一、引言：2026，AI 从“能说”到“能闭环”

还记得那种感觉吗？刚接触大模型时，感觉它什么都能聊；但真的要让它在系统里跑通一件事，它就歇菜了。作为关注 AI 落地的开发者，我观察到一个尴尬的现实：当我们还在惊呼 2026 年是“AI 智能体元年”（各大厂商疯狂接入 OpenClaw，让 AI 拥有“数字手脚”）时，绝大多数企业的招聘初筛，依然停留在令人绝望的“半自动化”阶段。
今天的 HR 确实不全靠肉眼硬扛了，他们会挂着 ChatGPT，把简历复制粘贴进去：“请帮我评估这个候选人”。但这种“人工投喂”，很快就会遇到四堵墙：

❌ 无法批量：100 份简历 = 100 次复制、粘贴、等回复，劳动量没少多少。
❌ 标准飘忽：提示词稍有不同，AI 的评分尺度就左右横跳。
❌ 没有闭环：看完还得人工把结果搬进招聘表格，AI 只是“参谋”，不是“打工人”。
❌ 数据流失：评价全在聊天记录里，根本无法沉淀为企业的人才库。

去买专业的 ATS 系统？动辄数万年费和复杂的配置令人望而却步。自己写脚本代码抓取？研发周期和维护成本又太高。

那么，破局点在哪？

如果在 2025 年，这还是个难题；但在 2026 年，答案已经非常清晰——AI Agent（智能体）。

一个具备感知、规划、执行能力的智能体，恰好能完美填补“对话生成”到“闭环执行”的鸿沟。只要丢给它一批简历，它自己读、自己评、最后把结构化结果推送到钉钉。

在这里插入图片描述
市面上的智能体平台琳琅满目（Coze、Dify、还有火爆的 OpenClaw），到底哪一款才是招聘初筛的最优解？不写一行代码，效率提升 15 倍的体验到底有多爽？

接下来，我们用真实数据说话。

二、平台选型：为什么是 ModelEngine Nexent？

先看一个直观的全景对比：

在这里插入图片描述

OpenClaw 为什么不适合招聘初筛？

在这里插入图片描述
OpenClaw 是 2026 年最火的自主执行框架，但它在招聘场景上存在四个不匹配：

    1. 技能树不匹配：OpenClaw 强在“执行”（操作电脑、跨应用自动化），而招聘初筛的核心是理解和判断（解析简历语义、评估匹配度），需要的是 RAG 和知识库治理，不是自动化操作。
    1. Token 消耗不可控：OpenClaw 不内置大模型，每步都调用外部 API。有用户因循环卡顿，6 小时耗光 9000 万 Token，单日账单超千元。批量处理简历的成本结构非常不友好。
    1. 安全和稳定性隐患：原生 OpenClaw 缺乏权限隔离，易出现越权操作、敏感文件篡改。国家互联网应急中心已发布风险提示，工信部 NVDB 收录相关漏洞 82 个（超危 12 个）。简历数据安全是底线。
    1. 治理能力缺失：招聘需要“稳定、可控、可排查的自动化流水线”，而非“会自由发挥的助理”。OpenClaw 的 Skill 治理、权限约束、结果稳定性等工程问题尚未解决。

那为什么最终选择了 Nexent？

在这里插入图片描述
招聘初筛的本质是知识驱动的评估任务，不是自动化执行。它需要：理解简历的智能体、完善的知识库治理、零代码开箱即用、安全可审计。OpenClaw 强调“动手”，Nexent 解决“动脑”——角色完全不同。

三个理由：
  • 极致零代码：自然语言描述需求，平台自动生成完整智能体，HR 也能上手。
  • 数据全在本地：一键 Docker 部署，所有简历数据不出服务器，杜绝第三方泄露。
  • 功能直击痛点：内置知识库自动总结、20+ 文件格式解析、MCP 打通钉钉/飞书。
    相比 Coze 的“轻量但不够深”、Dify 的“灵活但需要技术底子”、OpenClaw 的“执行强但治理弱”，Nexent 做到了 “既深又浅”。

