作者 Renee Pang · 深科技猎头
我不是工程师，但我每天都在和「信息整理」搏斗。一个深科技岗位开出来，邮箱里、微信里、LinkedIn 私信里会进来几十上百份简历，格式五花八门：有人发 PDF，有人发 Word，有人直接把履历贴在邮件正文里。过去我靠的是文件夹 + Excel + 脑子，找人靠「我记得有个做 LLM 推理的……」——这套方法在简历几百份时还撑得住，到几千份就彻底失灵了。
这一年我改用 Claude Code（Anthropic 官方的命令行 AI 助手，能读写本地文件、跑命令、调用 skills 处理 Excel/Word/PDF、还能开多个 subagent 并行干活）把这件事系统化。结果不是「全自动招聘」——它做不到，我也不信那种话——而是把我从机械的复制粘贴里解放出来，让我把时间花在真正需要判断力的环节：读人、对岗、谈人。下面是我实际在用的六步流程。
第一步：把散落的简历归到一处
第一件事不是「让 AI 干活」，而是先把原料收齐。我会把所有渠道进来的简历——PDF、Word、邮件附件、甚至截图——统一放进一个本地文件夹，按「岗位 / 月份」分子目录。Claude Code 能直接读取这些文件，PDF 和 Word 都有对应的 skill 解析；扫描件这种图片型 PDF 还能走 OCR 把文字提出来。
这一步我有个硬规矩：所有处理都在本地完成，不把候选人简历整批传到任何在线表格或第三方平台。原料越集中，后面越好管，但也意味着这个文件夹本身就是敏感数据，得当成机密对待。
第二步：批量抽取结构化字段
这是省时间的核心。我会给 Claude Code 一份明确的「抽取清单」，让它逐份读简历、把我关心的信息填进固定字段里。关键不是让它自由发挥，而是我先定义好要哪些列、每列什么含义、拿不准就留空而不是猜——这点我后面会专门强调。
抽取时我会做一件外人可能想不到的事：用脱敏代号代替真名。在结构化阶段，姓名对检索其实没用，反而是最敏感的字段。所以我让每位候选人对应一个代号（如「候选人 A」），真实姓名与联系方式单独保存、严格隔离，只有进入实际推荐环节、且征得本人同意后才调出来。下面是我常用的字段表，示例一律用脱敏数据：
| 字段 | 说明 | 示例（脱敏） |
|---|---|---|
| 代号 | 替代真名的检索标识，真实信息隔离保存 | 候选人 A |
| 当前岗位 | 现职头衔，用于判断职级与方向 | 资深推理优化工程师 |
| 领域 | 三大主线之一：AI / 半导体 / 网络安全 | AI |
| 技能栈 | 核心技术关键词，便于精确匹配 | CUDA、TensorRT、LLM 推理优化 |
| 年限 | 相关工作年数 | 7 年 |
| 期望薪资 | 本人给出的区间，留空即未提供 | SGD 14–18k/月 |
| 准证状态 | 当前在新加坡的工作准证情况 | 持 EP，可转 |
| 地点 | 现居城市 / 是否愿来新加坡 | 新加坡 |
| 备注 | 需人工核对或追问的点 | 薪资为口头估算，待确认 |
候选人信息属于个人数据，受新加坡 PDPA 等规范约束。我的做法是：本地处理、PII 脱敏、不外传、用完即清。同样重要的是——AI 抽取的每一个关键字段我都会人工核对，尤其薪资、年限、准证这三类。模型会读错日期、会把「实习」算进年限、会把候选人没说的薪资「补全」出来。凡是模型推断而非简历明写的，我一律标注并回到原文确认，绝不让未经核实的数字进入推荐。
第三步：按领域与职级打标签分类
字段填好后，我让 Claude Code 在统一标准下给每位候选人打标签。领域固定收敛到我深耕的三条线——AI、半导体、网络安全；职级则按现职头衔粗分为初级 / 资深 / 专家 / 管理。打标签的价值在于「口径统一」：人工录入时，同一个意思我今天写「AI」明天写「机器学习」，搜索时就漏人；交给模型按既定枚举值归类，整库的标签才一致、才能可靠地筛。
