上周帮一个做招聘的朋友处理简历筛选他在招聘平台挂了职位三天收了80多份简历各种格式混在一起看完他差点崩溃。他花了一个下午硬读最后只面了3个人其中一个还不匹配。我当时就跟他讲这种纯体力的初筛工作就不该占用人的时间。我打开 WorkBuddy花半小时搭了一套简历筛选工作流把50份简历丢进去30分钟不到全部筛完还自动生成了每个人一份评估报告按他要求的格式排好版。今天就把这套流程、指令模板、还有我踩过的坑完整记录下来。这篇文章适合谁看一类是HR、招聘负责人手头简历量大、标准重复另一类是技术负责人或者创业团队需要快速过一遍候选人技术底子还有一类是刚接触 WorkBuddy、想知道这东西除了写代码还能干嘛的人。我会从环境搭建、核心概念、指令编写、实操记录到问题排查一条龙讲清楚让没摸过 WorkBuddy 的人也能照着重现。1. 为什么是 WorkBuddy简历筛选痛点的解药1.1 批量筛选简历的三大痛点先聊一下痛点。但凡经历过批量简历初筛的人应该都懂这三件事有多折磨人。第一是结构化信息抽取难。每份简历格式都不一样有的用 Word有的是 PDF有的直接是 JPG 截图。你希望快速看到“学校、工作年限、技能栈、项目经历”但实际看到的是一堆五颜六色的排版、各种花哨图标、模板自带的装饰性内容。人眼能快速定位关键信息但看50份之后眼睛就花了容易漏掉真正重要的细节。第二是筛选标准不统一。同一个 HR 上午看简历和下午看简历心情不一样手松手紧也不一样。遇到一份中间水平的简历今天觉得“可以约”明天可能就觉得“算了再看看”。这种主观判断导致候选人在不同时间点被评估的结果不同面试官收到推荐名单时也很难理解这个候选人到底强在哪。第三是汇总报告费时间。就算你把50份简历全部看完你还得把每个候选人的亮点、风险点、推荐意见整理成一份汇总文档。这个整理动作本身可能又要花两个小时。以前我朋友的做法是先把信息抄到 Excel 里再手动标星最后开会时逐个念——低效但没有人觉得有什么不对。有了这三个痛点自动化筛选的需求就很明确了。我需要的不是“帮我写个脚本”的工具而是一个能理解简历语义、能按我定义的规则批量执行、还能输出结构化结果的 AI 工作台。这就是我用 WorkBuddy 的原因。1.2 WorkBuddy 的核心能力拆解WorkBuddy 是一款 AI 工作台类工具核心思路是把大模型能力和办公自动化场景结合到一起。它和我之前用过的 Claude Code、CodeBuddy 这类偏代码生成工具定位不太一样更偏“日常工事自动化”。它比较关键的能力有几个Skill 技能包机制。你可以把一套完整的工作流封装成一个 Skill下次直接调用。比如我做的“简历筛选助手”就是一个 Skill里面包含了筛选规则、评分权重、输出格式。以后再有简历进来一键就能跑不用重新写规则。自定义指令Instructions。相当于全局规则设置一次后面所有任务都会遵守。比如我设置了一条“所有输出使用简体中文不要我的称呼不要客套话直接给结果”。这个功能非常实用等于把个人工作习惯固定下来不用每条指令都重复说明。可接入不同模型 API。WorkBuddy 默认有内置模型但你也配置自己的 API Key比如接入 DeepSeek 的 API。我自己测试下来用 DeepSeek 做中文简历信息抽取速度和准确率都不错成本也比默认模型低不少。批量文件处理能力。这是筛选简历最重要的一环。你给它一个文件夹路径它能自动遍历文件夹下的所有简历文件逐个读取、处理、输出最后汇总成一份总报告。相当于一个小型批处理引擎。这些能力组合在一起简历筛选这类“重复阅读固定规则结构化输出”的任务正好是它的强项。1.3 它和同类工具的区别有人可能会问这类工具是不是和 Claude Code 差不多我实际用下来区别还挺明显。Claude Code 更注重代码仓库内的开发任务比如读代码、改 bug、写测试。CodeBuddy 也偏开发场景。WorkBuddy 的重点在“办公室工作”而不是“编程工作”它在处理文件、整理表格、汇总报告这些场景上更顺手。我画一个简单对比参考维度WorkBuddyClaude CodeCodeBuddy侧重点办公自动化、批处理任务代码开发代码开发批量文件处理强一般一般自定义 Skill 工作流支持有限有限自定义指令全局生效支持支持但偏系统角色支持适合场景简历筛选、报表汇总、文本抽取代码库维护、重构代码生成、调试当时我选择 WorkBuddy 就是看中它可以脱离代码仓库运行直接操作普通文件夹里的文件。