简历匹配度是怎么算出来的

很多工具给你一个分数就完了，不说是怎么来的。 这篇把 Job-helper 的算法摊开讲——包括它算不准的地方。

2026 年 9 月

职位列表快速匹配分的公式

匹配分由三部分加权得出：

为什么硬性要求和技能匹配是同样的权重

因为两者回答的是不同的问题。

• 硬性要求决定「简历会不会被筛掉」——这一关通常由 HR 或系统在几秒内完成。
• 技能匹配决定「进了面试能不能聊下去」——这一关由技术面试官判断。

只看硬性要求，会漏掉大量学历年限刚好卡线、但技能高度契合的岗位； 只看技能匹配，会推荐一堆根本过不了初筛的岗位。 各占 0.4，是为了让一个分数同时反映这两个维度。

加分项只给 0.2，是因为它对结果的实际影响本来就小—— 「有大厂经验者优先」这类条件，满足了是锦上添花，不满足也很少成为拒绝理由。

三项分别怎么算

硬性要求

基础分为 100。学历低于岗位要求扣 40 分；工作经验每少一年扣 20 分，经验项最多扣 50 分；结果不低于 0。差距也会单独提示。当前快速计算不对专业方向单独评分。

技能匹配

必备技能分 = 已命中的必备技能数 ÷ 提取出的必备技能总数 × 100，向下取整。当前快速计算将技能名转为大写后比较，不保证自动合并 K8s 与 Kubernetes 等别名，也不区分“了解”和“熟练使用”的深度。若没有提取出必备技能，此项默认 100；应同时检查 JD 是否完整。

加分项

加分项按已命中加分技能数占提取出的加分技能总数计分，向下取整。如果没有提取出加分技能，此项默认 50。它反映提取到的技能条件，不代表覆盖了岗位的所有偏好。

为什么 AI 详细报告的分数可能不同

上面的 40% / 40% / 20% 用于职位列表的快速匹配。AI 详细报告还考虑经历与岗位的语义关联，当前公式为：硬性要求 × 20% + 必备技能 × 30% + 加分技能 × 15% + AI 语义分析 × 35%，结果向下取整。

网页试用生成的是详细报告，因此分数可能与列表快速分不同。文本解析结果、缺失信息和模型判断都会影响结果；请结合原始 JD、简历事实及报告中的待确认问题阅读。

这个分数不能用来做什么

它看的是文本，不是你这个人。下面这些东西它一概看不到：

• 你对这个行业的理解深度
• 作品集、开源项目、个人影响力
• 内推关系
• 团队当下真实的缺口（JD 常常是半年前写的）
• 招聘方愿意为合适的人放宽多少条件

所以：匹配分的用途是在几十个岗位里排优先顺序，以及指出简历上可以补什么。 它不替你决定投不投。

还有一点值得说明：分数高不代表容易拿到 offer。 匹配度高说明你和 JD 描述的画像吻合，但同样吻合的人可能还有几十个。 真正的差异化往往在 JD 之外。

为什么要公开算法

一个不说来源的分数，用户没法判断它准不准，也不知道该改什么。 「你的匹配度 62 分」——所以呢？

把权重写出来之后，这个分数才变得可用： 你知道 62 分里硬性要求扣了多少、技能扣了多少， 也就知道是该改简历措辞，还是这个岗位本来就不适合。

常见问题

自己试一次

不用先安装或注册。粘贴完整 JD 和简历，查看 AI 详细报告的匹配亮点、差距与修改建议。

相关