招聘科技 · OpenClaw 用户案例

猎头的
AI
招聘引擎

简历筛选效率提升 20 倍。候选人跟进零遗漏。一个 AI Agent 网络替代初级招聘助理——每月仅 $14。

👩‍💼

Rachel Kim · 科技行业猎头顾问

独立猎头 · 年成交 40+ offer · 专注中高端技术岗

20x

筛选效率

AI Agent

12h

每周节省

40+

年成交

openclaw — recruiter-agents — live

▶ talent_scanner.screen(role="senior-backend")

scanning 847 profiles...

✓ 12 strong matches found (score > 85%)

★ Top match: 8yr Go + distributed systems, open to move

! 3 candidates from competitor — timing opportunity

▶ pipeline_bot.status()

active pipelines: 8 roles

↑ 23 candidates in interview stage

→ 5 offers pending — 3 closing this week

⚠ Frontend role: 0 qualified candidates — expand search?

▶ scheduler.optimize()

this week: 14 interviews to coordinate

✓ 11 auto-scheduled, 3 need manual confirm

→ avg time-to-schedule: 2.3 hours → 12 minutes

痛点

简历海洋，
人才饥荒

现代猎头拥有更多渠道，但未经过滤的海量简历只会带来效率瘫痪，而非精准匹配。

简历海洋

每个岗位收到数百份简历，80% 不合格。手动筛选一个高级岗位要 5 小时。真正合适的人才淹没在不相关的简历中。

候选人跟进掉球

优秀候选人因为跟进不及时而流失。同时管理 8 个岗位、40+ 候选人，总有人被遗忘。竞对猎头 24 小时内抢人。

面试协调噩梦

协调跨时区面试是全职工作。候选人、面试官、HR 三方日程对齐平均需要 2 小时邮件往返。一次冲突可能丢掉 VP 级候选人。

市场薪资信息滞后

给客户报的薪资范围基于三个月前的数据。AI 工程师薪资每季度涨 15%，你的 offer 竞争力已经过时。候选人因薪资低于预期而拒绝 offer。

客户报告耗时

每周手动整理招聘进展报告给客户。从各个平台拉数据、做表格、写分析，每个客户 2 小时。6 个客户就是一整天。

人才库沉睡

三年积累 5000+ 候选人，但从未系统性重新联系。去年的银牌候选人可能今天就是金牌——但你不知道谁换了工作、谁在看机会。

解决方案

你的4-Agent
招聘网络

四个专业 Agent 覆盖招聘流程的每一环——7x24 运行，你只处理真正值得亲自对接的候选人。

🔍

TalentScanner

简历筛选 Agent

自动解析所有收到的简历，基于岗位 JD 进行技能匹配、文化契合度评估和综合评分。将数百份简历压缩为 Top 10 候选人清单，并标注每人的亮点和风险点。

resume_parse skill_match culture_fit rank_score

筛选时间 5h → 15min

📊

PipelineBot

流程管理 Agent

实时追踪所有岗位的候选人状态，自动发送跟进提醒，监控 offer 进度，生成客户周报。确保每一个候选人都在正确的阶段推进，零遗漏。

stage_track auto_nudge offer_monitor client_report

候选人流失率 35% → 8%

⏰

ScheduleWiz

面试安排 Agent

同步候选人和面试官日历，智能处理时区差异，自动安排面试并发送提醒。支持多轮面试批量安排，冲突自动检测和重新协调。

calendar_sync timezone_handle auto_schedule remind_send

安排时间 2h → 12min

💰

MarketIntel

市场情报 Agent

实时追踪各技术岗位薪资基准，分析人才供需趋势，监控竞对招聘动态，优化 offer 策略。确保每一个 offer 都有竞争力且不超预算。

salary_benchmark demand_trend competitor_track offer_optimize

Offer 接受率 65% → 89%

🗃️

TalentPool

人才库 Agent · 持续运行

对历史候选人库进行智能索引，追踪职业变动信号，在候选人可能考虑新机会时自动发起重新联系。将沉睡的人才库变成持续产出的活水源。

profile_index re_engage career_track match_alert

人才库重新激活输出示例

信号：张伟 — LinkedIn 更新职位为"开放新机会"