简历筛选这种任务跟 Git 仓库一点关系都没有用代码工具反而是杀鸡用牛刀。2. 搭建 WorkBuddy 简历筛选工作流的前置准备2.1 安装与初始配置WorkBuddy 的安装不算复杂。官方提供了 Windows、macOS、Linux 的安装包。我自己主力机是 Windows后面为了方便测试又在一台 Linux 服务器上也装了两边跑同一套工作流没问题。Windows 安装就是下载安装包一路下一步装完打开客户端用账号登录。Linux 版稍微特殊一点官方提供的是压缩包解压后直接运行里面的二进制文件就行。如果你在 Linux 上遇到权限相关的报错多半是二进制文件没有执行权限命令行加一下chmod x workbuddy就能解决。装完之后第一件事是检查版本第二件事是登录账号。WorkBuddy 是按账号走的登录后才能同步 Skill 和自定义指令。这里提醒一句如果公司的网络环境比较特殊登录可能会失败这时候检查一下系统时间和代理设置。然后就是模型配置。WorkBuddy 默认模型用着还行但如果你要处理大量中文文本建议配置 DeepSeek 的 API。操作路径是设置 → 模型配置 → 自定义 API填入你的 API Key 和模型名称。DeepSeek 的接口兼容多数场景我用的模型在中文语义理解上表现很稳定长文本处理也扛得住关键是价格便宜跑50份简历成本可以忽略不计。配置完成后建议先用一句话测试“请回答模型接入成功了吗”如果正常回复说明环境没问题。2.2 核心概念Skill 与自定义指令怎么用刚开始用 WorkBuddy最容易混淆的是两个概念Skill 和自定义指令。我一开始也绕了一圈这里直接讲清楚。Skill是“打包好的工作流”。你可以理解为一份菜谱菜谱里有原料清单输入文件、烹饪步骤处理流程、装盘方式输出格式。做一次简历筛选如果你把所有规则、步骤、格式要求都写在一次对话里那下次你还得重新写一遍。但是把它封装成 Skill 后下次只要说一句“跑简历筛选 Skill”设置好的整套流程会自动执行不用重复输入。WorkBuddy 有一个 SkillHub 市场可以直接安装别人做好的 Skill。比如热词里提到的superpowers就是一套增强型技能集合装上之后会多出很多高级功能。第一次用的时候我装了 superpowers里面自带了一些文本处理、批量归纳的技能可以用作参考后面我自己写专用 Skill 时也参考了它的写法。自定义指令是“全局规则”。它不绑定某一个任务而是对你所有的对话、所有的任务都生效。我在 WorkBuddy 里设置了几条规则始终使用简体中文回答。 不要输出安慰性或客套性的内容直接给结论。 涉及列表输出的内容用 Markdown 表格呈现。 遇到信息缺失标注“待补充”不要猜测填写。这几条规则写在自定义指令里之后无论跑什么任务它都会遵守。把个人偏好沉淀成指令省掉了每次重复交代的麻烦。Skill 和自定义指令的关系可以这样理解自定义指令是“宪法”Skill 是“专项法律”。宪法管全局专项法律管特定场景。2.3 初装最容易踩的权限与路径问题我第一次运行简历筛选任务的时候直接就报了个权限错误报错信息类似502 write EACCES。当时愣了一下后来排查发现是工作目录权限不够。WorkBuddy 在处理文件的时候需要在工作目录下创建临时文件和输出文件。如果你把工作目录放在系统保护目录比如 Windows 的C:\Program Files或者 Linux 的/root下某个受限目录程序没有写权限就会报这个错。解决办法很简单第一新建一个专门的工作目录比如D:\WorkBuddy\ResumeFilter权限全开第二在 WorkBuddy 的设置里把默认工作目录改到这个文件夹。Linux 环境下再用chmod给目录加写权限问题就解决了。还有一个路径问题容易被忽视。简历文件名一定不要带奇怪的字符像括号、井号、百分号都有可能让文件读取失败。我把所有简历统一命名为“姓名-职位.pdf”这种格式跑了30份没有一份失败。3. 50 份简历 30 分钟筛完从需求拆解到指令编写3.1 先把筛选标准写成“给 AI 看的规则”很多人用 AI 工具跑简历筛选上来就说“帮我看看这些简历哪些合适”效果往往不好。原因是筛选标准没有量化AI 只能给一个模糊判断。