2.1 ModelEngine Nexent 是什么？

在这里插入图片描述
ModelEngine Nexent 是华为开源 ModelEngine 生态下的核心智能体平台，一个零代码、自然语言驱动的 AI Agent 自动生成平台。你只需要用自然语言描述需求，平台就能自动生成包含提示词、工具集成、知识库检索的完整智能体——无需拖拽、连线或手动配置节点。

通俗点说：Nexent 能 “把你说的话，变成能干活儿的 AI”。

它的底层基于 MCP（Model Context Protocol）工具生态，支持本地一键部署，深度整合知识管理、数据处理与多智能体框架。ModelEngine 提供数据工程、模型工程等全链路能力，与 Nexent 互补。

2.2 Nexent 的核心能力（招聘场景）

  • 零代码智能体生成：一句话生成招聘初筛助手的提示词和业务逻辑
  • 知识库 + RAG：上传 JD 和评分标准，自动解析、分片、向量化，精准检索
  • MCP 工具生态：轻松对接钉钉/飞书，实现“筛选完成→自动通知”闭环
  • 知识库自动总结：创建知识库后自动生成概览，提升多库检索速度和准确度
  • 20+ 文件格式解析：PDF、Word、Excel、图片等无需额外配置
  • MIT 协议开源：可自由拉取代码学习、二次开发，每周都有更新

三、环境搭建：5 分钟本地部署 Nexent

Nexent 的部署非常简单。根据官方文档，最低硬件要求仅为 2 核 CPU、6 GB 内存，即可在普通笔记本上流畅运行。实测只需四行命令，5 分钟左右即可运行（耗时主要取决于镜像下载速度）。

3.1 部署前置条件

在开始之前，请确保系统满足以下要求：

  • CPU：2 核
  • 内存：6 GiB
  • 软件：已安装 Docker 和 Docker Compose

3.2 Docker 一键部署

打开终端，执行以下命令序列：

# 克隆仓库
git clone https://github.com/ModelEngine-Group/nexent.git
# 进入 docker 目录
cd nexent/docker
# 复制环境变量配置文件
cp .env.example .env
# 执行部署脚本
./deploy.sh

在这里插入图片描述
部署脚本启动后，会进入交互式配置向导：

  1. 版本选择：系统提供两个版本供选择：
  • Speed version：轻量快速部署，适合个人用户和小团队
  • Full version：完整功能版，提供企业级租户管理和资源隔离等高级功能
    默认为 Speed verssion，回车即可。
    在这里插入图片描述
  1. 部署模式：选择开发模式，暴露所有服务端口以便调试。

在这里插入图片描述
3. 设置根目录&安装终端工具容器：
根目录用于保存 Docker 容器相关数据，如：postrgresql、redis等数据；终端工具容器启用后 AI Agent 可以通过 SSH 连接到该容器，并在其中执行系统级的 Shell 命令。
在这里插入图片描述
4. 是否使用中国镜像源
默认为 N，注意：但是我们需要手动输入 Y。众所周知，国内访问 DockerHub 大概率会被卡住或被拦截，所以有很多镜像源提供加速服务。

在这里插入图片描述
在这里插入图片描述
等待几分钟后，所有容器启动完成。在浏览器中打开 http://localhost:3000，即可进入 Nexent 前端界面。可以看到启动的容器包括 nexent-web、nexent-config、nexent-mcp、nexent-runtime 等多个核心服务，以及 PostgreSQL、Redis、Elasticsearch、MinIO 等基础设施容器。

在这里插入图片描述

四、核心能力深度体验：Nexent 的自动化能力

部署完成后，就可以开始配置智能体了。这个过程中，Nexent 的 “知识库自动总结” 和 “提示词自动生成” 两大自动化能力让我印象深刻。

4.1 模型配置

点击“快速配置”，进入模型配置界面。Nexent 支持接入各类 AI 模型，包括大语言模型、向量化模型和视觉语言模型。

  1. 首先添加大语言模型

在这里插入图片描述
在 Nexent 中，大语言模型支持 ModelEngine、OpenAI、Kimi、Deepseek、Qwen。在这个项目中，我选择是 Qwen。阿里云的新用户拥有免费额度，你也可以使用它进行测试我们的项目。
首先获取 API KEY，打开这个地址：https://bailian.console.aliyun.com/cn-beijing?tab=model#/api-key，如果没有创建即可，测试时权限选择全部即可。

