人力派遣公司用 Claude Code 把岗位推荐文从 30 分钟压到 5 分钟

周五下午五点。刚和一位求职者面谈完，脑子里只剩一个模糊的感觉：「这个人，大概适合那个仓库的岗位。」可推荐文还是一张白纸。下周一一早，要给五位不同的求职者各发一份岗位推荐，一份都不能错。

我有个朋友在人力派遣公司做顾问，我在旁边看他干活时，最吃时间的就是这一段。面试记录散落在记事本里，岗位推荐文靠翻出以前发过的文案复制粘贴，只换名字、时薪和工作地点。回头一读，常常发现「给上一个求职者写的措辞还原封不动留在里面」。

更糟的是，越赶时间写出来的推荐文越空。满屏都是「离地铁近、时薪高、零经验可」这种贴到哪个岗位都成立的话，求职者的回复率自然也上不去。

这篇文章要做的，就是把「匹配备忘 + 岗位推荐文」这件事交给 Claude Code 和生成式 AI 起草，让人专注在收尾上。代码部分尽量少。取而代之，我准备了可以直接复制的提示词、一份把面试记录结构化的清单，还有一个给输出做筛查的校验脚本。

本文要点

目标是把人力派遣顾问写一份匹配备忘和岗位推荐文的时间，从单份 30 分钟左右压到 5 分钟左右。
交给生成式 AI 的，只到「批量起草」和「措辞整理」为止。求职者与岗位是否合拍、时薪和条件的最终核对，由人来把关。
准备了两套可以直接贴用的提示词模板：一套用于匹配备忘，一套用于岗位推荐文。
附上一段 20 行的校验脚本，用机器检查输出里有没有混进别人的姓名或错误的时薪数字。
个人信息单独处理：姓名、电话、住址在交给 AI 之前先换成代号。

人力派遣顾问的时间，到底花在了哪

先把读者画像说清楚。这篇文章面向的是在登记型派遣、转正型派遣里，从面试、岗位推荐到与企业协调一个人全包的顾问。一天面谈 3 到 6 人，中间还要发 5 到 15 份岗位推荐文，很多人同时还兼着销售。

把工作流程粗略排一下，大致是这样：

与求职者面谈，了解期望条件、经历、为人
把了解到的内容整理成匹配备忘，存进内部系统或表格
从手上的岗位里挑出 2 到 3 个比较合拍的
给求职者写岗位推荐文，通过邮件或聊天发出去
看反应，再向企业方递推荐信或人物介绍

其中第 2 步和第 4 步，是在「写字」。面谈本身、看人是否合拍的眼力，只有人能做。可备忘和推荐文的「转写和整理」，每次几乎是同一套重复动作。这正是生成式 AI 上场的地方。

常见的返工和烦恼

在旁边看下来，会返工的情形基本就那么几种：

复制粘贴事故：套用以前的推荐文，结果上一个求职者的名字或别的岗位的时薪留在里面。发出去才发现，只能再发一封道歉邮件。
推荐文太空：赶时间写出来只剩「氛围融洽的职场」「欢迎零经验」，唯独缺了能戳中这个人经历的那一句，回复也就来不了。
备忘颗粒度忽大忽小：忙的日子备忘只有三行，闲的日子写十行。事后回看，判断的依据不够。
重复劳动：给求职者的推荐文和给企业的推荐信，从零开始各写一遍，可底稿明明是同一份。

引入 AI 之前，这四种情况每周都会在某处冒出来。改成让 AI 起草以后，备忘的颗粒度稳定了，推荐文里也一定带上「专属于这个人的一句」。复制粘贴事故，则交给后面那段校验脚本来兜底。

用例 1：把面试记录结构化成匹配备忘

面谈刚结束的原始记录，往往不成句子。多半是「前职呼叫中心三年，希望双休，通勤 30 分钟以内，比起制造更偏接待，无空窗期」这种潦草速记。把它整理成事后能检索、能比较的形式，是第一件活。

