人力资源核实智能体
我们设计、构建并部署一个 AI 智能体，将候选人的证书、推荐人与所述工作经历同时通过并行核查，带证据地标记每一处不一致，并为你的 HR 团队提供可直接录用的核实摘要——而录用决定仍由人来做。
一览
在马来西亚，一次错误招聘要付出数月薪资和重新招聘的成本——这能在发出录用前抓出被篡改的证书或注水的任职时长，并在几分钟内放行合格候选人，而非几天。
对证书扫描件和推荐人邮件的视觉/OCR、多项并行核查的汇总，以及对身份证号和候选人数据符合 PDPA 的处理——但没有资金流动，关键路径上也没有监管方。
见效后会有什么改变
每份申请耗时
当前人工审查
约 2–4 小时（分散在数天）
使用智能体
约 10–15 分钟复核
节省的时间
每位候选人约节省 2–3 小时招聘人员时间，并把数天的日历时间压缩到当天。以每月 80 次招聘计，约合 160–240 小时——大约相当于释放一名全职招聘人员去成交。而一次被阻止的错误招聘（往往是 3–6 个月薪资）就足以数倍地覆盖整个构建成本。
为估算；实际时间取决于证书与推荐人数量，以及推荐人回复的快慢。
阶段 1 · 界定
业务问题
马来西亚的雇主或招聘机构将每位候选人作为一整套材料审查：一份简历、扫描的 SPM/文凭/学位证书、几位推荐人联系方式，以及所述的工作经历。招聘人员一天的大部分时间花在机械且大量等待的环节上——阅读每份证书、通过电话和邮件追推荐人、用肉眼核对所述日期与职位是否真的与简历对得上——而不是判断人岗匹配。这个过程缓慢且会停滞：推荐核实无人回复地拖上数天，好候选人却接受了别处的录用。而由于是人工，尽职程度悄悄地因人而异——赶时间的职位得到的核查比清闲那周更轻，被篡改的证书或注水的任职时长就此漏过。
阶段 2 · 梳理
当前的人工流程
- 01打开候选人材料——简历、证书扫描件、推荐人名单
- 02用肉眼阅读每份证书，记下院校、学历与日期
- 03给每位推荐人发邮件、打电话，然后等上数天回复
- 04把所述职位、日期与薪资与简历及推荐核实交叉核对
- 05追查缺口——缺失的证书、重叠的任职、联系不上的推荐人
- 06之后才形成看法并推进到录用
问题所在: 瓶颈在于核实——阅读文件和等待推荐核实——是串行完成的，一次一项。这个缓慢重复的环节会停滞数天，且在招聘人员之间悄悄地在细致程度上参差不齐。
阶段 3 · 设计
智能体化流程
我们将审查重新设计为 parallelization（并行/分段）工作流：智能体不再一次核查一项，而是把候选人材料拆分成互不依赖的核查——证书、推荐核实与所述经历——让它们同时进行，再把结果汇总成一份有证据支撑的摘要。独立核查并行进行，正是把数天压缩为数分钟的关键。
证书、推荐核实与经历核查并行进行，而非一个接一个——即 parallelization（并行/分段）模式。
看一个案件在智能体中逐步流转——它负责读取与比对；最终决定仍由人来做。
实际效果
在候选人材料中
智能体标记出什么
- 学位证书已读取并验证——院校、学历与年份齐全
- 推荐人回复已收到，并与所述雇主匹配
- 所述职位“高级分析师”与推荐人的“分析师”交叉核对
- 所述日期与推荐人确认的日期交叉核对
每个标记都引用确切的文件或推荐人回复 · 由你的招聘人员做录用决定 · 每位候选人约 RM 0.50–1.00。
逐步流程
- 1
把材料拆分成独立核查
智能体拿到候选人材料——简历、证书扫描件、推荐人联系方式、所述经历——将其拆分成互不依赖的核实轨道，因此它们可以同时进行，而不是排在队列里。
- 2
核实证书
它读取每份证书——包括手机照片和扫描件——用视觉能力提取院校、学历与日期，检查其内部一致性以及与简历所称内容的一致性，并标记任何看起来被改动或对不上的地方。
- 3
发送并读取推荐人回复