在这里插入图片描述
在模型广场，查询我们要使用的语言大模型，Qwen3.6-plus 为最新的阿里云模型，可以打开他的模型页面进行查看以及，查看接入文档。此时，需要记住模型的 URL 以及 模型名称。

在这里插入图片描述
在 Nexent 页面，点击 【快速配置->添加大模型】，填写相关配置，完成后务必测试连通性，确保配置成功。
- 模型类型：大语言模型
- 模型名称：qwen3.6-plus
- 模型URL：https://dashscope.aliyuncs.com/compatible-mode/v1
- API Key：请填写生成的 API Key 即可，如：sk-10xxxxxxx

在这里插入图片描述
2. 添加向量模型
阿里云的 text-embedding-v4，配置时需要填写：

  • 模型类型：向量模型
  • 模型名称：text-embedding-v4
  • 模型 URL 地址：https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings
  • API Key：sk-01xxxxxx

在这里插入图片描述
3. 其他模型（可选）

  • 重排模型：用于对检索结果进行二次排序，提升精度。招聘初筛中知识库内容较少，且已用向量模型召回，通常不需要额外重排。
  • 多模态向量模型 / 多模态模型：用于处理图片、视频等非文本内容。招聘简历主要是 PDF/Word 文本，无需多模态能力。
  • 语音模型（语音合成/识别）：招聘初筛是纯文本交互，不需要语音功能。

4.2 应用配置

配置好模型后，进入应用配置。这里需要修改智能体应用的名称和描述。我将其命名为 “智能招聘助手” ，描述如下：

“智能招聘初筛助手是一款专业的 AI 招聘顾问，能够根据岗位要求自动解析候选人简历，提取关键信息（学历、工作年限、技能标签），对照知识库中的评分标准进行匹配度评估，输出结构化评估报告，并将高匹配度候选人信息自动推送至协作平台。”

4.3 知识库创建：自动总结的“黑科技”

知识库是智能体进行专业领域问答的信息来源。我上传了两份核心文档：

  • 岗位说明书.docx：包含岗位职责、硬性要求（学历/经验/技能）、加分项
  • 评分标准.md：定义了详细的评分规则，例如“本科 2 分，硕士 4 分，博士 5 分；相关经验每 1 年加 1 分，上限 10 分；Python 熟练加 3 分……”

上传后，Nexent 会自动处理文件，提取文本内容并进行向量化。这里不得不提 Nexent 的一个创新特性——知识库自动总结。知识库创建成功之后，系统会通过知识库的内容智能生成该知识库的概览，这些概览会在 AI Agent 检索时提供知识库的全景视图，从而提升在多知识库索引时的速度和准确度。

这在招聘场景中非常实用。当智能体需要在多个知识库（如不同岗位的 JD 库、不同部门的评分标准库）之间切换检索时，自动生成的概览可以让 Agent 快速理解每个知识库的主题范围，精准定位到需要的信息，避免跨库检索时的混淆和误判。
文件处理状态依次为“解析中”“入库中”“已就绪”，整个过程仅需几十秒。

在这里插入图片描述
以下为文件示例内容：

# 岗位说明书：Python 后端开发工程师

## 岗位职责
- 负责公司核心业务系统后端模块的设计、开发与维护
- 参与系统架构设计，保证系统的高性能、高可用和可扩展性
- 与产品、前端团队协作，完成需求分析、技术方案制定和落地
- 编写高质量、可维护的代码，参与代码评审
- 持续优化现有系统，解决线上问题

## 硬性要求（门槛条件）
- 学历：**全日制本科及以上**（计算机、软件工程、信息技术等相关专业优先）
- 工作经验：**2 年以上 Python 后端开发经验**
- 技术栈：熟练使用 **Python**，至少熟悉一种 Web 框架（Flask / Django / FastAPI）
- 数据库：熟悉 **MySQL** 或 PostgreSQL，具备 SQL 优化能力

