在企业招聘的日常工作中，HR 往往深陷于大量重复且机械的事务性工作：每天在招聘平台登录、批量发布岗位、给数百位候选人主动打招呼、反复解答基础岗位问题、筛选简历、协调面试时间、跟进面试反馈……

        传统 RPA 工具只能解决固定流程的自动化，却无法应对招聘对话中复杂的意图理解、多轮沟通和动态场景切换。为此，基于实在智能 RPA 设计器 + Python + LangChain + DeepSeek 大模型 + Chroma 向量库技术栈，搭建了一套覆盖 Boss 直聘「岗位发布→候选人沟通→面试预约→面试反馈」全流程的智能招聘自动化系统。

本文将完整分享这套系统的架构设计、技术选型、核心模块实现与落地经验，实现 RPA+LLM 在招聘场景的工程化落地。

一、项目核心适用场景

这套系统专为 Boss 直聘平台的招聘全流程设计，核心覆盖以下业务场景：

• Boss 直聘账号登录与环境自动化管理
• 岗位批量发布、上下架与内容合规校验
• 候选人主动招呼与批量精准触达
• 全流程智能对话与候选人自动化初筛
• 面试时间预约、改期与取消全流程自动化
• 面试反馈跟进与招聘数据全链路归档

二、整体技术选型与设计原则

技术选型始终围绕低交付复杂度、高业务适配性、强稳定可控三大核心原则，既保证了系统的智能化能力，又兼顾了中小企业的快速落地需求，核心选型如下：

层级 / 组件	核心选型	选型理由与说明
RPA 执行层	实在智能设计器	国内领先的 RPA 设计器，完美适配国内招聘平台的页面元素交互，零代码即可实现浏览器操作、文件上传下载、流程调度，解决了传统 Selenium 易被反爬、元素定位不稳定的痛点，是对接 Boss 直聘前端交互的核心执行载体。
大语言模型	华为云部署 - DeepSeek	开源可商用、中文理解能力优异，推理性能出色，完美适配招聘场景的意图识别、对话生成、结构化输出需求。将模型推理与 RPA 执行解耦，既保证了 AI 能力的灵活迭代，又避免了 RPA 流程的臃肿。
核心开发语言	Python 3.11	生态完善，完美兼容 LangGraph、RPA 组件调用、数据库操作与大模型接口封装，是 AI+RPA 场景的最优开发语言选择。
AI 应用编排框架	LangGraph	一站式解决 Prompt 模板管理、大模型链式调用、结构化输出约束、对话记忆管理、RAG 检索编排等核心需求，大幅降低 AI 对话逻辑的开发与维护成本。
关系型数据库	MySQL 8.0	稳定可靠，支持事务，用于存储岗位信息、候选人档案、聊天记录、面试安排、错误日志等核心业务数据，保证全流程可追溯、可审计。
向量数据库	Chroma	轻量易用，原生支持 Python 与 LangGraph，完美适配中小规模招聘知识语料的持久化存储与语义检索，无需复杂的集群部署，大幅降低初期落地门槛。
嵌入模型	BAAI/bge-m3	中文场景 SOTA 级开源嵌入模型，支持多语言、多功能、多粒度检索，对招聘场景的长文本 JD、公司介绍、FAQ 问答有极强的语义表征能力，检索效果远超通用嵌入模型。
可选重排模型	BAAI/bge-reranker-v2-m3	用于向量召回后的精排，进一步提升知识片段的匹配精度，保证 RAG 注入的内容与当前对话强相关，大幅降低大模型幻觉问题。

三、系统总体架构：四层一引擎核心设计

        这套系统采用经典的分层架构设计，核心为 「四层一引擎」 架构体系，从上到下分别为：交互层、业务流程层、AI 引擎层、数据层，辅以贯穿全流程的主流程引擎，实现业务流与 AI 能力的深度融合。

其中，AI 引擎层是系统的智能大脑（核心控制面），负责所有的意图理解、状态决策与内容生成；业务流程层是系统的执行骨架（流程执行面），负责全招聘流程的串联与分支切换；交互层是系统的手脚，负责与 Boss 直聘平台、HR 的人机交互；数据层是系统的记忆底座，负责所有业务数据与知识数据的持久化存储。

