猎头公司用 Claude Code 批量写职位描述和招呼语的实操步骤

周五傍晚，坐我旁边的招聘顾问正抱着头发愁。

她这一周新接了 12 个职位。每个职位都要整理一份职位描述，再各自筛出 10 名候选人，给每个人写一段招呼语。实在忙不过来，她就把上一次发出去的招呼语正文复制过来，只换了公司名和岗位名就发了出去。第二天，候选人回了一条消息：「你写的我前一家公司，和我实际待过的不是同一家。」

是换的时候漏改了。在猎头公司干过的人，多少都干过这种事。招呼语要靠数量取胜，可一条的潦草，能瞬间把信任打碎。这个「量和质的两难」，我用 Claude Code 把它压到了一个比较现实的程度。今天就把步骤整理成能直接复制粘贴的形式。

本文要点

猎头公司写职位描述和招呼语，让 Claude Code 负责「批量出初稿」，最终判断只交给人，速度就上来了。
关键不是甩手不管，而是把职位信息和候选人摘要结构化后再交给它，并把语气和禁用表达定成规则。
个人信息里的姓名、联系方式要遮掉，只给岗位、经验、技能。前提是设置好「不把原始数据拿去训练」。
10 条招呼语的初稿，在我手上从大约 90 分钟缩到 20 多分钟。漏改公司名的事故，靠校验脚本拦住。
文中给了能直接复制的提示词模板，以及一段用 Node.js 机器检查公司名是否混入的脚本。

猎头公司的现场，时间都耗在哪里

我设想的读者，是同时对接企业和候选人、或者专门负责候选人的招聘顾问。一个人手上握着 20 到 40 个职位，一周要发几十条招呼语，还要和招聘企业开会。真正能坐下来写文案的时间，其实没多少。

从写文案的角度，把猎头公司的业务流程排一下，是这样的：

向招聘企业做需求访谈，拿到招聘要求
把招聘要求整理成能挂到平台或自家数据库的职位描述
在数据库里检索候选人，按匹配度筛选
给每个候选人写招呼语（或推荐信）
等回复，推进面谈安排

其中第 2 步和第 4 步，是纯手工写文案。同一个岗位，每家企业的职位描述也会有细微差别；招呼语如果不给每个候选人加一句「为什么是你」，连打开都不会有人打开。这块全靠手写，每人每天要烧掉 2 到 3 小时。

常见的返工和烦心事

我把现场反复听到的返工情况列成了表。

烦心事	起因	结果
招呼语里公司名、岗位名漏改	复制粘贴的习惯	失去信任，零回复
职位描述的措辞触犯平台规则	限定年龄、性别的表达	内容被退回
给每个人的那句话变成模板	没时间，反复套用	打开率下降
表达陈旧、啰嗦	沿用旧文案	没人读完就走了

这些都发生在「从零写一篇的辛苦」和「随手复制的诱惑」之间。Claude Code 正好补上中间那段，也就是「底稿自动生成，最后那一句话和事实核对才由人来做」。

交给 AI 的范围，和必须由人判断的范围

这条线如果不一开始就划清楚，迟早出事。我的运行规则是这样的。

环节	交给 Claude Code	必须由人判断
职位描述润色	结构、措辞的初稿	薪资、工作地、硬性要求等事实
平台规则检查	指出危险表达	最终能不能发布的判断
招呼语初稿	文案骨架和那一句话的草案	对候选人的承诺、有没有夸大
候选人摘要	经历要点的整理	个人信息的处理方式

原则只有一条：事实和承诺由人来掌控。AI 擅长「又快又像模像样」地写，但它并不知道这个职位是不是真给到年薪 40 万，也不知道这个候选人是不是真有那项技能。能交给 AI 的是表达，不是事实。把这两者混为一谈，夸大的招呼语就会招来投诉。