## 加分项
- 有 Docker、Kubernetes 容器化部署经验
- 熟悉 Redis、消息队列（RabbitMQ / Kafka）
- 有微服务架构设计或开发经验
- 有 GitHub 开源项目或技术博客
- 具备良好的英语阅读能力（能查阅英文技术文档）

## 工作地点
北京 / 上海 / 杭州（可选）

## 薪资范围
20-35K·14薪（根据能力定级）


# 候选人评分标准（Python 后端开发岗位）

## 一、学历评分（满分 10 分）
| 学历       | 分数 |
|------------|------|
| 博士       | 10   |
| 硕士       | 8    |
| 本科       | 6    |
| 大专及以下 | 0（直接淘汰）|

> 注：非全日制本科按 4 分计。

## 二、工作经验评分（满分 15 分）
| 年限         | 分数 |
|--------------|------|
| 5 年以上     | 15   |
| 3-5 年（含） | 12   |
| 2-3 年（含） | 8    |
| 1-2 年（含） | 4    |
| < 1 年       | 2    |

## 三、技能匹配度（满分 40 分）
### 核心技能（每个 8 分）
- Python 编程
- Flask / Django / FastAPI（任一）
- MySQL / PostgreSQL
- Git 版本控制
- Linux 基础命令

### 加分技能（每个 4 分，上限 20 分）
- Docker
- Kubernetes
- Redis
- 消息队列（RabbitMQ / Kafka）
- 微服务架构
- 单元测试 / pytest
- CI/CD 流程
- AWS / 阿里云等云平台

## 四、稳定性与软素质（满分 10 分）
- 每段工作经历 ≥ 2 年：+2 分（最高 6 分）
- 简历中有技术博客 / GitHub 开源贡献：+2 分
- 表达清晰、逻辑严谨（根据简历描述判断）：+2 分
- 频繁跳槽（平均每段 < 1 年）：-5 分

## 五、总分计算与建议
- **总分 = 学历分 + 经验分 + 技能分 + 稳定性分**
- **强烈推荐面试**：总分 ≥ 70
- **可考虑储备**：50 ≤ 总分 < 70
- **淘汰**：总分 < 50 或硬性门槛不满足

## 示例
> 候选人：本科（6分）+ 3年经验（12分）+ 核心技能（Python+Flask+MySQL+Git+Linux = 40分）+ 加分项（Docker+Redis = 8分）+ 稳定性（每段 >2年 = 6分）  
> 总分 = 6+12+40+8+6 = 72 → **强烈推荐面试**

4.4 智能体创建：提示词自动生成

有了知识库之后，就可以创建智能体了。Nexent 的智能体创建体验非常丝滑。在“应用设置”中配置好应用名称和描述后，点击“生成智能体”，系统便会自动生成智能体的详细信息——包括智能体信息、智能体角色、使用要求、示例等多个维度的内容。
Nexent 内置了提示词生成能力，用户只需要自然语言描述需求，就能自动根据用户的需求生成高质量提示词。这是 Nexent 区别于其他平台的核心优势之一——不擅长撰写复杂提示词的开发者也能轻松上手。
系统自动生成的角色说明和示例非常详尽，包含多轮对话的思考过程和代码示例，大大降低了智能体开发的门槛。