1. 交互层：纯交互执行，无业务决策

交互层是系统与外部环境的唯一交互入口，只负责页面操作和信息的输入输出，不承载任何复杂的业务决策逻辑，核心职责包括：

• Boss 直聘平台侧：账号登录、岗位发布、主动招呼、候选人聊天、面试预约 / 改期 / 取消的页面操作执行
• HR 交互侧：通过钉钉、企业微信等平台，实现招聘流程通知、人工介入接管、异常流程处理

2. 业务流程层：全招聘流程的串联与管控

业务流程层是系统的业务核心，负责把「登录→岗位发布→候选人沟通→面试预约→面试反馈→归档」的完整招聘链路，拆解为可执行、可管控的子流程，并根据岗位类型、候选人沟通阶段、异常状态自动切换流程分支。

核心子流程分为三大类：

• 基础流程：Boss 登录子流程、岗位发布子流程、每日 / 周期性任务调度流程
• 核心招聘流程：主动招呼子流程、候选人聊天子流程、面试预约子流程
• 兜底流程：异常处理流程、面试修改 / 取消流程、人工介入接管流程

3. AI 引擎层：系统的智能核心，对话全流程调度

AI 引擎层是这套系统区别于传统 RPA 的核心，它的核心目标是把自由的招聘对话，转化为「可执行、可管控、可追溯」的结构化状态，实现对话的全流程智能调度。

核心功能模块包括：

• 对话状态识别模块：识别当前对话所处的招聘阶段，输出结构化状态标签
• 用户意图检测模块：精准识别候选人消息的核心意图，比如咨询薪资、拒绝岗位、申请改期等
• AI 对话调度中心：根据状态与意图，决策后续动作：继续追问、意向确认、发起预约、转人工、结束对话等
• 动态 Prompt 引擎：按当前对话状态，自动匹配对应的提示词模板，动态拼装岗位、候选人、上下文等信息
• 回复生成模块：基于 RAG 增强的上下文，生成符合约束的合规回复
• 上下文压缩器：解决长对话上下文溢出问题，保留核心对话信息
• 异常路由与状态修正模块：处理对话异常、模型幻觉、候选人答非所问等场景，修正对话状态，保证流程不中断
• 内容分析模块：负责招聘语料的语义分析、向量入库、检索匹配，为回复生成提供事实依据

4. 数据层：双库架构，兼顾事务安全与语义检索

数据层采用 「MySQL 关系型数据库 + Chroma 向量数据库」的双库架构，实现业务事务数据与知识语义数据的分离存储与协同调用：

• MySQL：存储核心业务事务数据，保证数据的一致性、可追溯性与审计能力
• Chroma：存储公司信息、岗位 JD、FAQ 问答、标准回复话术等知识语料的向量数据，为大模型提供精准的事实依据，解决幻觉问题

四、核心模块关键实现细节（落地干货）

1. 候选人聊天全流程阶段化管控，告别 “纯聊天” 式 AI

传统的 AI 招聘聊天，往往是大模型自由生成文本，极易脱离招聘目标，出现乱承诺、跑题、流程中断等问题。因此，核心设计思路是：AI 不做 “纯聊天”，只做 “流程内的对话调度”。

将候选人从触达到入职前的全流程，拆解为 5 个标准化阶段，每个阶段都有明确的业务目标与对话边界：

• 阶段 1：基本初筛：核心完成候选人的基础信息匹配（工作年限、学历、到岗时间、核心技能等），过滤不符合硬性要求的候选人
• 阶段 2：深入沟通：核心解答候选人的基础疑问，同步岗位核心信息、工作内容、薪资范围、公司情况等
• 阶段 3：意向确认：核心确认候选人的求职意向、到岗意愿，排除无效候选人，锁定高意向人群
• 阶段 4：面试预约：核心完成面试时间、面试形式、面试链接的协调与确认，自动同步到面试安排表
• 阶段 5：面试反馈：核心跟进面试结果，同步候选人面试反馈，推进后续 offer 流程或人才归档

关键设计：大模型的输出不是自由文本，而是 「结构化状态标签 + 合规回复文本」，每一轮对话都会先更新当前对话所处的阶段，再基于阶段目标生成回复，从根源上避免 AI 脱离招聘流程自由发挥。

2. 动态 Prompt 引擎：告别固定提示词，实现千人千面的精准对话

固定的 Prompt 模板，无法适配招聘场景中不同岗位、不同候选人、不同沟通阶段的需求，极易出现回复生硬、不符合当前场景的问题。我们设计了动态 Prompt 引擎，核心实现逻辑如下：

