2023 年以后，简历解析领域出现了一个很有诱惑力的方案：把整份简历交给大语言模型，要求它按照 JSON Schema 返回姓名、教育、工作和技能。演示通常很漂亮——不需要训练字段模型，不需要写很多规则，甚至换一种语言也能工作。
但演示回答的是“模型能不能做一次”，生产系统要回答的是另一组问题：一万份文件能否稳定处理？同一字段重复运行是否一致？模型升级后结构会不会漂移？没有证据的字段会返回空值，还是补出一个听起来合理的答案？
我们的结论不是“大模型不能做简历解析”，而是：简历解析本质上是文档恢复、信息抽取、语义归一和数据校验组成的系统工程。大模型增强了其中的语义层，却没有消除其他层。
先把“简历解析”拆成四个不同问题
一份 PDF 最终变成可入库的候选人数据，至少经历四类任务。
- 文档恢复：打开 PDF、Word 或图片，识别字符、表格、双栏与阅读顺序。
- 事实抽取：找到姓名、电话、日期、公司、岗位和学校，并保持它们之间的归属关系。
- 语义归一：把“算法研发”“机器学习工程师”等不同表达映射到岗位或技能体系。
- 业务校验：检查时间线、字段类型、枚举值、重复记录和必填约束。
LLM 对第三类问题最有优势，对第二类中的模糊字段也有帮助；但电话号码是否抄对、双栏是否串行、两段经历是否错配，并不会因为模型更会推理就自动消失。
研究告诉我们：通用能力不等于遵循字段定义
大模型的信息抽取能力确实在快速进步。2023 年的 UniversalNER 研究利用大模型蒸馏开放域命名实体识别能力，并在 9 个领域、43 个数据集上评估，说明“开放字段”和跨领域抽取不再必须为每个实体类型从零训练模型。
但另一项更值得工程团队重视的研究是 GoLLIE。作者发现，大模型面对信息抽取任务时，不能仅靠字段名理解复杂标注边界；经过“遵循详细标注指南”的训练后，零样本抽取才得到明显改善，消融实验也显示详细指南是关键因素。
这与简历解析非常接近。company 到底指雇主、客户还是项目合作方？end_date 如何表示“至今”？校内实验室经历算教育、项目还是工作？如果团队自己没有清晰定义，大模型只会把歧义以更流畅的方式输出。
所以，接入 LLM 前最重要的资产可能不是提示词，而是一份能让标注员、产品经理和模型得到同样答案的字段规范。
哪些字段适合交给 LLM
可以按“是否依赖语义”和“是否容忍生成”划分。
适合由 LLM 或语义模型增强的任务：
- 根据职责而非标题判断岗位类别；
- 从项目描述中识别技能及其使用场景；
- 归纳工作职责，但要求引用原文证据；
- 判断一段文本属于教育、工作还是项目模块；
- 将非标准岗位、专业和技能映射到候选标准项。
更适合确定性方法或专用模型的任务：
- 电话、邮箱、身份证件号等逐字符字段；
- 日期解析、格式转换与时间逻辑；
- PDF 阅读顺序、表格单元格和跨页区域；
- Schema 校验、枚举检查、去重和必填约束；
- 必须完全复现原文的公司名、学校名与人名。
这里并不是说 LLM 不能识别电话号码，而是没有必要让一个具有生成自由度、成本更高的模型承担正则表达式和校验器更稳定的工作。
四类错误不能用同一种方式修
团队看到解析错误时，常见反应是换模型或改提示词。但错误可能发生在完全不同的层。
字符错误发生在 OCR 或文件转换阶段，例如把 0 识别为 O。结构错误是文字都对，但阅读顺序或记录归属错了。语义错误是模型没有正确理解岗位、技能或字段边界。生成错误则是模型在证据不足时补全内容。
如果公司名在 OCR 阶段已经少了一个字，继续优化岗位提示词无济于事；如果模型生成了原文不存在的学历，增加 OCR 样本也解决不了。生产系统需要保留中间结果，才能把错误定位到具体层。
一条可落地的混合链路
我们更建议采用“确定性骨架 + 语义增强”的架构。
文件进入系统后，先完成格式识别、OCR、版面区域和阅读顺序恢复。电话、邮箱、日期等字段由规则或专用模型提取。工作经历则先恢复记录边界，再让语义模型处理岗位归一、技能映射和描述理解。最后所有结果进入统一 Schema 校验，并保存原文位置、抽取方法、模型版本与置信度。
LLM 输出还应遵守几个硬约束：
- 只允许返回 Schema 中存在的字段；
- 每个推断字段必须同时返回证据片段或坐标；
- 找不到证据时返回空值，不能用常识补全；
- 标准化值与原始值分别保存；
- 时间、号码和枚举字段经过独立校验；
- 超时、格式错误或低置信时回退到稳定基线。
这套链路看起来没有“一次提示词完成全部解析”简洁，但它能回答生产系统最重要的问题：错误发生在哪里，以及是否可以安全自动入库。
不要只测一个“整体准确率”
评估至少要按三个维度拆分。
第一是字段维度：姓名、电话、日期、公司、岗位、技能分别计算完全匹配率或 Precision、Recall、F1。第二是文档维度：单栏、双栏、表格、扫描件、语言和来源分别统计。第三是稳定性维度：同一输入重复运行、模型版本升级和提示词变化后，结构是否一致。
对生成式字段还应额外测：无证据时的误填率、引用证据正确率、Schema 合法率和字段级成本。美国国家标准与技术研究院的 生成式 AI 风险管理框架 也将“confabulation（虚构）”列为需要管理的风险。对于招聘数据，流畅但不存在的经历比一个明确的空字段危险得多。
一个更现实的技术决策
如果企业已经有成熟解析链路，不必为了使用大模型推倒重来。可以先挑选传统系统最薄弱、又容易人工核验的一个环节，例如岗位标准化或技能归一，让 LLM 与现有模型并行运行；用固定测试集比较增益、错误类型、延迟与成本，再决定是否扩大范围。
如果从零建设，也不要从“选择哪个大模型”开始，而应先定义字段、证据、错误代价和人工复核规则。模型会不断更新，数据合同与评估体系才是更长期的基础设施。
大模型真正改变简历解析的地方，是让系统有机会理解过去只能靠关键词近似处理的语义；它没有改变的，是生产系统仍然要为每一个字段的正确性负责。