  • 智能体名称：招聘助手
  • 智能体变量名：recruitment_screener
  • 作者：王大龙
  • 描述智能体如何工作
    我是一个招聘助手，专门帮助HR快速评估候选人简历。
我的工作流程：
1. 用户上传一份或多份简历文件（PDF/Word/Markdown格式）
2. 我会调用知识库中的「岗位说明书」和「评分标准」，理解岗位要求和评分规则
3. 对每份简历进行解析，提取：姓名、学历、工作年限、技能关键词
4. 先判断是否满足硬性门槛（学历本科及以上、工作年限≥2年）
   - 不满足则标记“淘汰”，并说明原因
5. 对满足门槛的简历，按评分标准逐项打分：
   - 学历分（博士10分、硕士8分、本科6分）
   - 经验分（5年以上15分、3-5年12分、2-3年8分）
   - 技能分（核心技能每个8分，加分技能每个4分，上限40分）
   - 稳定性分（每段工作≥2年加2分，频繁跳槽扣5分）
6. 计算总分，给出建议：
   - ≥70分 → 强烈推荐面试
   - 50-69分 → 可考虑储备
   - <50分 → 淘汰
7. 输出结构化评估报告，格式如下：
   【候选人】姓名
   【硬性门槛】通过/不通过
   【匹配度评分】总分
   【关键评价】优势与风险点
   【建议】强烈推荐面试/可考虑储备/淘汰
8. 如果启用了钉钉MCP，当匹配度≥70分时，自动将报告推送到指定钉钉群。

点击生成智能体，自动生成角色、要求、示例等：

在这里插入图片描述

4.5 配置智能体：提示词工程

接下来配置智能体的核心提示词。Nexent 的强大之处在于，大部分提示词可以通过自然语言描述自动生成，但为了达到最佳效果，我进行了一些精细化调整，让智能体具备更精准的简历解析和评分能力，请填入智能体角色，因为它就是系统提示词 System Prompt，决定智能体的核心行为逻辑。
你是一个专业的招聘初筛助手，请严格按照以下步骤处理用户上传的简历：

第一步：简历解析
- 提取候选人姓名、最高学历、毕业院校及专业
- 提取工作年限，逐段列出工作经历及任职时间
- 提取技能关键词，按熟练程度分类（精通/熟悉/了解）

第二步：门槛筛选
- 对照岗位要求进行硬性门槛判断
- 如不满足硬性要求（如学历不足或经验不足），直接标记为“淘汰”，无需继续评分

第三步：匹配度评估
- 对通过门槛的简历，按评分标准逐项打分
- 学历评分 + 经验评分 + 技能评分 = 总分（满分 100 分）
- 总分 ≥ 80 分为“强烈推荐”
- 总分 60-79 分为“可考虑”
- 总分 < 60 分为“暂不推荐”

第四步：输出评估报告
- 输出格式必须为以下结构化格式：
---
【候选人】XXX
【硬性门槛】通过/不通过
【匹配度评分】XX 分
【关键评价】优势：XXX；风险点：XXX
【建议】强烈推荐面试/可考虑储备/淘汰
---

这个提示词的关键设计点在于 “分步执行” ——先解析、再筛选、再评分、最后输出。这样做的好处是：每个步骤的输出可以作为下一步的输入，便于调试和追踪问题。同时，结构化的输出格式让后续的自动化推送更加顺畅。

4.6 为智能体添加 knowledge_base_search 知识库搜索技能

在这里插入图片描述
在这里插入图片描述
为了方便测试，需要获取到知识库的 ID，暂时没有页面的渠道获取，你可以通过 chrome devtools 搜索时，查看索引ID。

{"query":"岗位","index_names":["1-18d80442fdc540c6baffa0dbaeece2ac"],"top_k":10,"weight_accurate":0.5}

在这里插入图片描述
执行工具测试，可以看到知识库的检索也是成功的。

在这里插入图片描述

4.7 版本发布

发布成功后，就可以在对话中使用了。

在这里插入图片描述

4.8 智能体测试

在这里插入图片描述
以下为示例简历内容：

# 简历

**姓名**：李明轩  
**联系电话**：138-0000-1234  
**邮箱**：limingxuan@example.com  
**求职意向**：高级后端工程师 / 技术架构师  

---

## 教育背景
- **清华大学** | 计算机科学与技术 硕士 | 2016-2020 | GPA 3.9/4.0
- **浙江大学** | 软件工程 学士 | 2012-2016 | 校级优秀毕业生

---

## 核心技能
- 语言：Java / Go / Python，熟悉 Rust、TypeScript
- 框架：Spring Cloud、Kratos、FastAPI
- 数据库：MySQL、PostgreSQL、MongoDB、Redis
- 中间件：Kafka、RabbitMQ、Elasticsearch
- 云原生：Kubernetes (CKA)、Docker、Terraform
- 其他：微服务架构、高并发系统设计、DevOps 实践

