最近在研究各大AI模型在垂直场景中的落地表现发现一个有意思的趋势——越来越多的HR从业者开始把大模型工具嵌入日常工作流。我自己平时也会在这类AI模型聚合平台上切换不同模型做对比测试GPT-4、Claude、Gemini各有所长。但今天想单独聊聊Gemini因为在HR这个特定场景下它的一些能力确实被低估了。一、简历筛选从大海捞针到精准匹配做过招聘的人都知道一个热门岗位收到几百份简历是常态。传统做法是HR逐份浏览靠关键词和经验做初筛效率低不说还容易漏掉非标但优秀的候选人。Gemini在这个环节的优势在于它的多模态理解和长上下文能力。你可以把候选人简历PDF、图片甚至手写扫描件直接丢给它同时附上岗位要求让它做结构化对比分析。实测下来Gemini对简历中项目经验的语义理解做得不错。比如候选人写的是主导了用户增长体系建设它能识别出这对应的是增长黑客能力而不是简单做关键词匹配。这一点比传统ATS系统的逻辑要灵活得多。但要注意AI筛选不能完全替代人工判断。Gemini偶尔会对行业术语产生误判尤其是一些新兴领域的岗位描述。建议把它当成初筛助手而非决策者。二、JD生成告别复制粘贴的模板写JD是很多招聘HR的痛点——要么从网上抄模板千篇一律要么自己写耗时且容易遗漏关键信息。用Gemini生成JD的流程可以很简单输入岗位名称、团队背景、核心职责关键词、薪资范围和公司文化特点它能在几秒内输出一份结构完整的JD初稿。跟GPT-4对比了一下Gemini在JD生成上的一个特点是措辞更偏向候选人视角。它会自动加入一些吸引力描述比如团队技术栈、成长空间、项目影响力等而不只是冷冰冰地列要求。不过生成的JD一定要人工二次校准。有次让它写一个数据工程师的JD它把熟悉Spark写成了精通Spark生态这个程度差异在实际招聘中影响很大。AI不懂你们团队的真实技术水平这个判断只能人来做。三、面试问题设计从经验驱动到数据驱动面试问题设计是最能体现AI价值的环节之一。传统面试官的提问往往依赖个人经验问题质量参差不齐。让Gemini基于岗位JD和候选人简历生成面试问题效果出乎意料地好。你只需要给它足够的上下文——岗位核心能力模型、候选人过往经历中的疑点、你希望验证的软技能维度——它就能输出一套有层次的面试题。我试过让它针对一个高级后端开发岗位生成技术面试题它给出的不只是算法八股文而是结合项目场景的开放性问题比如请描述一次你在系统设计中做出的性能与可维护性之间的权衡。这类问题比说说HashMap的原理更能筛选出真正有工程思维的人。跟Claude对比Gemini在生成行为面试题Behavioral Questions方面稍逊一筹Claude对STAR法则的运用更精准。但Gemini在技术场景题上更有深度两者互补使用效果最好。四、实际落地的几个注意事项第一数据隐私。简历包含大量个人信息使用云端AI服务时务必确认数据不会被用于模型训练。建议对简历做脱敏处理后再输入。第二prompt工程。同样的模型prompt写得好和写得差输出质量天差地别。给Gemini的指令要尽量具体角色设定、输出格式、评判标准都要明确。第三不要过度依赖。AI是提效工具不是替代品。招聘中最关键的文化匹配、价值观判断、直觉识别目前还只能靠人。五、趋势判断从行业走向来看AIHR的结合正在从尝鲜走向标配。未来一两年主流HR SaaS产品大概率会内置大模型能力简历解析、JD生成、面试辅助会成为基础功能。但对从业者来说核心竞争力从来不是会用工具而是懂得在哪个环节用、怎么用、用到什么程度。能把Gemini用好的HR本质上是因为他们本身就懂招聘。这才是AI落地的正确姿势——不是替你思考而是放大你已经具备的专业判断力。