JD-abgestimmte Bewertung mit Ehrlichkeitsgrenze

Wie wir den Bewertungs-Engine gebaut haben

Ich begann damit, einen klaren Vertrag zwischen der Stellenbeschreibung und dem Lebenslauf zu definieren. Der Engine liest plainen Text, extrahiert Klauseln und ordnet jede Klausel einer Fähigkeit oder Anforderungsphrase zu. Ich vermied jedes Modell, das versucht, versteckte Eigenschaften zu erraten; stattdessen zwang ich das System, den genauen Text anzuzeigen, den es für jeden Treffer verwendet.

Daten-Eingaben

Das Tool akzeptiert zwei Textblöcke: die Stellenbeschreibung und den Lebenslauf. Keine Dateiparsing, keine Metadaten-Extraktion, nur die rohen Zeichenfolgen, die Sie einfügen. Ich behalte das ursprüngliche Formatting innerhalb des Beweisblocks bei, damit Sie den genauen Satz sehen können, der einen Score ausgelöst hat.

Übereinstimmungslogik

Für jede Anforderungsklausel berechne ich einen Ähnlichkeitsscore unter Verwendung eines termfrequenz-inversen-dokumentfrequenz-Vektors. Wenn die Ähnlichkeit einen Schwellenwert überschreitet, markiere ich sie als Stärke; andernfalls wird sie zu einer Lücke. Der endgültige Fit-Score ist der gewichtete Durchschnitt aller Klausel-Scores, skaliert auf 1-10.

Beweis-Erfassung

Jede Stärke oder Lücke speichert den Quellsatz aus dem Lebenslauf und die Quellklausel aus der Stellenbeschreibung. Ich speichere sie als plain-Text-Snippets, nicht als Einbettungen, damit Sie die Entscheidung später überprüfen können. Dieser Beweisblock ist es, was den Score erklärbar macht.

Beispiel-Tabelle der Eingabefelder

Feld | Beschreibung | Beispiel Stellenbeschreibung | Freiform-Text der Rolle | "Erfahrung mit Python und REST-APIs" Lebenslauf | Freiform-Text des Kandidaten | "REST-APIs mit Python für zwei Jahre gebaut" Übereinstimmende Klausel | Stellenbeschreibungs-Klausel, die eine Ähnlichkeit über dem Schwellenwert gefunden hat | "Erfahrung mit Python und REST-APIs" Beweis-Snippet | Genauer Lebenslauf-Satz, der für den Treffer verwendet wurde | "REST-APIs mit Python für zwei Jahre gebaut"

Typischer Arbeitsablauf für einen Recruiter

Ich verwende das Tool jeden Morgen, wenn ich eine neue Stellenausschreibung öffne. Die Schritte sind kurz, wiederholbar und hinterlassen eine Dokumentation.

Schritt 1: JD einfügen

Ich kopiere die vollständige Stellenbeschreibung aus der E-Mail des Hiring Managers und füge sie in das linke Feld ein. Ich bearbeite oder zusammenfasse sie nicht, sondern behalte die ursprüngliche Formulierung bei.

Schritt 2: Lebenslauf hochladen

Ich füge den Lebenslauf-Text in das rechte Feld ein. Wenn ich ein PDF habe, konvertiere ich es zuerst mit einem kostenlosen Offline-Tool in plain Text und füge es dann ein.

Schritt 3: Bewertungsbogen überprüfen

Der Motor gibt eine Passwerte, eine Liste von Stärken, eine Liste von Lücken und die Beweise für jede zurück. Ich scrolle durch die Beweise, um zu überprüfen, ob die Übereinstimmung real ist und nicht ein Artefakt von Schlüsselwörtern ist., Schritt 4: Notizen hinzufügen

Ich füge eine kurze Notiz in meinem Bewerber-Verfolgungssystem hinzu, die auf die URL des Bewertungsbogens verlinkt. Diese Notiz dokumentiert das Datum, die Bewertung und eventuelle Folgefragen, die ich an den Bewerber habe.