想让 AI 输出可用的结果你得先把筛选标准结构化成规则。我在写规则之前先问了自己三个问题硬性门槛是什么加分项是什么一票否决项是什么以招聘一个“高级前端开发”为例我当时的规则是这样的硬性门槛只要不满足就直接不通过本科及以上学历有 3 年以上前端开发经验简历中没有明显造假迹象加分项满足越多候选人的评分越高React 或 Vue 实际项目经验有性能优化实践案例GitHub 有高质量开源项目有过带团队或者指导新人的经验技术博客或者公开分享记录一票否决项简历中出现主要技能与职位方向完全不符工作经历有明显且无法解释的空档学历信息与岗位硬性要求严重不匹配把这些规则写成文字放到 Skill 里AI 就能按照统一标准去评估每一份简历。这也是自动化的核心意义标准定了结果才不会因人而异。3.2 批量处理逻辑设计规则写清楚之后还要考虑 WorkBuddy 怎么批量处理文件。一开始我以为它可以自动扫描任意目录后来发现它需要你先把目录结构规划好数据越规整处理越顺利。我推荐这样组织目录D:\WorkBuddy\ResumeFilter\ ├── input\ # 存放待筛选简历50份放这里 ├── output\ # 输出报告 │ ├── individual\ # 每个候选人单独一份评估报告 │ └── summary\ # 汇总报告 └── rules\ # 存放筛选标准配置简历都放进input文件夹后在 WorkBuddy 对话里输入类似“读取 D:\WorkBuddy\ResumeFilter\input 目录下的所有简历文件按筛选规则逐份评估”的指令它就会自动遍历。遍历过程中遇到无法识别的文件比如纯图片或者扫锚件会单独标记不至于因此中断整个流程。这里有一个小技巧尽量把 PDF 转成纯文本格式再放入 input 文件夹。WorkBuddy 虽然能直接读 PDF但对排版复杂的 PDF 识别率会下降。我当时写了一个 Python 小批量脚本把 PDF 转成 txt再丢给 WorkBuddy识别准确率立刻上来了。3.3 自定义 Skill 的完整示例下面给出我实际用的 Skill 配置。不需要完全照抄重要的是理解结构Skill 输入声明 处理规则 输出格式。Skill 的配置结构大概是这样的name: resume-filter description: 批量筛选简历并生成结构化评估报告 trigger: 跑简历筛选 input: resume_dir: D:\WorkBuddy\ResumeFilter\input rules: rules\filter_rules.md output_dir: D:\WorkBuddy\ResumeFilter\output processing: - read all files from resume_dir - for each file: - extract candidate info - screen by hard requirements - score by bonus items - check veto items - generate individual report - generate summary report rules: hard_requirements: - 学历: 本科及以上 - 经验: 3年以上前端 bonus_items: - React/Vue 经验 - 性能优化案例 - 开源项目 - 带团队经验 veto_items: - 技能方向与岗位完全不符 - 工作经历空白无法解释 output_format: individual_report: - 基本信息 - 评分明细 - 硬性门槛结果 - 加分项命中情况 - 一票否决项 - 推荐意见 summary_report: - 总人数 - 推荐面试人数 - 待定人数 - 不通过人数及原因统计实际配置里我会把这些规则写得更详细比如学历要从哪个字段提取、工作年限怎么计算、加分项怎么判断命中不命中。WorkBuddy 支持自然语言描述规则所以不需要写复杂的正则表达式你说清楚“什么是什么”就行。3.4 自动出评估报告的格式设计WorkBuddy 跑完后自动生成的评估报告我建议格式要固定下来。格式固定有好处一是方便后续快速浏览二是可以方便地导入 Excel 做二次分析。