1. 预设提示词模板库：按 5 个沟通阶段，分别预设对应的提示词模板，每个模板都明确了当前阶段的业务目标、回复约束、话术风格、禁止项
2. 动态参数拼装：每一轮对话，系统都会自动从数据库中提取「当前岗位 JD 信息、候选人画像信息、最近 N 轮对话摘要、当前阶段约束条件、HR 预设话术风格」，拼接到对应阶段的模板中
3. 实时上下文注入：通过 RAG 检索，将与当前对话强相关的公司信息、FAQ 标准回复注入 Prompt，保证回复的事实准确性

举个例子，当对话处于「面试预约阶段」，Prompt 会自动拼装岗位的面试流程、可预约的时间段、面试官信息、面试形式等参数，同时约束模型必须引导候选人确认固定的可选时间段，而不是自由协商时间，大幅提升面试预约的成功率。

3. 对话上下文压缩与记忆管理，解决长对话 Token 溢出与信息丢失问题

招聘对话往往会持续多轮，传统的全量对话历史拼接，不仅会导致 Token 消耗激增，还会出现上下文溢出、核心信息被稀释的问题。

解决方案是：不做全量历史拼接，只保留核心信息，长历史通过摘要 + 检索补全，核心设计如下：

• 固定保留核心信息：最近 3-5 轮的完整对话 + 当前对话阶段标签 + 候选人核心画像 + 岗位关键要求 + 回复约束条件
• 长对话历史处理：超过固定轮数的对话历史，通过大模型生成对话摘要，只保留与岗位匹配、意向确认相关的核心信息，丢弃无效闲聊内容
• 关键信息检索补全：当对话中提及历史沟通的关键信息（如之前约定的薪资、到岗时间），通过语义检索从历史聊天记录中召回对应的完整内容，注入上下文，保证信息的连贯性

这套方案，既大幅降低了 Token 消耗，又避免了长对话中核心信息的丢失，同时解决了上下文溢出的问题。

4. RAG 检索增强在招聘场景的落地，从根源上降低大模型幻觉

招聘场景中，大模型的幻觉是致命问题：比如乱承诺薪资、虚报公司福利、错误描述岗位职责，都会给企业带来合规风险与口碑问题。

通过 Chroma 向量数据库搭建了招聘专属的 RAG 检索体系，核心实现如下：

1. 知识语料入库：将公司介绍、组织架构、岗位 JD、薪酬福利体系、招聘 FAQ、面试流程、标准回复话术等内容，拆分为标准化的知识片段，通过 bge-m3 模型生成向量，存入 Chroma 向量库
2. 分层检索机制：每一轮回复生成前，先基于候选人的提问，通过向量相似度检索，召回 Top10 相关的知识片段；可选通过重排模型做精排，筛选出 Top3 最相关的内容
3. 事实约束注入：将检索到的知识片段，作为唯一的事实依据，注入 Prompt 中，严格约束大模型：所有回复必须基于提供的事实内容，禁止编造任何未提供的信息
4. 回复风控校验：回复生成后，系统会自动做敏感词检测、越权承诺检测、事实一致性校验，不通过的内容会自动触发改写，或直接拦截转人工处理

通过这套机制，将大模型的幻觉率降到了极低的水平，保证了招聘对话的合规性与准确性。

5. AI 对话闭环全流程实现

最终，我们将以上模块串联，形成了完整的 AI 对话闭环，每一轮对话都会执行以下标准化流程：

1. 意图与状态识别：候选人消息进入 AI 对话调度中心，先通过意图分类器识别核心意图，同时判断当前对话所处的阶段，输出结构化的状态标签
2. 流程路由决策：基于识别到的意图与状态，决策后续流程：继续当前阶段对话、切换阶段、发起面试预约、转人工介入、结束对话等
3. 动态 Prompt 组装：根据决策结果，从模板库中调取对应模板，动态拼装岗位、候选人、上下文、约束条件等参数
4. RAG 知识检索：基于当前对话内容，从 Chroma 向量库中检索相关的知识片段，做精排后注入 Prompt
5. 回复生成与结构化输出：调用 DeepSeek 大模型生成回复，通过 LangChain 约束输出为「状态标签 + 回复文本」的结构化结果
6. 风控校验与发送：对生成的回复做合规校验，通过后交由 RPA 执行层发送给候选人，同时更新数据库中的对话状态与聊天记录