Was die Scorecard enthält

Die Ausgabe ist absichtlich auf das beschränkt, was auf die Quelldokumente zurückverfolgt werden kann.

Passendes Bewertungssystem

Die Bewertung reicht von 1 (wenig Überschneidung) bis 10 (fast vollständige Überschneidung). Ich behandele Bewertungen unter 4 als klaren Missverständnis, Bewertungen von 5-7 als wertvolle Gesprächsthemen und Bewertungen von 8-10 als starke Kandidaten für ein Vorstellungsgespräch.

Stärken vs Stellenbeschreibung

Jede Stärke ist eine Klausel der Stellenbeschreibung, die das Lebenslauf erfüllt. Ich zeige den Klauseltext, den Ähnlichkeitsprozentsatz und den Beweissnippet aus dem Lebenslauf.

Lückenflags

Jede Lücke ist eine Klausel der Stellenbeschreibung, die den Schwellenwert nicht erreicht hat. Ich zeige den Klauseltext, die beste Ähnlichkeit, die gefunden wurde, und eine Notiz, dass keine Beweise den Cut-off erreicht haben.

Beweiszeilen

Für jede Stärke und Lücke liefere ich ein direktes Zitat aus dem Lebenslauf. Ich schlussfolgere nie eine Bedeutung, sondern zeige nur, was der Kandidat tatsächlich geschrieben hat.

Wie wir die Richtlinien der EEOC einhalten

Ich habe das System so entworfen, dass keine Rückschlüsse auf geschützte Eigenschaften gezogen werden. Die folgenden Abschnitte erläutern die konkreten Schritte, die ich unternommen habe.

Attribute, die wir ignorieren

Das Modell betrachtet niemals Namen, Adresse, Abschlussjahr oder andere Felder, die auf Alter, Geschlecht, Rasse, Behinderung oder Herkunftsland hinweisen könnten. Ich entferne diese Felder vor der Verarbeitung, wenn sie im Resume-Text erscheinen.

Wie wir Proxy-Signale vermeiden

Ich überprüfe auf indirekte Hinweise wie Schulnamen, die mit bestimmten Gruppen korrelieren, oder Formulierungen, die eine Zugehörigkeit offenbaren könnten. Wenn ein Begriff auf einer internen Beobachtungsliste erscheint, markiere ich ihn für eine manuelle Überprüfung und verwende ihn nicht in der Ähnlichkeitsberechnung.

Prüfungspfad

Jeder Durchlauf erstellt ein Log-Eintrag, das den Hash der Eingabetexte, die Version des Bewertungscode und den Zeitstempel enthält. Ich speichere diese Logs für sechs Monate, um nachweisen zu können, dass keine demografischen Daten für eine Entscheidung verwendet wurden.

Um mit den Risikomanagement-Praktiken auf dem aktuellen Stand zu bleiben, beziehe ich mich auf den NIST AI RMF, wenn ich die Logiken und die Beobachtungsliste überprüfe. Darüber hinaus berücksichtige ich die Kandidatenbewertung und die Ergebnisse von um sicherzustellen, dass die Ergebnisse fair und transparent sind.

Was dies nicht ist

Ich möchte klarstellen, was das Tool nicht kann, damit Sie es nicht mit etwas verwechseln, das es nicht ist.

Keine Garantie für eine Einstellung

Der Score spiegelt nur die Ähnlichkeit mit der geschriebenen Stellenbeschreibung wider. Er sagt nichts über die zukünftige Leistung, den kulturellen Fit oder die Teamdynamik aus. Ich präsentiere den Score niemals als Versprechen, dass der Kandidat erfolgreich sein wird.

Kein Ersatz für menschliches Urteilsvermögen

Der Recruiter oder Hiring-Manager muss die Beweise überprüfen, mit dem Kandidaten sprechen und die endgültige Entscheidung treffen. Das Tool liefert nur Konsistenz und Nachvollziehbarkeit.