---

## 工作经历

### 字节跳动 – 高级后端工程师（2021.03 – 至今）
- 主导**抖音直播中台**重构，将核心服务 QPS 从 5000 提升至 2.5w，P99 延迟降低 40%。
- 设计并落地**多级缓存 + 异步写回**方案，解决大促期间数据库热点问题。
- 推动团队引入 Go + Kratos 微服务框架，统一 RPC 治理，服务可观测性提升 80%。
- 培养 3 名新人，定期进行代码审查和技术分享。

### 阿里巴巴 – 后端开发工程师（2018.07 – 2021.02）
- 参与**聚划算**商品系统的重构，设计高可用商品信息聚合服务，日调用量破亿。
- 基于 RocketMQ 实现订单异步处理，削峰填谷，保证大促期间消息零丢失。
- 优化 SQL 慢查询，将商品列表接口响应时间从 800ms 降至 120ms。

---

## 项目经验

### 分布式链路追踪系统 (2023.01 – 2023.08)
- 自研轻量级 APM 组件，支持 OpenTelemetry 协议，实现全链路日志关联。
- 开发采样率和存储策略，每日处理 TB 级 trace 数据，成本降低 30%。

### 智能招聘助手平台 (2022.06 – 2022.12)
- 设计简历解析服务，利用 NLP 抽取候选人技能栈、工作年限等字段。
- 对接钉钉 MCP，实现“高分候选人自动推送面试通知”功能。

---

## 荣誉与证书
- 阿里云 ACE 认证（云架构师）
- 2022 字节跳动技术挑战赛 全国亚军
- 持有 2 项发明专利（分布式缓存、消息队列优化）

---

## 自我评价
热爱技术，乐于分享，具备复杂业务抽象和系统架构能力。善于跨部门协作，推动项目落地。希望在新平台继续挑战高并发、高可用系统建设。

发送简历后自动评估分值。

在这里插入图片描述

五、核心实践：搭建智能招聘 Agent

接下来进入核心实战环节。我将基于 Nexent 平台，批量测试和效果验证的全流程。

5.1 批量测试与效果展示

这是本文最精彩的部分。我准备了 10 份模拟简历（脱敏处理），涵盖不同学历背景、工作经验和技能水平，统一上传到 Nexent 进行批量测试。
测试结果对比

在这里插入图片描述
效率对比：

  • 人工处理：10 份简历约需 25-35 分钟（逐份阅读、记录、对比标准）
  • Agent 处理：10 份简历仅需 约 2 分钟（包含文件上传和解析时间）
  • 效率提升：12-15 倍
    惊喜时刻：简历 4（博士，2 年经验）在人工初筛时可能因为“经验不足 3 年”而被忽略，但 Agent 根据评分标准客观评估——学历加分（博士 5 分）加技能加分（Python/TensorFlow 各 3 分），最终总分 92 分，给出了“强烈推荐面试”的建议。
    这正是 AI 初筛的核心价值：消除人为偏见，所有候选人用同一把尺子衡量。

5.2 进阶集成：MCP 打通钉钉自动推送

为了让招聘流程形成闭环，我通过 Nexent 的 MCP 能力，将智能体与钉钉打通。MCP 将企业内部基础设施标准化为 AI 可读的资源，无需编写大量胶水代码即可实现工具集成。
配置流程如下：

  1. 钉钉开发者平台创建企业应用

在这里插入图片描述
2. 在侧边栏“添加应用能力”中，添加机器人能力，这样我们可以通过机器人实现高效的消息推送和接收的效果，使用机器人向组织内用户或群内发送和接收消息，实现消息的自动高效触达。

在这里插入图片描述
3. 其次，还需要配置机器人的基础信息：头像、名称、简介、描述、预览图以及消息接收接收模式，建议使用"Stream"模式，这样可以使用WebSocket长连接，无需公网IP，适合云函数/本地调试。在本示例中，我才用的是默认的 Stream 模式。

