project_time - candidate_role - business_context - project_goal - key_actions - tools_or_tech_stack - deliverables - measurable_results - personal_contribution - team_or_collaboration - evidence_text - missing_information - interview_questions - risk_notes 规则： 1. 只提取简历中明确出现的信息，不要自行补全成果、数据、公司背景或候选人贡献。 2. 如果字段缺失，请填 null，不要编造。 3. 每个结论都尽量保留 evidence_text，说明它来自简历哪段内容。 4. 不要提取年龄、性别、婚育、民族、籍贯、照片、家庭情况等与岗位无关的信息。 5. 不要直接给出“录用 / 不录用”的结论。 6. 如果简历无法解析，请记录到 output/extraction_report.md。 输出文件： - output/project_experience.csv - output/project_experience.json - output/project_experience.md - output/interview_questions.md - output/extraction_report.md 执行步骤： 1. 先检查当前目录结构和可读取文件。 2. 说明你准备用什么方式解析不同格式的简历。 3. 先处理 3 份样本，并展示样本输出。 4. 检查字段是否稳定后，再批量处理全部简历。 5. 最后给出处理数量、失败数量、缺失字段统计和需要人工复核的候选人列表。 完成标准： - 输出字段一致。 - 每个项目都可以追溯到原始简历。 - 不出现没有证据支撑的推断。 - 隐私字段不进入最终表格。 - 面试问题能直接用于后续沟通。

单份简历快速提取指令

如果你不是批量处理，只想从一份简历中提取项目经验，可以用更轻量的指令。

请读取这份简历，只提取其中的项目经验，并按以下结构输出： 1. 项目名称 2. 项目时间 3. 候选人角色 4. 业务背景 5. 项目目标 6. 候选人具体做了什么 7. 使用的工具、技术或方法 8. 产出物 9. 可量化结果 10. 证据原文 11. 信息缺失点 12. 建议面试追问 要求： - 不要总结教育经历、个人评价和无关信息。 - 不要编造简历里没有写的数据。 - 如果项目贡献不清楚，要明确标记“贡献不清”。 - 如果结果没有数据支撑，要标记“结果缺少量化证据”。 - 最后给出这份简历最值得追问的 5 个问题。

批量输出表格应该长什么样

如果只输出自然语言总结，后面还是很难筛选。更好的方式是输出一张项目经验表，让每一行代表一个项目，而不是一份简历。

字段名说明示例
candidate_id候选人匿名 IDcandidate-001
project_name项目名称SaaS Dashboard 重构
candidate_role候选人在项目里的角色UI/UX 设计师
business_context项目服务的业务场景面向企业客户的数据分析后台
key_actions候选人的关键动作重构信息架构、统一组件、优化表格筛选流程
measurable_results结果数据简历未提供则填 null
evidence_text证据原文保留简历原句或关键片段
missing_information缺失点未说明用户规模、上线结果、个人贡献边界
interview_questions面试追问你在设计系统中负责哪些组件？如何验证改版效果？

不同岗位提取项目经验时，重点不一样

项目经验字段可以统一，但不同岗位的判断重点应该不同。否则提取出来的内容看似完整，实际对面试没什么用。

让 Codex 生成面试追问

简历项目经验提取完成后，下一步不是马上打分，而是生成追问。追问能帮助面试官验证项目是不是候选人真实参与过，以及候选人到底负责到什么深度。

请基于 output/project_experience.csv，为每个候选人生成面试追问。 要求： 1. 每个候选人输出 5-8 个问题。 2. 问题必须基于其简历中已经出现的项目经验。 3. 优先追问贡献边界、决策过程、量化结果、上线验证、失败复盘。 4. 不要问年龄、婚育、家庭、籍贯等无关问题。 5. 每个问题后面标注追问目的，例如：验证个人贡献 / 验证数据真实性 / 验证方法论 / 验证协作能力。 输出到：output/interview_questions.md

可以加一个项目经验评分表，但不要让 Codex 直接拍脑袋打分

如果你确实需要对项目经验做初步排序，可以让 Codex 按明确评分标准打辅助分，而不是直接问“这个候选人怎么样”。评分必须可解释，并且要保留证据来源。

维度判断标准建议值
岗位相关度项目是否与目标岗位直接相关0-5
个人贡献清晰度是否能看出候选人具体负责什么0-5
复杂度是否涉及复杂业务、协作、技术或设计问题0-5
结果可信度是否有上线、数据、业务结果或明确产出0-5
证据充分度简历原文是否能支撑提取结论0-5
追问必要性信息缺失越多，追问必要性越高低 / 中 / 高

请基于已提取的项目经验，按评分规则生成“项目经验辅助评估表”。 限制： - 评分只用于面试准备，不作为最终录用决定。 - 每个分数必须给出证据原文或说明缺失原因。 - 如果缺少证据，不要给高分。 - 不要使用学历、年龄、性别、婚育、籍贯等信息作为评分依据。 输出字段： candidate_id、project_name、role_relevance_score、contribution_clarity_score、complexity_score、result_credibility_score、evidence_score、follow_up_priority、reason、evidence_text。