遇到模型拿不准的（比如一个既做芯片设计又写驱动的人该归哪条线），它会标到「备注」里等我裁决，而不是自己拍板。分类是辅助，最终归类权在我手上。
第四步：汇总进电子表格 / 轻量数据库
抽取和打标完成，我让 Claude Code 把所有候选人写进一个电子表格——它能用 xlsx skill 直接生成 .xlsx，带表头、筛选、甚至按领域分页。对我这种非技术背景的人来说，一张能排序、能筛选、能随时手改的表格，就是一个「够用」的轻量 ATS（申请人追踪系统），不需要为此去买一套昂贵的招聘软件。
表格的好处是透明：每一格我都能看见、能改、能删。哪条信息存疑，我直接在「备注」列标红；哪位候选人要求删除资料，我当场删行。它始终是一份我完全掌控、且可随时导出备份的本地文件。
先拿 20–30 份简历跑「小批量试运行」，把字段表和标签枚举值调顺了，再放大到全库。一开始就定死列名和取值范围，比事后清洗整张表省太多事。另外保留一列「数据来源/日期」，方便日后追溯与去重。
第五步：用自然语言检索候选人
这是整套流程最爽的一步，也是它真正像 ATS 的地方。库建好后，我不用再写复杂筛选条件，直接用人话问，例如：
「找 5 年以上、做过 LLM 推理优化、现在人在新加坡的候选人。」
Claude Code 会读我的表格，按年限、技能栈、地点三个条件交叉筛出符合的代号列表，并附上命中理由。我也可以追问「这几位里谁明确写了期望薪资在 15k 以内」「把网络安全方向、持 EP 可转的列出来」。过去这种交叉查询要我在 Excel 里反复加筛选、来回对，现在一句话就能拿到候选短名单——再由我逐一打开原始简历核实、决定要不要联系。
检索结果是「初筛建议」，不是「最终结论」。模型能帮我快速缩小范围，但要不要推荐一个人，永远是我读完简历、聊过本人、对过岗位需求之后的人工判断。AI 负责把对的人捞到我面前，识人这件事仍然是我的工作。
第六步：定期更新与去重
人才库不是建一次就完事——它会过期。同一个人可能换了工作、涨了薪、换了准证；同一个人也可能从两个渠道投了两次，库里就有了重复行。我每隔一段时间会让 Claude Code 做两件事：一是去重，按代号 + 技能栈 + 现职比对，把疑似重复的行挑出来给我合并；二是标记过期，把超过一定时间未更新的条目标出来，提醒我回访确认近况。
同时这也是执行「数据最小化」的时机：对于明确表示不再求职、或要求删除资料的候选人，我会及时清理整行。库要保持「准、新、合规」，而不是一味地越堆越大。
常见问题 FAQ
这等于一套招聘软件 / ATS 吗？
它是一个「轻量替代」，不是商业 ATS 的完整替代品。它没有职位发布、面试排期、团队协作权限这些功能。但对个人猎头而言，「把简历结构化、能用自然语言检索」恰恰是 ATS 最核心、最值钱的那部分——这部分用 Claude Code 加一张电子表格就能实现。
AI 抽取会不会出错？
会，所以我从不跳过人工复核。模型擅长把格式各异的简历归一化，但对薪资、年限、准证这类关键数字仍会读错或「脑补」。我的原则是：模型抽取、人工定稿，存疑就回原文。
候选人的隐私怎么保障？
本地处理、不上传、PII 脱敏、用完即清。结构化阶段用代号代替真名，真实联系方式严格隔离；只有在征得本人同意进入实际推荐时，才会调出真实信息。收到删除请求即时清理。
本文为我个人在工作中使用 Claude Code 的经验分享，文中所有候选人字段均为脱敏示例，不涉及任何真实候选人、客户或公司。AI 工具的能力与效果因数据与场景而异，不保证可复现的结果。处理候选人个人数据请遵循新加坡 PDPA 等适用法规；如涉及敏感数据，请自行评估合规风险或咨询专业意见。Renee Pang 提供 AI、半导体与网络安全领域的人才搜寻与职业咨询。