五、核心数据结构设计

为了保证全流程的可追溯性与数据一致性，我们在 MySQL 中设计了 5 张核心业务表，覆盖全招聘流程的核心数据：

1. 岗位表：存储岗位 ID、岗位名称、JD 内容、薪资范围、发布状态、所属 HR、创建时间、更新时间等核心信息
2. 候选人表：存储候选人 ID、姓名、联系方式、工作年限、学历、核心技能、求职意向、当前沟通阶段、所属岗位、创建时间等核心档案信息
3. 聊天记录表：存储对话 ID、候选人 ID、岗位 ID、对话轮次、发送方（AI/HR/ 候选人）、消息内容、对话状态、发送时间等全量对话数据
4. 面试安排表：存储面试 ID、候选人 ID、岗位 ID、面试时间、面试形式、面试官、面试状态（待确认 / 已确认 / 已完成 / 已取消）、面试结果、创建时间等信息
5. 错误日志表：存储流程 ID、错误模块、错误内容、错误时间、处理状态等信息，用于系统运维与问题排查

向量库 Chroma 则按集合进行划分，分为：公司信息集合、岗位 JD 集合、招聘 FAQ 集合、标准回复话术集合，每个集合都对应独立的嵌入模型与检索配置。

六、部署方案与落地建议

为了兼顾落地效率、稳定性与后续扩容能力，采用 「设计器前台执行 + Python 组件内嵌 + 数据库集中存储」的部署方式，具体如下：

1. RPA 执行层：由实在智能设计器负责，部署在 HR 的办公终端或专属的 RPA 执行机上，负责所有的浏览器操作与页面交互
2. AI 能力层：Python 组件内嵌到实在智能设计器中，通过 HTTP/SDK 方式调用部署在华为云服务器上的 DeepSeek 大模型，实现 AI 能力与 RPA 流程的解耦
3. 数据存储层：MySQL 与 Chroma 作为独立服务，部署在统一的受控服务器环境中，实现数据的集中存储、统一管理与安全管控
4. HR 交互侧：通过钉钉、企业微信等平台，承接招聘流程通知、异常告警、人工介入接管等需求，实现 AI 自动化与人工干预的无缝衔接

落地优化：

• 初期落地阶段：保持 Python 组件内嵌式实现，无需拆分微服务，大幅降低交付复杂度与运维成本，快速实现业务闭环
• 扩容迭代阶段：当招聘规模扩大、多 HR 多岗位并行时，可将 AI 逻辑逐步抽出为独立的 API 服务，实现多终端、多账号的并行调用
• 安全合规层面：所有候选人数据、聊天记录必须加密存储，严格遵守《个人信息保护法》，大模型调用需做数据脱敏，禁止将候选人隐私数据传入公网大模型

七、项目落地价值与效果

这套系统落地后，为企业招聘带来了显著的效率提升：

• 事务性工作自动化率超 85%：岗位发布、主动打招呼、简历初筛、基础问题解答、面试预约等重复工作，全部由系统自动化完成
• HR 人效提升 3 倍以上：HR 从大量的重复工作中解放出来，只需要聚焦于高意向候选人的深度沟通、面试甄选等核心工作
• 招聘周期大幅缩短：候选人触达、初筛、面试预约的响应时间从小时级缩短到分钟级，大幅提升候选人体验，降低人才流失率
• 招聘流程标准化：全流程的对话、筛选、预约都基于统一的标准执行，避免了不同 HR 的招聘标准不统一、回复不规范的问题

八、总结与后续优化方向

这套基于 RPA+LLM 的智能招聘系统，通过「四层一引擎」的架构设计，完美解决了传统招聘自动化工具只能处理固定流程、无法应对复杂对话的痛点，实现了 Boss 直聘招聘全流程的端到端自动化与智能化。

其核心优势在于，没有做 “为了 AI 而 AI” 的纯聊天机器人，而是始终围绕招聘业务的核心目标，将 AI 能力深度嵌入到招聘流程的每一个环节，用 AI 做流程的调度与决策，用 RPA 做流程的执行，实现了业务与技术的完美融合。

后续将在以下方向做持续优化：

1. 多平台适配：扩展到猎聘、智联招聘等多个主流招聘平台，实现全平台的统一招聘管理
2. 简历智能解析：引入 OCR 与文档解析能力，实现简历的自动解析、关键信息提取、人岗匹配度智能评分
3. 招聘数据分析：搭建招聘数据看板，实现招聘转化率、渠道效果、HR 人效等数据的可视化分析与智能预警
4. 多轮对话优化：基于历史对话数据，做微调优化，进一步提升对话的流畅度与招聘转化率