用 Amazon Bedrock 搭建 AI 招聘助手：简历解析、智能评分与面试题生成
本文介绍如何利用 Amazon Bedrock 构建 AI 招聘助手，实现简历解析、候选人评分、技能评估和个性化面试题生成，并内置 PII 脱敏与偏见过滤。适合 HR 技术团队和 AWS 开发者参考。
一句话看懂
AWS 发布基于 Amazon Bedrock 的 AI 招聘助手参考架构，可自动解析简历、计算匹配分数并生成面试问题，内置 PII 脱敏与偏见过滤。
详细发生了什么
根据一项对 748 名 HR 领导者的调查，招聘人员每个职位平均花费 17.7 小时在行政工作上，相当于每招一个人就要花超过两个工作日。另一项 2024 年 SmartRecruiters 调查显示，45% 的人才招聘负责人超过一半的工作时间花在可自动化的事务上。这种行政负担导致简历筛选流于表面，许多合格候选人被忽略，而匹配结果往往取决于格式和关键词密度而非真实能力。
AWS 的这篇博客展示了一个基于 Amazon Bedrock 的 AI 招聘助手参考架构。该方案使用 Amazon Nova Pro 模型（通过 Bedrock Converse API），结合 AWS Lambda、API Gateway、DynamoDB 和 S3 构建无服务器后端。前端由 AWS Amplify 托管，Amazon Cognito 负责用户认证。核心功能包括：简历深度解析、多维度兼容性评分、技能匹配与迁移技能识别、个性化面试题生成。
特别值得关注的是，方案集成了 Amazon Bedrock Guardrails，可自动对输入进行 PII 脱敏、检测提示注入攻击，并过滤涉及候选人人口统计信息的偏见内容。代码示例中使用了低温度（0.2）以保证评分一致性，并要求模型为每个评分引用简历原文作为证据。
中文圈视角
这个方案对国内用户有参考价值，但直接照搬有门槛：
- 可用性：Amazon Bedrock 在国内需要 AWS 中国区账号（北京/宁夏区域），且 Amazon Nova Pro 模型目前仅在部分区域可用。国内用户可能需要等待模型上线或使用替代方案。
- 国产平替：国内类似方案可基于阿里云百炼、百度千帆或华为云 ModelArts 实现。例如，百炼平台也提供 RAG、模型调用和内容安全过滤能力，可搭配通义千问或 DeepSeek 模型完成类似功能。
- 场景适配：中文简历格式多样（PDF/Word/图片），且中文命名实体识别、技能库构建与英文不同。国内 HR 系统（如 Moka、北森）已内置 AI 筛选功能，但开源或自建方案仍较少。
- 合规注意：简历数据涉及大量个人信息，国内需遵守《个人信息保护法》。AWS 方案中的 Guardrails 可做 PII 脱敏，但数据存储需部署在国内区域，且需注意数据出境合规。
一个尚未被广泛讨论的盲点是：AI 招聘助手虽然能提升效率，但可能放大简历中的格式偏见（例如，排版精美的简历得分更高），且低温度设置可能导致对非传统背景候选人的误判。
几条值得记住的细节
- 招聘人员每个职位平均花费 17.7 小时在行政工作上，45% 的 TA 负责人超过一半时间花在可自动化任务上。
- 方案使用 Amazon Nova Pro 模型，通过 Bedrock Converse API 调用，温度设为 0.2 以保证评分一致性。
- Guardrails 自动对输入做 PII 脱敏、检测提示注入，并过滤涉及人口统计信息的偏见内容。
- 前端由 AWS Amplify 托管，认证使用 Amazon Cognito，API 请求通过 API Gateway 路由到 Lambda。
- 代码示例要求模型为每个评分引用简历原文作为证据，输出结构化的 JSON 格式。
一句话总结
AI 招聘助手能大幅减少 HR 行政负担，但国内落地需考虑模型可用性、中文适配与数据合规。