我设计的个人评估报告长这样Markdown 格式# 候选人张三 ## 基本信息 - 学历本科软件工程 - 目标岗位前端工程师 - 目前薪资未填写 ## 硬性门槛 - 学历要求通过 - 经验要求通过4年 ## 加分项命中 - React 实际项目经验命中3个项目 - 性能优化案例命中首屏时间从 3s 优化到 1.2s - GitHub 开源项目未命中 - 带团队经验命中2人小团队 ## 一票否决项 - 无方向匹配经历连贯 ## 评分 - 综合得分82 / 100 - 推荐级别推荐面试这种报告最大的价值是“可解释”。你不用重新翻简历就知道这个候选人为什么推荐、为什么淘汰。HR 拿着这种报告开会时不用再口头解释半天直接看报告就懂。汇总报告我用表格输出效果更直观候选人学历经验硬性门槛加分项否决项综合得分推荐级别张三本科4年通过3/5无82推荐面试李四硕士2年不通过1/5无55不通过王五本科5年通过2/5有45不通过整个筛选过程就像一个标准化的漏斗从50个人里快速捞出来最有希望的几个。4. 实操记录30 分钟真实跑完 50 份简历4.1 第一次跑问题堆成山理想很丰满现实很骨感。第一次把50份简历丢进 WorkBuddy 跑情况并不顺利甚至有点狼狈。我总结了几类问题。第一类是简历文件格式不统一。有的 PDF 是扫描件WorkBuddy 无法直接提取文本有的 Word 文档上有水印和页眉页脚干扰了信息定位。结果就是一部分简历的信息抽取结果不完整学历字段空着工作年限没算出来。第二类是输出内容不稳定。第一次跑出来的50份个人报告里有十几份的评分规则尺度跟其他报告不一致。比如同样的“有 React 经验”有的报告加了5分有的只加了3分。原因是 Skill 里的加分项描述不够具体WorkBuddy 在执行时有了“自由发挥”的空间。第三类是报告格式乱。有的报告输出的是表格有的是列表有的直接在段落里混着写。放在一起看风格很不统一。这些问题说明一个道理AI 自动化不是写一次规则就一劳永逸需要根据真实输出不断迭代规则。4.2 调优后的完整跑批流程我花了小半天调整 Skill 规则把每个加分项的“命中标准”写得更加具体。比如“React 实际项目经验”改成“在项目经历或技能标签中出现 React且至少有一个项目以 React 为主技术栈”。把标准细化后AI 对每份简历的判断口径就一致了。调优之后再跑整个流程顺利多了。下面是当时的实操记录把50份简历放进D:\WorkBuddy\ResumeFilter\input文件夹文件全改名为“姓名-职位.pdf”。用脚本把 PDF 批量转成 txt 文本存入input_text目录。在 WorkBuddy 对话中输入指令“使用 resume-filter Skill处理 input_text 目录下的所有文件按规则逐份评估输出到 output 目录。”等待执行。50份简历逐份处理耗时大约 25 分钟。检查output\individual目录生成50份个人评估报告检查output\summary生成1份汇总表。整个跑批过程中我不需要盯着看每处理完几份它会自动向输出目录写入报告。25分钟跑完我趁这个时间开了一个会回来直接看结果。最终从50人里筛选出7份推荐面试、9份待定、34份不通过。推荐面试的7人里和朋友手动筛出来的结果对比重合了6人另外1人是他之前觉得一般、但系统认为值得聊一聊的。后来他抱着试一试的心态约了这个人面试三面之后还真发了 offer。这也是一个意外收获AI 筛选能帮你发现那些“第一眼不惊艳、但实际很扎实”的候选人。4.3 手动筛选和 WorkBuddy 的效果对比我把这个对比整理成一张表方便大家直观感受差距维度纯手动筛选WorkBuddy 自动筛选耗时3 到 4 小时25 分钟标准一致性随状态波动稳定统一报告产出无靠记忆和笔记每人一份完整报告遗漏风险高易漏掉细节低规则覆盖所有维度扩展复用地每次重来Skill 一键复用这个对比不是想说 AI 完全替代人而是把人的精力从“阅读和体力活”里释放出来让你只花精力在真正重要的环节比如面试、沟通、判断软素质。5. 常见问题与排查技巧实录5.1 权限报错502 write EACCES这是我在 Windows 环境第一次跑 WorkBuddy 遇到的报错热词里也有人问解释一下。502 write EACCES本质上是一个写权限错误。WorkBuddy 在向某个文件夹写入临时文件或输出文件时没有权限。原因一般是工作目录设置在系统保护目录或者目录被其他进程锁定。