如果你是第一次接触 AI 或 Claude Code，建议先看一遍给非工程师的 Claude Code 入门，能帮你建立起「什么能交、什么不能交」的直觉。

用例 1：从招聘需求笔记，生成职位描述初稿

招聘企业那边给的访谈笔记，多半是零散的要点片段。把它整理成一份能读的职位描述，是第一个自动化的切入点。

交给它之前，先把要给的信息结构化。如果把乱七八糟的笔记直接丢过去，AI 会擅自把缺的信息补上，写出根本不存在的福利。按下面这几项分开来给，是诀窍。

岗位、职位名称
硬性要求和加分项（只写事实）
薪资区间、工作地、用工形式
招聘背景（扩编、补缺等）
不能写的表达（限定年龄、性别等）

这时候，如果把职位描述的模板和禁用表达，当成项目的规则让它记住，就不用每次都重新交代。做法可以参考CLAUDE.md 的写法。

用例 2：从候选人摘要，批量生成招呼语

这才是重头戏。给每一个候选人加一句让人想打开的话。手工做是最累的一步，但只要结构化，就成了 AI 擅长的领域。

我把招呼语里一定要有的要素，列成了检查清单。初稿出来后，由人照着它逐条过目。

开头有没有具体说清「为什么发给你」
职位的公司名、岗位名对不对（有没有漏改）
有没有夸大，或者承诺了与事实不符的东西
有没有对候选人的经历做出失礼的武断判断
结尾的行动（约面谈等）有没有收敛到一个

10 个人一条条手写，要一个半小时。把摘要结构化后一次性出初稿，再用上面的清单由人来改，在我手上是 20 多分钟。

用例 3：平台规则和表达的自查

职位描述和招呼语里，有些表达是劳动相关法规和平台规则要避开的。「欢迎年轻人」「男性活跃」这种限定年龄、性别的说法就是典型。这个让 Claude Code 先做一次初筛。

不过，最终判断在人。AI 的提示只是「防漏看的警报」，并不保证法律上能不能用。请始终把它放在「辅助人眼」的位置上。

可直接复制的招呼语提示词模板

下面这段提示词可以直接贴来用。候选人信息请去掉姓名和联系方式后再填进去。

你是猎头公司招聘顾问的文案助手。
请按以下条件生成招呼语初稿。

# 职位信息
- 公司名:（直接填正式全称）
- 岗位:
- 硬性要求:
- 吸引点:（只写事实，禁止夸大）

# 候选人摘要（不包含姓名、联系方式）
- 现职的岗位和行业:
- 主要经验和技能:
- 推测的求职倾向:

# 输出规则
- 200 到 300 字。开头要具体写出「为什么发给这个人」。
- 不写不存在的业绩或薪资，不夸大承诺。
- 不使用限定年龄、性别的表达。
- 结尾的行动收敛到「约一次轻松的面谈」这一个。
- 公司名和岗位直接用给定的文字，不要改动。

这段提示词的关键在最后两行：让它把行动收敛到一个，并且不许改动公司名和岗位。光是这两条，回复率和出事率就会差不少。想把提示词的精度再往上提，可以一起看提示词设计进阶。

用机器拦住漏改的校验脚本

开头那起公司名混入的事故，光靠人眼盯，一定会复发。所以，要用机器检查写好的招呼语里有没有混进「不该出现的公司名」。这是一段用 Node.js 跑的小脚本。把初稿放进 scout.txt，把这次允许使用的公司名放进 allow.json，再运行。

import { readFile } from "node:fs/promises";

// 许可清单: { "company": "正确的公司名", "ng": ["过去项目的公司名等"] }
const allow = JSON.parse(await readFile(new URL("./allow.json", import.meta.url), "utf8"));
const text = await readFile(new URL("./scout.txt", import.meta.url), "utf8");

const problems = [];

// 1. 正文里有没有正确的公司名
if (!text.includes(allow.company)) {
  problems.push(`正文里没有正确的公司名「${allow.company}」`);
}

// 2. 有没有混进不该出现的公司名（检测漏改）
for (const ng of allow.ng ?? []) {
  if (text.includes(ng)) {
    problems.push(`残留了禁止混入的公司名「${ng}」，可能是漏改`);
  }
}

