作者 Renee Pang · 深科技猎头
先说清楚一件事：我用的 Claude Code 不是什么"猎头专用招聘软件"。它是 Anthropic 出的一个由 Claude 模型驱动的 AI 助手，最初是命令行（CLI）形态，现在也有桌面、网页和 IDE 版本。它能读写文件、运行命令、联网检索，还能调用各种"skills"——比如把内容整理成 Word、PDF、PPT，或者设计出一个能用的 HTML 页面，也能拆出多个"subagent"并行干活。换句话说，它是个通用工具，我只是把它接到了猎头的活儿上。
我做深科技猎头六年多，手上累计接触过 5000 多位候选人，方向集中在 AI、半导体和网络安全，主战场在新加坡。这行最磨人的不是判断力，而是判断之前那一大堆杂事：JD 写得云里雾里、简历格式五花八门、同一个岗位要同时盯十几个人。这些恰好是 AI 最擅长帮忙的地方。下面是我一天里真实会做的几件事。
早上：把一份乱糟糟的 JD 拆成岗位画像
客户发来的职位描述，常常是把内部邮件、招聘委员会的要求和某个技术负责人的吐槽揉在一起的一大段。我会先把它丢给 Claude Code，让它拆成结构化的岗位画像：硬性要求、加分项、汇报线、团队规模、技术栈、隐含的"其实最看重什么"。
它拆得快，但拆完我一定会逐条对一遍。深科技岗位里，很多关键词看着像、其实差很远——做推理加速的和做训练框架的都写"深度学习"；做芯片验证的和做物理设计的都挂"半导体"。这种区分，模型给的是初稿，真正的取舍是我来定。我会回头和客户确认那些它替我标出来的"模糊点"，这一步反而比以前更早暴露了需求里的坑。
让它先输出一版岗位画像，再追问一句"这个岗位最容易被忽略、但其实决定成败的隐性要求是什么？"——它给的清单往往是我回去找客户对齐的好引子，而不是直接拿去用的结论。
整理与比对简历：把杂乱格式拉齐
一个岗位的候选人简历，PDF、Word、LinkedIn 导出、甚至截图都有。我会让 Claude Code 把它们读进来，统一抽成同一套字段：当前职级、核心项目、技术栈、所在地、签证状态线索、可能的薪资区间。拉齐之后，做横向比对就轻松多了——谁更贴近岗位画像、谁的经历有断层需要面谈时问清楚，一眼能看出来。
这里有条铁律：处理任何简历前，敏感信息先脱敏。候选人的姓名、联系方式、现雇主这类身份信息，我会在喂给工具之前去掉或替换成代号，比对完再对回去。候选人隐私永远排在效率前面。
AI 抽取的字段会出错——它可能把"带过 5 人小组"读成"管理 50 人团队"，也可能把一个项目的时间线接错。所以抽出来的结构化信息是线索，不是事实；正式推荐前，关键经历我都会和候选人本人核对一遍。脱敏 + 核实，缺一不可。
起草初次沟通话术（再人工润色）
给一位资深芯片架构师发的第一条消息，和给一位安全研究员发的，语气和切入点完全不同。我会让 Claude Code 基于岗位画像和这个人的背景，先起草几版初次触达话术，给我不同的角度：有的强调技术挑战，有的强调团队和汇报线，有的直接点出新加坡这个市场对他意味着什么。
但我从不直接发模型写的稿。AI 起的草总有股"模板味"，而深科技圈子很小，对方一眼就能闻出来群发的味道。我会拿它的草稿做底，换成我自己的口吻，加进只有我知道的那点共同语境——某个会议、某位共同认识的人、某条他公开聊过的技术观点。初稿归 AI，温度归我。
把简历变成可检索的小型候选人库
这是我觉得最值的一块。零散简历抽成统一字段后，我会让 Claude Code 帮我归到几个大类里——AI、半导体、网络安全——再按子方向细分，攒成一个能检索的小型候选人库。下次有个岗位进来，我不用从头翻邮件，直接按"在新加坡、做过 RTL 验证、五年以上"这种条件捞，几秒钟就有候选名单的雏形。
当然，这个库里存什么、怎么存，是我严格控制的——脱敏后的结构化信息、我自己的访谈笔记和判断，而不是原始简历的堆放。它是我大脑的延伸，不是一个把人当数据倒卖的地方。怎么从一堆简历搭起这样一个库，我在 建一个属于自己的候选人库 里写得更细；至于怎么帮候选人把简历本身改到能打，可以看 简历改造 那篇。
| 环节 | AI 做什么 | 我做什么 |
|---|---|---|
| 拆 JD | 拆出结构化岗位画像、标出模糊点 | 定取舍、回客户对齐真实需求 |
| 整理简历 | 统一字段、横向比对（脱敏后） | 核实关键经历、判断匹配度 |
| 初次触达 | 给多版话术初稿和切入角度 | 换口吻、加共同语境、决定发不发 |
| 候选人库 | 分类、抽字段、按条件检索 | 决定存什么、写访谈判断 |
| 人才地图 / 周报 | 把分散信息汇成草稿 | 校验数据、给客户解读和建议 |
下午：人才地图与给客户的周报
客户常想看一张某个领域在新加坡的人才地图：哪些公司有相关团队、大致的人才密度、薪资区间的感觉。我会让 Claude Code 把我手上分散的信息和它检索到的公开资料汇成一版草稿，再生成给客户的周报——这周接触了多少人、在哪卡住、下一步打算。
这类对外文档我盯得最紧。人才地图里任何一个数字、任何一句"某公司在扩 AI 团队"，我都会自己再核一遍来源；说不准的，宁可标成"需进一步访谈核实"，也绝不让一个看着很漂亮、其实没根据的判断进到给客户的文件里。对客户而言，可信比好看重要得多。
AI 负责起草、整理、加速；最终的判断、候选人的推荐、对客户说的每一句话，由我把关。它让我把时间从杂活里省出来，花在真正需要人的地方——读懂一个人、判断一个匹配、谈成一次机会。这件事它替不了我，我也不想让它替。
常见问题 FAQ
用了 AI，是不是就"全自动招聘"了？
完全不是，我也不相信"全自动招聘"。Claude Code 帮我把重复、繁琐、格式化的部分加速了，但深科技招聘的核心——判断一个人是否真的适合、说服一位被动候选人、向客户解读市场——这些依然是人的活儿。工具让我有更多时间做这些，而不是替我做。
候选人隐私怎么保护？
隐私优先是我的硬规矩。任何资料进工具前先脱敏，身份信息用代号；候选人库里存的是脱敏后的结构化信息和我的判断，不是原始简历的堆放。AI 抽出来的字段一律当线索看待，关键经历正式推荐前都会和本人核对。
我是候选人，这对我意味着什么？
意味着你的简历会被更认真、更结构化地读一遍，而不是淹没在收件箱里；也意味着你收到的第一条消息，是有人真的看过你背景之后写的。如果你在新加坡找 AI、半导体或网络安全的机会，欢迎直接联系我。
本文为个人经验分享，记录我作为深科技猎头使用 Claude Code 的工作方式，不构成对该工具的官方说明或对招聘结果的承诺。AI 在我的流程中只负责起草、整理与加速，最终判断与候选人推荐由 Renee Pang 把关；候选人隐私优先，敏感信息脱敏后再处理。