交给 AI 的范围，只到「整理」为止。判断依据的权重由人来定。让它按下面这份清单的项目逐条填，备忘的颗粒度每次都能对齐：

期望职种 / 想避开的职种
工作地点与可接受的通勤时间
期望时薪 / 最低底线
工作日 / 班次条件
经历概要（最近的职种和年数）
本人亲口说出的「不可让步的条件」
顾问视角的补充（为人、能否稳定留任）

唯独最后一项，不让 AI 写，由人补上一句。因为这正是派遣的价值所在。

用例 2：批量起草岗位推荐文

匹配备忘和岗位信息齐了，推荐文的初稿就能交给 AI。关键是，要让它写进一句把求职者经历和岗位特点连起来的「为什么向你推荐这个岗位」。光是有这一句，模板味就没了。

下面这张表，是 AI 负责的范围和人必须核对的范围之间的分界线。

环节	交给 AI	必须由人判断
备忘整理	结构化成条目	为人、能否留任的判断
岗位筛选	辅助缩小候选	是否最终推荐
推荐文初稿	生成与整理文字	时薪、地点的数字核对
语气调整	礼貌度、长度的调整	是否发给求职者
企业版推荐信	从推荐文转写初稿	递给企业前的事实核对

把数字核对留给人，是有原因的。生成式 AI 有时会一本正经地编出像模像样的时薪或日期。原始数据里没有的数字，一律先怀疑。

用例 3：把求职者版推荐文转写成企业版推荐信

同一个人，给求职者写的是「为什么适合你」，给企业写的是「为什么该录用」。视角相反，可底稿是同一份匹配备忘。求职者版初稿写好后，让 AI 把它改写成企业版，重复劳动就消失了。

转写时要在提示词里明确：只给求职者本人看的信息（最低时薪底线、跳槽原因里赤裸裸的部分）要从企业版里拿掉。漏掉就是事故，所以这里也用校验脚本来兜底。

如果你还没碰过 Claude Code，建议先看一眼 Claude Code 上手指南和给非工程师的 Claude Code，后面的提示词会顺很多。

可直接复制的提示词模板

先是匹配备忘用的。把面谈刚结束的原始记录贴进去就行。姓名和电话号码，请在粘贴前先换成代号（原因后面说）。

你是人力派遣公司顾问的助手。
请把下面的面试记录，整理成事后能检索、能比较的匹配备忘。

# 规则
- 下面的项目必须逐条填上。没有信息的项目写「未确认」。
- 不要编造记录里没有的时薪、工作地点、日期。
- 求职者的为人、能否留任的判断不要写，留空由人补上。

# 输出项目
- 期望职种 / 想避开的职种
- 工作地点 / 可接受通勤时间
- 期望时薪 / 最低底线
- 工作日 / 班次条件
- 经历概要（最近的职种和年数）
- 不可让步的条件
- 顾问补充（留空）

# 面试记录
<<在这里贴入原始记录>>

接着是岗位推荐文用的。把整理好的匹配备忘和岗位信息一起交给它。

你是人力派遣公司顾问的助手。
请用礼貌语，写一份 300 到 400 字的求职者版岗位推荐文初稿。

# 必备要素
- 开头用一句话，说清为什么向这位求职者推荐这个岗位，把经历和岗位特点连起来。
- 工作内容、工作地点、时薪、班次，用条目列出。
- 数字（时薪、天数、期限）保持岗位信息原样，不要编造。
- 结尾用一句话，引导下一步（提问、商量面试时间）。

# 匹配备忘
<<贴入整理好的备忘>>

# 岗位信息
<<贴入岗位条件>>

光是把这两套分场景用起来，备忘的颗粒度和推荐文的结构就稳了。想再深入打磨提示词的人，可以一并读读提示词工程进阶。

给输出做筛查的校验脚本

能批量起草以后，接下来让人在意的，就是「上一个求职者的名字有没有残留」。这件事，机器比人眼更在行。下面用 Node.js 放一段约 20 行的脚本，检查生成的推荐文里有没有混进禁用词（过去的求职者名、别的岗位的地名等等）。不需要 @anthropic-ai/sdk 之类，光靠 Node.js 就能跑。

// check-draft.mjs
// 用法: node check-draft.mjs draft.txt
import { readFile } from "node:fs/promises";