它向每位推荐人发送结构化的推荐核实请求，并在回复到达时读取，提取确认的职位、日期以及（若提供）离职原因——这样招聘人员无需人工追问并誊写电话内容。
- 4
核对所述经历
它根据简历构建一条时间线，检查其中的缺口、重叠任职，以及与证书或推荐核实回复相矛盾的日期——这正是仓促的人工审查会漏掉的注水任职与不明缺口核查。
- 5
汇总成一份摘要
它把并行结果汇总成一页式摘要：哪些核查通过，以及需要关注的两三项——每一项都附带其来源的证书、推荐人回复或简历行。
- 6
交给人处理
招聘经理审阅被标记的项目并做出录用决定。没有任何内容会被自动拒绝——智能体呈现证据，由人来决定。
阶段 4 · 构建
我们如何用 Claude 构建
它通过连接的工具直接接入你的 ATS 或招聘收件箱，因此证书扫描件与推荐人回复无需手动导出即可流入。因为核查并行进行、每一项边做边写下其证据，你的招聘人员所读到的摘要都有完整来源——每个标记都能追溯到其来源的确切证书、推荐人回复或简历行——而智能体绝不会自行拒绝候选人。
集成对接
- 你的 ATS / 招聘系统
- 招聘收件箱或文档库（证书扫描件）
- 面向推荐人的邮件 / 推荐核实请求渠道
- 可选：教育或资历核验查询
底层实现
- 模式：基于 Claude Agent SDK 的 parallelization（并行/分段）工作流——证书、推荐核实与经历核查作为并发子任务分派并汇总回来，每个工具通过进程内 MCP 服务器提供。
- 上下文：每个并行分支只拿到它所需的切片（证书分支只看到证书 + 它所验证的那条简历声明，而非整份材料）——这一上下文工程选择让每项核查更聚焦、更省成本、也与注入相互隔离。
- 工具：读写分离——一侧是只读的证书/OCR 提取器、简历/经历解析器与时间线核对器；另一侧是单一的、带门控且幂等的推荐核实请求发送器（重试不会给推荐人重复发邮件）。
- 防护机制与最小权限：严格的 JSON 模式输出、对 ATS/HR 记录系统无写入权限、它绝不自动拒绝候选人，低置信度的证书或未匹配的推荐核实会转入招聘人员队列。
- 不可信输入与 PDPA：证书文本与推荐人回复被视为不可信（可抵御提示注入——被篡改的 PDF 或恶意的推荐邮件无法左右结果）；身份证号、薪资与候选人 PII 均按 PDPA 处理，数据驻留在考量范围内。
- 恢复与上报：不回复的推荐人、无法识别的扫描件或相互冲突的结果会先重试再上报给人——每个分支都终结于某个人，绝不静默放行或静默拒绝。
- 可观测性与审计：每项并行核查、工具调用与汇总结果都会留痕且可追溯，因此任何核实摘要——以及招聘人员据此做出的最终判断——在被拒候选人提出质疑时都能被还原。
- 评估框架：一组历史候选人材料的黄金集——含已知的被篡改证书、注水任职与不明缺口——配合确定性检查，并对模糊判断采用 LLM 作为评审，每次改动在接触实时候选人前都经过回归测试。
阶段 5 · 架构
单一模型还是多智能体？
这些核查彼此独立，但每一项都是界限清晰、共享同一候选人上下文的有界任务，因此一个完善配置的单一模型运行并行分支是正确选择——可靠、更省成本、也易审计——而非一套完整的多智能体设计。
拆分成并行分支并不等同于约 15 倍 token 的多智能体系统；我们把那留给真正开放、广度优先的研究，而非一组固定的核实检查。
哪个模型做什么
读取并核实证书（含扫描件与照片）
对真实世界的证书扫描件与手机照片具备可靠的视觉与结构化提取能力。
核对经历并跨核查进行推理
主力模型——强推理能力，用以对齐日期、职位与推荐核实并抓出细微的不一致。
分类并提取推荐人回复
从直接的推荐人邮件中提取确认的职位/日期，最便宜、最快。
裁决临界 / 有争议的案例
仅在某项核查确实含糊时调用——占候选人的一小部分。