// 3. 有没有限定年龄、性别的表达
const banned = ["年轻人", "仅限男性", "仅限女性", "限 20 多岁"];
for (const word of banned) {
  if (text.includes(word)) problems.push(`含有需注意的表达「${word}」`);
}

if (problems.length === 0) {
  console.log("检查通过：发送前的机器核对已经过关");
} else {
  console.log("停止发送。请先修正以下问题:");
  for (const p of problems) console.log(" - " + p);
  process.exit(1);
}

运行就这一句。

node check-scout.mjs

allow.json 的示例长这样。

{
  "company": "示例科技有限公司",
  "ng": ["上次用的公司名", "另一个项目的公司名"]
}

只要有问题，脚本就以退出码 1 中止。把它接进发送流程，「漏改就发出去」这种事在物理上就不会再发生。开头我同事那起事故，有了它本可以避免。Claude Code 本身怎么装，看第一次用 Claude Code，10 分钟就能跑起来。

个人信息和安全注意事项

猎头公司本来就是在处理「人的经历」这种最敏感的个人信息。这块马虎了，谈不上效率，只会变成事故。下面是我自己守的规则。

姓名、电话、邮箱、现职里能锁定身份的部门名，都不交给 AI。只给岗位、工作年限、技能。
能锁定候选人身份的信息，不要粘贴到公司管控之外的服务里。在所用 AI 的设置中，签约或配置成「输入数据不用于训练」。
输出的初稿在发送前，一定由人核对事实和专有名词。
招聘企业的未公开信息（比如公司名保密的职位）的处理，不能超出与企业约定的范围。

关于表达和个人信息处理的官方一手资料，可以查人社部就业服务相关页面。再结合各平台的规则，落到自家的内部规范里。

引入前后，到底变了什么（ROI 大致估算）

数字是我手上的粗略估算，请当作参考值来看。

项目	引入前	引入后
10 条招呼语初稿	约 90 分钟	约 20 分钟
1 份职位描述润色	约 30 分钟	约 10 分钟
公司名漏改	偶尔发生	校验脚本拦住，0 件

10 条招呼语大约能省下 70 分钟。一周发 30 条的话，差不多有 3 个多小时可以挪回到与候选人的对话和访谈上。猎头公司的价值不在写文案，而在看准人和企业，所以把省下的时间还回那里，才是真正的效果。想进一步把团队的协作效率也提上来，可以参考Claude Code 效率提升技巧。

常见问题

问：AI 写的职位描述和招呼语，可以直接发吗？ 不行。只能当初稿用，公司名、薪资、要求等事实和专有名词，一定要由人核对。AI 并不知道事实。

问：不把候选人的名字和联系方式给它，能写出好招呼语吗？ 能。招呼语需要的是「为什么发给这段经历的人」，靠岗位、经验、技能就够了。姓名和联系方式跟文案质量没关系。

问：文案会不会变得千篇一律？ 把结构化的候选人摘要一个个分别交给它，开头那句话就会变。会有模板味，是因为把摘要潦草地凑一起就丢过去了。

问：我们没有 IT 部门，校验脚本跑得起来吗？ 装上 Node.js，几行就能跑。觉得难的话，也可以让公司里负责业务改进的人，通过培训与咨询来推进落地。

实际试下来的结果

我用模仿真实职位的虚构数据，做了 3 份职位描述和 10 条招呼语来验证。确认的有 3 点。

第一，10 条招呼语的初稿时间。对比手写体感的 90 分钟，把结构化摘要交过去后，降到了 20 多分钟。开头那句话，只要给每个人分别改一下，模板味就没了。

第二，校验脚本的效果。我故意混进 4 条残留了上一个项目公司名的初稿，结果 4 条全部触发退出码 1 被拦下。限定年龄的表达也能检出。要是只靠人眼，肯定会漏掉好几条。

第三，不给个人信息，质量会不会掉。去掉姓名和联系方式、只给岗位和经验，招呼语的说服力并没有变弱。反而留下了「正是被你经历里的这点吸引」这个内核，读起来更清爽了。

结论是，猎头公司的招呼语工作，比起「全自动」，「初稿交 AI、事实和那句话交人、最终检查交机器」这三段式最现实。想以公司名义把它接进业务流程，从培训与咨询开始；想先自己动手试试，从教材与免费 PDF开始，比较推荐。