// 列出输出里不该出现的词（过去的求职者名、别的岗位的地名等）
const forbidden = ["张先生", "上个岗位", "上海分部", "时薪25元"];

const file = process.argv[2] ?? "draft.txt";
const text = await readFile(file, "utf8");

const hits = forbidden.filter((word) => text.includes(word));

if (hits.length === 0) {
  console.log("OK: 没有发现禁用词。");
} else {
  console.log("待确认: 推荐文里残留了这些词 ->", hits.join(", "));
  process.exitCode = 1; // 想在自动化里中断时用
}

只要把 forbidden 这个数组，换成你自己负责的岗位对应的词即可。发送前过一遍，开头那种复制粘贴事故基本就消失了。想把这段校验写进 CLAUDE.md，CLAUDE.md 最佳实践讲得很细。

个人信息与安全注意事项

这一节对顾问来说最要紧。求职者的姓名、电话号码、现住址、前职企业名，不以原样交给生成式 AI。理由很简单：把能识别到个人的信息发给外部 AI 服务，本身就可能违背对登记者的承诺。

具体来说，交给 AI 之前这样处理：

姓名换成「A 先生」「求职者 X」
电话、邮箱、住址按项整条删掉
前职企业名改成只留行业，比如「大型呼叫中心」

初稿返回后，把代号还原成真名，在自己手边的文本编辑器里做。如果公司还没有使用生成式 AI 的规则，先把可用范围定下来再开始。中国官方的《个人信息保护法》全文值得先读一遍，可以作为内部规则的底子。

引入前后，ROI 的大致估算

数字只是个参考。在朋友的团队里，我们测了单份推荐文的制作时间。

引入前：套用旧文再修改，单份大约 20 到 30 分钟
引入后：起草加收尾，单份大约 5 到 8 分钟

假设一天 10 份、一位顾问独自周转，单份省 20 分钟的话，一天大约省下 200 分钟，超过 3 小时。一个月 20 个工作日就是 60 小时以上。这些时间，可以拿去多面谈几个人，或用来给求职者做跟进。

当然，头几天因为要调提示词、整理禁用词，反而更费时间。回本大概要到第二周。日常那些细碎的省时小窍门，效率提升技巧里也整理了一些。

如果想从公司层面整体梳理派遣业务里的文字工作，把提示词设计和运营规则一起推进，从培训与咨询切入更容易在一线落地。

常见问题

问：交给生成式 AI，推荐文会不会变得很机械？ 答：会。但那是在没把「连起经历和岗位的那一句」设为必备时。在提示词里要求写一句推荐理由，模板味就退掉不少。最后的收尾默认还是由人做。

问：必须把 AI 直接接进我们的内部系统吗？ 答：不必。先用复制粘贴把备忘和岗位信息交过去、收回初稿，就足够周转了。系统对接等运营固定下来再考虑也来得及。

问：时薪或工作地点，AI 会不会写错？ 答：会写错。所以数字核对留在了人的环节。生成式 AI 有时会把原始数据里没有的数字写得很像真的，发送前请务必和岗位信息逐一比对。

问：把求职者名字换成代号，文章会不会变得别扭？ 答：初稿阶段用「A 先生」没问题。把返回文章里的「A 先生」，在自己的编辑器里替换成真名即可，查找替换一次性搞定。

实际试过之后

我自己也从朋友那里拿了 5 份面试记录，过了一遍上面的提示词和校验脚本。我想确认的有三点：初稿耗时、复制粘贴事故的检出、代号运营的麻烦程度。

推荐文初稿，单份大致 5 分钟左右就成形了。最见效的是「写一句推荐理由」这个指定，光靠它，文章就变成让人想回复的样子。校验脚本那边，我故意喂了一篇残留上个求职者名字的文章，它老老实实地停在了「待确认」。代号运营，一开始觉得麻烦，但不过是多插一道替换，两天就习惯了。

反过来，有一次 AI 把岗位的数字微妙地抹了个零头，时薪的末两位变了。看来把数字的最终核对留给人，是对的。初稿交给 AI，判断和数字留给人。只要守住这条分界线，匹配备忘和岗位推荐文这件事，一定会变轻松。