博客
小析博客
招聘 AI 的技术、产品与行业洞察——来自小析数据科学团队的一线实践。
文档智能大模型能稳定输出 JSON，就等于简历解析可靠吗？
拆开语法合法、Schema 合规、字段有据和业务可用四层质量，说明约束解码能解决什么、不能解决什么，以及如何构建证据化抽取管线。
阅读 →
简历解析多语言简历解析，难点远不止“把文字翻译成中文”
从 LayoutXLM、ESCO 与跨语言职业映射实践出发，分析姓名、日期、学历、岗位和技能在不同语言与地区间为何不能直接翻译，以及生产系统如何保留证据并完成标准化。
阅读 →
人才搜索人才搜索怎么测，才不会被“看起来挺准”骗过？
从查询集、相关性标注、候选人级聚合、离线指标和线上行为出发，建立一套能定位召回与排序问题的人才搜索评测体系。
阅读 →
简历解析大模型来了，简历解析还需要规则和传统模型吗？
从信息抽取研究和生产链路出发，拆解大模型在简历解析中的真实能力边界：哪些字段适合 LLM，哪些仍应交给 OCR、版面模型、规则与专用模型。
阅读 →
职位解析一份 JD 到底在招什么：职位要求与技能抽取方法
从 SkillSpan、弱监督技能抽取与 ESCO 职业技能体系出发，将 JD 拆成职责、必要条件、优先条件和可追溯标准技能。
阅读 →
人才搜索向量搜索如何找到关键词之外的候选人
从 Sentence-BERT、DPR、ColBERT 与 SPLADE 出发，拆解人才搜索中的稠密召回、稀疏检索、混合排序和可解释证据。
阅读 →
行业洞察生成式 AI 进入招聘：哪些工作能做，哪些不能交给它
结合 GPT-4 技术报告、系统卡与 NIST AI RMF，区分招聘生成式 AI 的低风险辅助任务、高影响决策边界和上线评估方法。
阅读 →
简历解析NER 在简历解析系统中的应用及方法
命名实体识别（NER）能识别文本中的人名、机构名、职位名等实体。在简历解析中，NER 帮助提取姓名、工作经验、教育背景、公司与学校等关键信息，为分类与匹配做准备。
阅读 →
数据工程模型问题还是数据问题？招聘 AI 的数据质量工程
从 Data Cascades、Datasheets、ML Test Score 与技术债研究出发，建立招聘 AI 的数据合同、质量门、切片监控和问题追溯体系。
阅读 →