在这里插入图片描述
4. 接下来需要进行"配置权限"，在 “权限管理” 页面，开启以下权限（建议）：

  • 企业内机器人发送消息权限（用于群聊/私聊）：qyapi_robot_sendmsg
  • 根据手机号查 userId（用于单聊）：qyapi_get_member_by_mobile
  • 发送互动卡片：Card.Instance.Write
  • 流式更新卡片（AI 场景必备）：Card.Streaming.Write

在这里插入图片描述
5. 最后，保存并发布机器人，填写完版本号和版本描述后，即可点击"保存"按钮来进行应用的发布。

在这里插入图片描述
6. 最后，可以看到在左上角的"应用"中，已经显示"已上线"，这样就表示一个钉钉机器人就配置成功了。
在"凭证与基础信息"是可以看到 AgentId、Client ID、Client Secret，以及在“机器人”菜单中可以看到 RobotCode， 这 4 项是需要配置到魔搭社区的 MCP 环境变量中，就可以打通钉钉机器人和魔搭社区的MCP通道，让报告能够顺利以钉钉消息形式通知到我们了。

在这里插入图片描述
7. 进入魔塔社区进行 MCP 服务创建
魔塔社区钉钉MCP：https://www.modelscope.cn/mcp/servers/@open-dingtalk/dingtalk-mc。
注意一点，免费部署版本不支持设置 ROBOT_CODE 等环境变量，会导致无法发送消息，此时我们可以自定义部署到自己的阿里云。
在这里插入图片描述
在这里插入图片描述
【 可选】如果需要的群聊功能的话，可以设置 ROBOT_ACCESS_TOKEN。可以在群设置中，添加我们刚刚创建好的企业机器人：招聘助手。添加成功后，会有 webhook url，其中 access_token 就是该值。

在这里插入图片描述
部署成功后，会看到这样的页面。

在这里插入图片描述

点击查看详情，你可以看到一个 URL，这个 URL 就是 Nexent 沟通的桥梁，需要记住，后续我们会用到。

在这里插入图片描述
不过，在此之前，你可以点击“工具测试->getUserIdByMobile”，确保每一个流程都可以完备的正确的，如果存在 ROBOT_CODE 无效等其他问题，此时你就需要去检查复制粘贴是否正确了。

在这里插入图片描述
点击 batchSendMessageToUsersByRobot 测试发送消息。
在这里插入图片描述
此时已经完成了 MCP -> 钉钉。

  1. 接下来，就是 Nexent 添加 MCP 工具，打造 Nexent -> MCP Server -> 钉钉全链路联通。
    在这里插入图片描述
    名称：dingding
    URL：填写上一步 MCP Server 中提供的 URL。

在这里插入图片描述
在这里插入图片描述
10. 配置成功后，接下来再次测试，确保没有问题。

在这里插入图片描述
在这里插入图片描述

  1. 为了我们直接在智能体角色进行微调，添加第五步。

你是一个专业的招聘初筛助手，请严格按照以下步骤处理用户上传的简历：

第一步：简历解析
- 提取候选人姓名、最高学历、毕业院校及专业
- 提取工作年限，逐段列出工作经历及任职时间
- 提取技能关键词，按熟练程度分类（精通/熟悉/了解）

第二步：门槛筛选
- 对照岗位要求进行硬性门槛判断
- 如不满足硬性要求（如学历不足或经验不足），直接标记为“淘汰”，无需继续评分

第三步：匹配度评估
- 对通过门槛的简历，按评分标准逐项打分
- 学历评分 + 经验评分 + 技能评分 = 总分（满分 100 分）
- 总分 ≥ 80 分为“强烈推荐”
- 总分 60-79 分为“可考虑”
- 总分 < 60 分为“暂不推荐”

第四步：输出评估报告
- 输出格式必须为以下结构化格式：
---
【候选人】XXX
【硬性门槛】通过/不通过
【匹配度评分】XX 分
【关键评价】优势：XXX；风险点：XXX
【建议】强烈推荐面试/可考虑储备/淘汰