成本估算
AI 用量——每位候选人
证书读取 + 推荐核实解析 + 核对 + 摘要，按 Claude Sonnet/Haiku 的 token 费率
约 RM 0.50–1.00
AI 用量——每月 100 位候选人
使用 Batch API 处理非紧急的夜间核实任务约可减半
约 RM 50–100 / 月
构建（一次性）
聚焦单一管道的智能体约需数周工程；简短的需求梳理后我们给出固定报价
按集成范围报价
持续运营
相比其释放的招聘人员时间与阻止的一次错误招聘，成本很小
监控 + 支持
仅为估算，按约 1 美元兑 4.70 令吉以令吉显示；每 token 费率以 Anthropic 公布的定价为准（请核对最新数字）。实际 AI 用量取决于证书与推荐人数量以及案件复杂度。
阶段 6 · 评估
我们如何衡量成效
- 先做确定性检查——证书字段齐全、日期对得上、推荐人已回复
- 自我验证——智能体在呈现前将每个标记与其来源再次核对
- 业务 KPI——每位候选人的招聘人员时间、放行耗时、一致性，以及拦截到的篡改/注水案例
我们采用 Agent GPA 框架——Goal、Plan、Action，当前衡量智能体可靠性的标准——并结合人工基线来评估。 (reference)
设定基线
我们先在样本上测量当前的人工审查——每位候选人的招聘人员耗时、完整核实端到端所需时间、两名招聘人员得出相同结论的一致程度、以及有多少问题漏掉。这个人工基线是衡量每个智能体指标的基准，因此提升是可证明的，而非假设。
我们测试什么——Goal · Plan · Action
与资深招聘人员的一致度
在留出的候选人材料上，其摘要、标记与建议核查是否与专家一致
必需核查全部执行
每一项规定核查——每份证书、每位推荐人、完整时间线——都执行，不遗漏
有效的并行
独立核查确实并发进行、压缩日历时间，且不遗漏任何一项
证书字段提取准确率
是否正确读取每份证书——院校、学历、日期？
差异召回率（拦截率）
黄金集中真实的不一致——被篡改证书、注水任职、缺口——有多少被标记出来
误报率
多久会标记出并非真正问题的内容
无凭空捏造的发现
摘要中的每个标记都能追溯到某份证书、推荐人回复或简历行
上线关卡
在智能体于历史材料黄金集（含已知的被篡改证书与注水经历）上超过人工基线并达到这些 GPA 目标之前，它不会接触任何实时候选人。每次改动在上线前都要针对同一数据集做回归测试。
阶段 7 · 交付
我们如何交付
我们先在你真实的历史候选人材料上做概念验证——包括你已经抓到的那些带篡改证书和注水任职的案例——在接触实时候选人前先证明可靠性。聚焦单一管道的落地只需数周。
相关应用场景
常见问题
- 智能体会拒绝候选人吗？
- 不会。它负责读取、核实和标记；由人类招聘经理做出录用或不录用的决定。人在环路中至关重要——智能体呈现证据，它绝不自动拒绝候选人。
- 候选人数据如何符合 PDPA 要求？
- 通过完整的审计轨迹让任何核实都可被还原，并围绕 PDPA 对候选人数据——身份证号、证书、薪资——处理、存储与访问位置的要求来构建。请将此视为你合规团队的起点，而非法律意见。
- 它真的能抓出被篡改的证书吗？
- 它能抓出内部不一致以及与简历和推荐核实之间的矛盾，并标记看起来被改动的证书。若需权威确认，我们可以接入教育或资历核验查询——但最终判断始终由你的招聘人员做出。
- 部署需要多长时间？
- 针对单一聚焦招聘管道的概念验证通常只需数周；全面落地需要更长时间，主要是因为集成和让招聘人员适应，而不是 AI 本身。
案例基于真实的匿名合作，细节已作概括处理。Anchor Sprint 是 Anthropic Claude 合作伙伴网络成员——部署与落地伙伴，而非分销商。以上为一般信息，非法律或合规意见。