功能
不仅仅是关键词匹配。Curriculo ATS 结合文本搜索、语义向量、实体提取和 LLM 排名，找出完全合适的候选人。
AI 处理
从原始简历到 结构化智能
上传到 Curriculo ATS 的每份简历都会通过多阶段的 AI 流程，提取、评分并索引候选人数据。
1简历解析
AI 从 PDF 简历中提取结构化数据：候选人姓名、电子邮件、工作经历（公司、角色、日期、描述）、教育经历（院校、学位、日期）和技能。不需要手动输入数据。
2合适性评分
每个候选人会根据 AI 生成的合适性评分（0 到 100%），并附上书面说明，解释为何分数被分配。评分评估与岗位要求的匹配程度，而不仅仅是关键词重叠。
3AI 摘要和自动标签
简洁的 AI 生成摘要突显候选人的优势和关键资质。根据提取的技能、经验级别和行业自动应用标签，迅速进行筛选。
4管道恢复
如果任何 AI 处理阶段失败（网络超时、模型错误），管道会自动重试。失败的候选人将进入重新处理队列，以确保没有任何内容停滞在故障状态。
搜索基础设施
向量、实体和 语义理解
向量嵌入
每份简历都会使用 pgvector 转换为 384 维向量嵌入。这捕捉整个文档的语义含义，因此搜索“后台工程师”也会找到自称为“服务器端开发人员”或“API 架构师”的候选人。
段落嵌入
除了全简历嵌入之外，还为每个部分生成单独的向量：经验、教育和技能。这使您可以在特定简历部分内搜索，以获得更精确的结果。
实体提取
命名实体被提取并分类为五种类型：技能（Python、React、SQL）、公司（谷歌、Stripe）、角色（高级工程师、产品经理）、机构（麻省理工学院、斯坦福）和 项目（特定项目或产品）。这些实体为结构化搜索过滤器提供动力。
混合搜索
四种搜索方式，一个排名结果
Curriculo ATS 并行运行四种搜索方法，并使用互惠排名融合 (RRF) 合并结果，以实现最佳排名。
文本全文搜索简历内容和解析字段语义通过 pgvector 嵌入进行相似度搜索实体在提取的技能、公司、角色实体之间进行结构化搜索LLM使用 LLM 判断进行 AI 重新排名以获得细致的相关性排名与筛选
互惠排名融合与 Gmail 风格过滤器
互惠排名融合 (RRF)
每个搜索方法生成自己的排名列表。RRF 通过根据所有方法的排名位置分配分数来合并这些列表。在多个列表中排名靠前的候选人即使没有单一方法将其排名第一，最终得分也会最强。这比任何单一的搜索方法产生更可靠的结果。
Gmail 风格的范围过滤器
使用熟悉的范围运算符缩小搜索范围：in:rejected 搜索被拒绝的候选人，in:trash 查看归档申请者，in:shortlisted 查看您的候选人名单。结合任何搜索查询，实现整个候选池的快速、精确过滤。
384每个向量嵌入的维数5每份简历提取的实体类型4路混合搜索与 RRF 融合$0每个计划均包含 AI 搜索常见问题
常见的 问题
什么是语义搜索，为什么重要？
语义搜索使用向量嵌入理解意义，而不仅仅是关键词。如果您搜索“后台工程师”，它还会找到自称为“服务器端开发人员”或“API 架构师”的候选人，因为意义相似，即使单词不同。
什么是互惠排名融合 (RRF)？
RRF 是一种排名算法，结合来自多个搜索方法的结果。它不是依赖于一种方法，而是合并来自文本、语义、实体和 LLM 搜索的排名列表。在所有方法中始终排名较高的候选人获得最佳最终位置。
从简历中提取了哪些实体类型？
五种类型：技能（编程语言、工具、框架）、公司（雇主名称）、角色（职位名称）、机构（大学、认证）和项目（候选人参与的特定产品或项目）。
如果简历解析失败会发生什么？
管道会自动重试失败的处理。如果经过重试后仍无法解析简历，则会标记为手动审查。候选人档案仍会创建，只是直到问题解决之前，您将无法获得 AI 提取的数据。
免费计划中包含 AI 搜索吗？
是的。简历解析、合适性评分、向量嵌入、实体提取和混合搜索都包含在每个计划中，包括免费的 Starter 计划。