⚠ 匹配：3 个活跃岗位匹配度 >90% — 高级后端/架构师

✓ 历史：2024 年进入某客户终面，因时机放弃 — 现在时机成熟

行动：已生成个性化重新联系邮件草稿

优先级：🔴 高 — 建议 24 小时内联系

每日工作流

Rachel 的自动化
招聘日

Agent 持续运行。Rachel 只与高价值候选人互动——而非溺死在简历和日程协调中。

// Agent 活动时间线

07:00

每日

TalentScanner → 新简历筛选

扫描昨晚至今晨所有新收到的简历，按岗位匹配度排序。推送 Top 候选人清单到邮箱和企业微信。

output: ranked_candidates.pdf

09:00

每日

PipelineBot → 流程状态

更新所有活跃岗位状态。标记需要跟进的候选人、即将到期的 offer、以及超过 48 小时未回复的对象。

output: pipeline_dashboard

11:00

每日

ScheduleWiz → 面试安排

自动协调当天和次日的面试。同步候选人与面试官日历，处理时区差异，发送确认和提醒。

output: schedule_confirmed

15:00

每日

MarketIntel → 市场快报

推送当日薪资变动、竞对招聘动态、热门技术岗供需变化。标注影响活跃岗位 offer 策略的关键信息。

output: market_brief

按需

随时

TalentScanner → 紧急岗位搜索

客户紧急加岗时，TalentScanner 立即扫描人才库 + 外部平台，15 分钟内输出首批候选人。

output: urgent_shortlist

周五

每周

All Agents → 客户周报

合并周报：各岗位进展、候选人漏斗数据、面试完成率、薪资建议更新、下周行动计划。一键发送给所有客户。

output: client_weekly_report

// 每周回收时间

Rachel 过去每天花 3-4 小时筛简历、协调面试、写报告。现在每天花 45 分钟审查 Agent 输出并与高价值候选人沟通。每周 12+ 小时回收。

// 年成交量变化

之前：每年成交 25 个 offer，瓶颈在筛选和协调。之后：每年 40+ 个 offer，因为 Agent 处理了所有重复性工作，Rachel 可以同时管理更多岗位。

// ScheduleWiz 关键时刻

ScheduleWiz 检测到一位 VP 级候选人的面试时间与另一场面试冲突，自动重新安排并通知所有方。如果错过这次面试，候选人已经准备接受竞对 offer。一次挽救 = 一笔六位数猎头费。

// 总月成本

在 OpenClaw 上运行全部 Agent 每月约 $14 LLM token 成本。初级招聘协调员每月 $4,000–6,000。Agent 7x24 工作，永不休假，永不忘记跟进。

配置指南

OpenClaw 配置
参考

Rachel 招聘 Agent 网络的核心配置。根据你的行业和岗位需求调整。

agents/talent-scanner.json

{
  "id": "talent-scanner",
  "schedule": "0 7 * * 1-5",
  // 工作日 7am
  "sources": [
    "linkedin",
    "boss_zhipin",
    "lagou",
    "email_inbox"
  ],
  "matching": {
    "min_score": 0.75,
    "skill_weight": 0.40,
    "experience_weight": 0.30,
    "culture_weight": 0.15,
    "location_weight": 0.15
  },
  "output": "email + wecom"
}

PipelineBot — 阶段配置

# PipelineBot 招聘漏斗阶段

STAGES:
  - sourced        # 已发现
  - contacted      # 已联系
  - screening      # 初筛
  - interview_1    # 一面
  - interview_2    # 二面
  - final_round    # 终面
  - offer          # Offer
  - closed         # 入职

NUDGE_RULES:
  no_response_hours: 48
  offer_expiry_days: 5
  auto_followup: true

REPORTING:
  client_weekly: "Friday 16:00"
  format: "pdf + email"

ScheduleWiz — 系统提示词

# ScheduleWiz 指令

你是高效、精确的面试协调专家。
你的目标是最大化面试安排效率，
同时确保零冲突。

核心规则：
1. 优先使用候选人偏好时段
2. 同一候选人多轮面试
   间隔不少于 1 天
3. 面试官连续面试不超过
   3 场/天
4. 跨时区自动转换并标注
   双方本地时间
5. 冲突检测 → 自动提供
   3 个替代方案

不要：双重预约任何人。
你的工作是消除协调摩擦。

语气：专业、简洁、确认式。
每次安排都要双方确认。

MarketIntel — 数据源配置

# MarketIntel 数据源配置

SALARY_SOURCES:
  - levels.fyi
  - glassdoor
  - maimai_salary
  - zhipin_market

COMPETITOR_WATCH:
  - "bytedance"
  - "alibaba"
  - "tencent"
  - "pdd"
  - "xiaohongshu"

TREND_TRACKING:
  roles: ["backend", "ai_engineer",
    "frontend", "devops"]
  regions: ["beijing", "shanghai",
    "shenzhen", "remote"]
  update_frequency: "daily"

OFFER_OPTIMIZER:
  include_equity: true
  include_benefits: true
  percentile_target: 75

90 天后结果

Rachel 的数据

运行完整招聘 Agent 网络三个月。变化如下。

20x

简历筛选速度提升——从每岗 5 小时缩短至 15 分钟

12h

每周从重复性工作中回收的小时数

$14

全部 Agent 月成本——vs 初级协调员 $4K+

以前我是一个被简历和日程淹没的猎头，现在我是一个有四个 AI 助手的招聘策略师。TalentPool Agent 每个月都能从我的老候选人库里挖出宝藏——上个月一位两年前的银牌候选人通过重新激活，拿到了 CTO offer。这不只是效率提升，是整个工作方式的升级。

Rachel Kim

// 科技行业猎头顾问 · 年成交 40+ offer

猎头的 AI 招聘引擎

简历海洋，人才饥荒

你的4-Agent招聘网络