Kein schwarzer Ranker

Im Gegensatz zu undurchsichtigen Modellen, die eine einzelne Zahl ohne Erklärung liefern, zeigt Candidate Score jede Stärke, jede Lücke und den genauen Text, der jedes Ergebnis produziert hat. Sie können sehen, warum ein Kandidat einen bestimmten Score erhalten hat.

Wie wir Randfälle handhaben

Eingaben aus der realen Welt sind chaotisch. Ich habe spezifische Schutzmechanismen für die Situationen entwickelt, die ich am häufigsten sehe.

Fehlende Abschnitte

Wenn ein Lebenslauf keinen Fähigkeitsabschnitt enthält, parse ich den gesamten Dokumenttext dennoch nach Schlüsselwortübereinstimmungen. Ich bestrafe einen Kandidaten nicht für ein nicht standardmäßiges Layout.

Sehr lange Dokumente

Ich kürze Eingaben auf 10 000 Zeichen vor der Ähnlichkeitsscore-Berechnung, um die Laufzeiten vorhersehbar zu halten. Ich speichere den vollständigen Text im Beweisblock, damit nichts für die Überprüfung verloren geht.

Mehrere Sprachen

Ich ermittele die Sprache jedes Blocks mit einem leichten Klassifizierer. Wenn der Lebenslauf und die Stellenausschreibung in verschiedenen Sprachen sind, gebe ich eine Warnung aus und berechne keinen Score.

Mehrdeutige Abkürzungen

Ich erweitere gängige Akronyme mit einem internen Wörterbuch, bevor ich die Ähnlichkeit berechne. Wenn ein Akronym nicht im Wörterbuch ist, behandle ich es als ein literales Token.

Wie wir das Modell aktualisieren

Verbesserungen kommen aus Nutzerfeedback und aus externen Richtlinien für den sicheren Einsatz von KI.

Feedback-Schleife

Jeden Monat exportiere ich anonymisierte Scorecards mit Notizen von Recruitern zu Falschpositiven und Falschnegativen. Ich überprüfe diese Notizen, um die Ähnlichkeitsschwelle anzupassen oder neue Stoppwörter hinzuzufügen.

Externe Standards

Ich folge den OWASP-Top-10-Richtlinien für LLM-Anwendungen, wenn ich das Risiko von Prompt-Injektionen bewerte, auch wenn das Tool keine Prompt-Schnittstelle für Endbenutzer bereitstellt.

Versionierung

Jede Veröffentlichung erhält ein semantisches Versionstag. Ich veröffentliche ein kurzes Changelog, das alle Änderungen an der Stoppwortliste, der Ähnlichkeitsschwelle oder der Beweisextraktionslogik auflistet.

Checkliste für Betreiber zur JD-übereinstimmenden Überprüfung mit einer Ehrlichkeitsgrenze

Ich halte eine schriftliche Checkliste neben jedem Release, der dieses Thema betrifft. Die Liste ist absichtlich langweilig: Nennen Sie den Besitzer, nennen Sie das Beweisartefakt und nennen Sie die Rückgängigstellung. Wenn ein Schritt keine Datei, kein Ticket oder keine Protokollzeile produzieren kann, ist es kein Schritt - es ist ein Wunsch.

Bevor Sie die Produktion ändern

- Freezen Sie den Branch oder die Konfigurationsrevision, gegen die Sie messen werden. - Zeichnen Sie den aktuellen Fehlermodus mit einer konkreten Eingabe und einer konkreten Ausgabe auf. - Bestätigen Sie, welche Identität der Job ausführt und ob diese Identität auf Daten zugreifen kann, die sie nicht sollte. - Öffnen Sie die primären Referenzen, die Sie zitieren werden: https://owasp.org/www-project-top-10-for-large-language-model-applications, https://www.nist.gov/itl/ai-risk-management-framework.