第五步：高分用户发送到钉钉

若评分 >=80 分则调用 dingding mcp 工具发送到到钉钉，用户ID为：056827130029193319。

从简历解析、匹配度评分到钉钉推送，全流程自动化闭环，无需任何人工干预。至此“Nexent -> MCP -> 钉钉”，全链路联通。

在这里插入图片描述

六、效果与价值总结
通过本次基于 ModelEngine Nexent 的智能招聘初筛 Agent 实践，我总结出以下核心价值：

  • 效率提升 10-15 倍：10 份简历的人工处理时间约 25-35 分钟，Agent 仅需 2 分钟，规模化处理后优势更加明显。
  • 标准化与客观性：消除人工筛选中的疲劳偏差和主观偏见，所有候选人用同一套评分标准衡量。在测试中，Agent 发现了一份因“经验不足”可能被人工忽略的优秀简历（博士+高技能匹配），展示了 AI 在消除人为偏见方面的独特价值。
  • 零代码开发，低成本落地：无需编写简历解析脚本、无需搭建评分模型、无需开发前端界面，仅用自然语言描述需求即可完成智能体搭建，极大降低了企业引入 AI 招聘能力的技术门槛和成本。
  • 可扩展性：同样的能力可以轻松复制到不同岗位——只需替换知识库中的岗位说明书和评分标准，无需修改智能体核心逻辑。

七、总结与展望
ModelEngine Nexent 平台通过零代码、自然语言驱动的开发模式，让智能体开发从“技术专家的专属领域”变成了“每个人都能尝试的普惠工具”。正如官方文档所言，Nexent 是一个零代码智能体自动生成平台，用户只需用自然语言完整描述需求，平台即可自动生成具备完整提示词结构、工具集成、知识库接入与多模态支持的智能体。

在这次招聘初筛的实践中，我深刻感受到 Nexent 带来的不仅仅是效率的提升，更是一种 “智能体即服务” 的开发范式转变。它让有想法的人可以在几十分钟内拥有专属的 AI 助手，而不是花费几周时间去学习复杂的框架和工具链。

展望未来，基于 Nexent 构建的招聘智能体还有很大的扩展空间：

    1. 对接招聘平台 API：自动从 Boss 直聘、拉钩等平台拉取简历，实现“简历入库→智能评估→自动回复”的全链路自动化
    1. 多模态评估：结合视频面试记录，用视觉语言模型分析候选人的表达能力和沟通技巧
    1. 人才驾驶舱：搭建可视化仪表盘，实时展示各岗位的简历漏斗、匹配度分布、面试转化率

给想尝试的读者的建议：如果你是个人开发者或小团队，想快速验证 AI 招聘的想法，Nexent 是最低成本的入口——2 核 6GB 的配置、5 分钟部署、纯自然语言开发，半小时内就能跑通第一个原型。如果用于生产环境，建议先在小范围（如单一岗位、10-20 份简历）内进行 A/B 测试，验证匹配度与人工判断的一致性后再推广。

当 AI 帮你筛掉那 80% 的不匹配简历，你终于有时间去好好了解那 20% 可能改变团队的人。而这，就是 ModelEngine Nexent 带来的真正价值。

# 人工智能
Logo
EazyDevelop社区

一站式 AI 云服务平台

更多推荐

cover

别再踩坑！OpenClaw Windows 超详细安装教程（附避坑）

avatar EazyDevelop社区

Trae工具安装和使用教程（新手零基础入门，全程无坑）

在安装前，先快速了解Trae的核心信息，避免盲目操作，同时明确其适配场景：核心定位：字节跳动自研AI IDE，国内首个AI原生编程工具，由字节跳动旗下新加坡公司SPRING(SG)PTE.LTD.提供服务。适配系统：Windows（Win10及以上）、Mac（支持Apple Silicon/M1芯片）、Linux，本文重点讲解Windows和Mac两种主流系统的安装。核心优势：零配置开箱即用，无需

avatar EazyDevelop社区
cover

为什么邮件处理效率低，重要邮件容易遗漏，回复不及时？解析2026企业邮件自动化落地的系统性挑战与实在Agent解法

avatar EazyDevelop社区