AGENTS.md 示例：把提取规则固化下来

如果你经常做简历整理，可以在项目里放一个 AGENTS.md，让 Codex 每次都按同一套规则处理。

简历项目经验提取规则

目标是把候选人简历中的项目经验提取成结构化、可复核的输出。建议在 output/ 下输出 CSV、JSON 和 Markdown 文件，每个项目对应一行或一个对象。必填字段包括：候选人 ID、来源文件、项目名称、项目时间、候选人角色、业务背景、项目目标、关键动作、工具或技术栈、交付物、可量化结果、个人贡献、团队协作、证据原文、缺失信息、面试追问和风险备注。不要编造信息，字段缺失时使用 null；重要结论都要保留证据原文。需要标注贡献不清、结果缺失和项目范围模糊的问题。不要提取年龄、性别、婚育、民族、证件号、家庭住址、家庭信息或照片。不要做录用决策，也不要在没有用户提供评分规则时给候选人排序。最终结果必须可追踪、口径一致，并方便 HR 或面试官复核。

验收清单：怎么判断 Codex 提取结果能不能用

  • 每个项目都有 source_file，可以追溯到原始简历。

  • 每个关键结论都有 evidence_text，不能只给抽象总结。

  • 没有从简历外部编造项目成果、数据、职责或公司背景。

  • 缺失字段被标记为 null 或“未提供”，而不是被自动补全。

  • 输出 CSV / JSON 的字段顺序一致，方便后续导入表格或数据库。

  • 没有出现年龄、性别、婚育、家庭、籍贯等与岗位无关的字段。

  • 面试追问能对应到具体项目，而不是泛泛问“你有什么优势”。

  • 抽样核对后，至少能确认主要字段没有明显错位。

常见错误

错误 1：直接让 Codex 判断候选人是否优秀。

这种问法太粗，会让输出变成主观评价。更好的方式是让 Codex 先提取项目证据，再按清晰规则辅助评分。

错误 2：只提取关键词，不提取候选人具体动作。

例如只提取“React、Figma、SQL”意义有限。真正有用的是候选人用这些工具解决了什么问题、产出了什么结果。

错误 3：没有保留证据原文。

没有证据原文，HR 和面试官就无法判断提取结果是否可靠。

错误 4：把简历没有写的数据补得很漂亮。

这会污染人才库。没有数据就是没有数据，应该标记为缺失，并在面试时追问。

错误 5：没有区分岗位。

UI、前端、产品、运营、数据分析的项目经验重点不同。用同一套粗糙规则，会让输出看起来整齐但没有判断价值。

适合达灵感的页面内容结构

这篇文章发布到达灵感时，可以把页面结构做成工具型内容，而不是普通博客。建议结构如下：

  • 顶部：说明这个任务适合谁，以及最终能得到什么输出。

  • 中段：展示字段表、文件结构、Codex 完整指令。

  • 后段：展示 AGENTS.md 规则、验收清单、常见错误和 FAQ。

  • CTA：引导用户复制提示词，或进入达灵感查找更多 HR / 招聘 / 简历整理类任务指令。

FAQ：关于用 Codex 提取简历项目经验的常见问题

Q1：Codex 能直接读取 PDF 简历吗？

可以尝试，但取决于你的环境和文件情况。如果 PDF 是扫描图片，通常需要 OCR；如果是文本型 PDF，可以让 Codex 先检测可读取性，再决定是否转换为 TXT 或 Markdown。

Q2：可以让 Codex 批量处理很多份简历吗？

可以，但建议先用少量样本验证字段和准确性，再批量处理。批量输出时要记录失败文件、字段缺失和需要人工复核的候选人。

Q3：Codex 能不能直接给候选人排名？

不建议直接排名。更稳妥的方式是先提取证据，再按岗位相关度、贡献清晰度、复杂度、结果可信度等明确规则做辅助评分。

Q4：如果简历没有写项目结果怎么办？

不要补。应该把 measurable_results 填 null，并在 missing_information 或 interview_questions 中标记需要追问。

Q5：这个流程适合 HR 还是面试官？

两者都适合。HR 可以用它做初步结构化整理，面试官可以用它快速找到项目重点和追问方向。

Q6：可以把结果导入 Excel 吗？

可以。让 Codex 输出 CSV，后续可以直接用 Excel、Google Sheets 或数据库导入。需要更复杂格式时，也可以让 Codex 生成 xlsx 文件。

Q7：会不会侵犯候选人隐私？

取决于你的处理方式。建议只处理招聘必要信息，避免提取身份证、手机号、家庭、照片等无关信息，并在内部流程中限制访问权限。

Q8：这个方法能替代人工筛选吗？

不能。它能提升整理效率和信息一致性，但最终判断仍然需要 HR 和业务面试官复核。

总结

用 Codex 从简历中提取项目经验，核心不是让 AI 自动筛人，而是把分散、不统一、难对比的简历内容，转成结构化、可复核、可追问的项目资料。

真正可用的流程应该包含四件事：明确字段、保留证据、标记缺失、生成追问。只要这四点做好，Codex 就能把简历整理从“人工扫一遍”变成“有规则、有表格、有复核路径”的工作流。

对达灵感来说，这类文章不只是教程，也可以沉淀成一个可复制任务模板：用户复制提示词，放入自己的招聘项目，就能快速建立一套简历项目经验提取流程。

参考资料

CodexHR办公数据简历处理项目经验