排查步骤很清晰检查 WorkBuddy 的设置确认当前工作目录是什么。看工作目录是否在系统保护路径下如果是换到用户目录或数据盘。确认目录没有被 OneDrive、坚果云之类的同步盘锁定同步盘有时候会故意锁文件导致写入失败。重启 WorkBuddy重新设置工作目录。Linux 环境则先检查目录权限ls -la看一下再用chmod -R uw 目录授权基本能解决。5.2 API 接入与模型选择问题配置 DeepSeek API 时常见问题是连接失败或者授权失败。第一步确认 API Key 有没有复制完整第二步确认模型名称是否和官方文档一致第三步确认网络环境能不能正常访问 API 服务第四步看是否超出请求频率限制。我自己跑50份简历时默认模型处理到第20份左右偶发超时切换成 DeepSeek 的 API 后稳定了很多。同类模型相比之下DeepSeek 在中文长文本抽取上准确率不低而且积分的消耗速度明显慢不少。WorkBuddy 界面上能看到每次任务的积分消耗明细方便控制成本。5.3 内容输出慢的优化手段热词里有人问“workbuddy内容输出慢”这个我遇到过。同一个任务有时候出结果很快有时候等了半天没动静。排查下来有三类原因第一单次输入的文本量太大。把50份简历塞进同一个任务每份简历平均 2000 字总量 10 万字模型处理起来自然慢。解决办法是分批处理比如每次处理 10 份分5批执行。第二模型上下文长度不够导致频繁截断重试。这种时候要换一个上下文窗口更大的模型或者在规则里强制要求“不要阅读与筛选无关的内容”减少上下文占用。第三Skill 里的步骤太多每步都在等待模型响应。我做过对比测试把所有处理逻辑合并成“分三步完成”比“分十步完成”要快得多。能让 AI 一次性做的事不要拆成多轮对话。我最终的方案是10 份一批每批一个指令批次之间间隔 1 分钟。事实证明这样跑完50份比一次性全量跑反而更快最终稳定在 25 分钟左右。5.4 输出质量不稳定的避坑经验第一次跑批时输出格式混乱的问题我也摸索出了一套避坑方法。关键是在 Skill 里明确输出模板而不是简单说“输出一份报告”。让 AI 按模板填充信息基本上每次格式都一致。具体做法是把输出模板直接写进 Skill 的规则里连 Markdown 语法都给它。我还在规则里强调“不要修改模板结构只填充对应字段”这样即使处理的是完全不同的简历报告结构也完全一致。如果你需要批量数据做二次分析还可以要求同时输出一份 CSV 或 JSON 格式的数据文件。我自己就导出了一份全量 JSON然后写了一段小脚本生成 Excel 版本非常方便。另外一个细节如果发现某份简历的某个字段始终抽不出来不要反复重试直接在报告里标记“待补充”然后继续。因为有些简历就是没写毕业院校或没写工作时间线AI 怎么猜都没用。6. 这套流程还能延伸到哪里简历筛选只是 WorkBuddy 的一个场景。我在实际使用中发现凡是“阅读大量文件 按固定规则提取 结构化解出结果”的任务它都能处理得很好。分享一下我已经跑过的几个延伸场景给你一些参考。一是标书初筛。朋友在建筑行业每次投标收到一堆标书厚厚一本几百页人力从头看太费时间。我帮他设定了一个 Skill规则是提取营业执照有效期、资质证书编号、项目业绩数量、废标风险点半小时能过完几本标准文件把明显不合适的标书提前拦下来。二是合同关键条款提取。把合同丢进去自动提取付款条款、违约金比例、知识产权归属、保密协议期限等关键信息。以前法务要逐字审一遍才能回复现在先让 WorkBuddy 抽一遍法务直接看抽查结果效率高不少。三是客户信息清洗。销售团队从各个渠道收集的客户名片和联系人信息格式五花八门WorkBuddy 可以自动统一为固定结构剔除重复项再按区域或行业分组。这个也是直接用现成的能力就能跑。所以我现在的习惯是遇到重复性强的工作第一反应不再是“忍一忍就干完了”而是问自己一句“这个任务能不能封装成 Skill”。能的话就花一点时间配置后面就能持续复用。最后分享一个小技巧。WorkBuddy 的自定义指令里有一个很管用的设置让它在生成结果时把每一步的处理依据写出来。比如筛选简历时要求它不仅输出“推荐面试”这个结论还要输出“为什么推荐”的理由。这样后面即使候选人有争议你也可以倒回去看它的判断逻辑进行调整和复盘。这套流程用了两三个月我最大的感受是AI 筛选简历的价值不是代替人做判断而是让人把有限的注意力放在更值得投入的地方。