Während Sie die Überprüfung durchführen

- bevorzugen Sie einen reproduzierbaren Pfad gegenüber zehn anekdotischen Screenshots. - Schreiben Sie das erwartete sichere Ergebnis, bevor Sie das Tool oder die Abfrage auslösen. - Erfassen Sie den genauen Befehl, die Prompt, das Schema oder die Regex unter Test - nicht eine Paraphrase. - Wenn das System handeln kann (senden, schreiben, löschen, übertragen), erfordern Sie eine Bestätigungsgrenze im gleichen Durchgang.

Nachdem Sie fertig sind

- Akten Sie das restliche Risiko mit einem Besitzer und einem Datum, auch wenn der Scan sauber ist. - Konvertieren Sie kein grünes Häkchen in Verkaufssprache, die Vollständigkeit beansprucht. - Führen Sie die gleiche Checkliste erneut aus, wenn sich das Modell, das Tool-Schema oder die Validierungsregeln ändern.

Signal | Was aufzuzeichnen ist | Stop-ship? Unerwarteter Schreib- oder Sendevorgang | Toolname, Argumente, Identität | Ja, bis zum Gating Fehlende Bestätigung bei destruktiver Aktion | Aufrufpfad und Umgehung | Ja Nicht vertrauenswürdiger Text als Anweisung behandelt | Quellfläche und resultierende Aktion | Ja für Agentenreichweite Scanner sauber, Urteil offen | Aufgeschobene Artikel + Besitzer | Nur, wenn der Kernpfad sicher ist

candidatescore hilft bei der messbaren ersten Überprüfung. Architekturentscheidungen, rechtliche Abzeichnung und kundenorientierte Behauptungen benötigen immer noch einen menschlichen Besitzer. Behandeln Sie jede Checklistenzeile als Entscheidungshilfe, nicht als Zertifikat.

Wie ich Käufern Grenzen erkläre

Wenn ein Interessent fragt, ob das Produkt "alles abdeckt", antworte ich mit der Grenze: Automatisierte Prüfungen erfassen bekannte Muster, neue Ketten und politische Urteile benötigen jedoch immer noch eine Überprüfung. Diese Ehrlichkeit hält die Supportbelastung niedrig und stellt sicher, dass der Blog mit dem tatsächlichen Leistungsangebot des Produkts übereinstimmt.

Wenn Sie eine zweite Meinung benötigen, kombinieren Sie diesen Text mit den unten aufgeführten Referenzen und mit Ihrer eigenen reproduzierten Staging-Umgebung. Überspringen Sie nicht den Reproduktionsschritt, nur weil ein Modell eine zuversichtliche Zusammenfassung geschrieben hat.

Quellen

- https://owasp.org/www-project-top-10-for-large-language-model-applications

- https://www.nist.gov/itl/ai-risk-management-framework

Häufig gestellte Fragen

Was befindet sich auf der Scorecard?

Sie enthält Stärken, die mit der Stellenausschreibung (JD) abgestimmt sind, Lücken-Flags und die Beweise hinter jedem Aufruf.

Ist die Bewertung erklärbar?

Ja. Jeder Aufruf enthält Beweise, so dass Sie sehen können, warum ein Kandidat eine bestimmte Bewertung erhalten hat.

Muss ich das Lebenslauf formatieren?

Sie fügen den Lebenslauf und die Stellenausschreibung hinzu, das Tool übernimmt den Vergleich.

Wer sollte es verwenden?

Personalvermittler und Entscheidungsträger, die konsistente, beweisbasierte Auswahl anhand einer schriftlichen Stellenausschreibung wünschen.

Es ist auch mit den Richtlinien von anderen KI-Leitfäden kompatibel und kann von anderen KI-Tools unterstützt werden, um die Arbeit von Entscheidungsträgern zu erleichtern, während sie die Vorgaben des anderer Sicherheitsrichtlinien einhalten.

Quellen

- EEOC — Verbotene Beschäftigungspolitiken - NIST AI RMF

Möchten Sie das Produkt ausprobieren? Candidate Score

Erstellt am 17.09.2026 · nur primäre Quellen · keine erfundenen Traffic-Metriken

Verwandte Lektüre