AI Agent 人資招募實戰：JD 撰寫、履歷初篩、面試排程、到職與內訓一條龍

人資的一天，常常被「重複、瑣碎、但又不能不做」的事塞滿：寫 JD、看一堆履歷、跟面試官喬時間、整理報到文件、再趕新人訓練教材。一個 HR 往往要同時扮演招募、行政、訓練三種角色，人力很難擴張，職缺與新人的需求卻一波接一波。這正是 AI Agent 能幫上忙的地方。

這篇要解決的問題：把招募與人才管理的四大環節（JD 撰寫、履歷初篩、面試排程、到職與內訓）用 AI Agent 串成自動化流程，而不是只丟一句「幫我寫個 JD」。 適合誰讀：HR 主管、招募專員、人資夥伴（HRBP）、用人單位主管，不需技術背景。 讀完你會得到：四個可照做的自動化環節、可複製的 Prompt、文字版 Workflow 流程圖，以及台灣中型企業的導入前後成果數據。

重要提醒：本文涉及招募決策、個資處理與勞動法令相關情境。AI Agent 只負責「整理、草擬、排序」，所有錄取與否、薪資條件、勞動契約等決策，務必由人工複核並由具權責者拍板。涉及《個人資料保護法》《勞動基準法》《就業服務法》就業歧視等合規判斷，請諮詢公司法務或專業顧問，本文不構成法律意見。

為什麼招募特別適合 AI Agent？

招募工作有一個被忽略的事實：真正創造價值的是「找到對的人、談成對的人」，但 HR 花最多時間的卻是「處理文件與排程雜務」。一個職缺從開出來到報到，光是寫 JD、上架到各通路、收幾百份履歷、逐份對照需求、約面試、寄通知、準備報到包，一個招募專員可能就耗掉好幾個工作天，而其中大半都不是在「判斷人」，而是在「搬資料」。

這些工作有三個共同點：重複、有規則、吃時間——而這正是 AI Agent 最擅長接手的類型。和單純的 ChatGPT 對話不同，AI Agent 能自己規劃步驟、呼叫工具、串接多個任務，把「寫 JD → 收履歷 → 初篩排序 → 約面試 → 發通知」變成一條會自動跑的招募生產線，而不是每一步都要你手動下指令、手動複製貼上。

換個角度看，招募流程本質上就是一條「文件加工線」：JD 是輸出文件、履歷是輸入文件、面試邀請與報到清單也是文件。只要工作的核心是「把一種文件變成另一種文件」，它就天生適合自動化，這也是 AI 文件自動化 的核心概念在人資場景的延伸。把雜務交給 Agent，HR 就能把時間移去做雇主品牌、人才庫經營、面談深聊、留才方案這些 AI 做不好、卻最影響公司戰力的事。

值得補一句：對求職端而言，AI 同樣正在改寫遊戲規則。候選人現在會用 AI 優化履歷、模擬面試（可參考 AI 求職全攻略）。這代表 HR 收到的履歷會越來越「漂亮」、表面關鍵字越來越齊全——這反而讓「結構化、可解釋的初篩」更重要，因為你需要的不再是比對關鍵字，而是看穿包裝、找出真正符合職務的人。

核心概念：人資自動化的四個環節

很多人以為「AI 招募」就是叫 ChatGPT 寫 JD，但那只用到十分之一的潛力。完整的人資自動化，是把下面四個環節各派一個 Agent 負責，再串成一條從「開缺」到「上手」的流水線：

可以把這四個 Agent 想像成一個「招募小組」：一個負責寫職缺、一個篩履歷、一個約面試、一個帶新人上手。你（HR 主管）的角色從「樣樣自己做」變成「審核與下決策」。這種多個 Agent 各司其職、互相交棒的做法，正是 AI Agent 從入門到實戰 裡談到的協作精神。

這裡要先講清楚一個原創觀點：招募自動化的價值，不在「AI 幫你決定錄取誰」，而在「AI 幫你把不需要判斷的工作清空，讓你把判斷力集中在最關鍵的少數人身上」。 一個職缺收 300 份履歷，真正值得深談的可能只有 15 份。AI 的任務是快速、客觀、可解釋地把這 15 份找出來並附上理由，剩下的判斷仍然是人的責任。把這條界線守好，自動化才會是助力而不是風險。

四個環節的「自動化難度」與「該不該全自動」對照表

不是每個環節都該一次拉到全自動。下面這張表幫你判斷各環節的優先順序與該保留多少人工關卡：

這張表的重點是：重複性與規則明確度越高、需要人判斷越低，就越適合往全自動推；反之要保留越多人工關卡。 履歷初篩雖然重複性高，但因為涉及公平性與法遵，永遠不能讓 AI 直接「決定」，只能讓它「排序與說明」。

實際教學

下面用五個步驟，把上面四個環節落地。建議先挑一個最痛的環節做，跑順了再往兩邊串。

Step 1：盤點最吃時間的招募環節

別一開始就想全自動化。先花半小時把目前一個職缺從開缺到報到的流程畫出來，每一步標上「花多少時間」「重複性高不高」「需不需要人判斷」。通常你會發現：JD 撰寫與履歷初篩重複性最高、最花時間、又最不需要創意判斷——這就是優先自動化的標的。

實務上的選擇原則：先自動化「重複又有規則」的，最後才碰「需要人情判斷」的。 排程雜務、文件整理、初步排序適合先做；薪資談判、文化契合度判斷、資遣決定這類，永遠留給人。想更完整的導入順序與試點方法，可參考 企業導入 AI Agent 五步驟指南。

Step 2：建立 JD 生成 Agent

JD 不該每次從白紙開始。做法是先建立一份「公司基本資料卡」（公司簡介、文化關鍵字、福利、職等架構、語氣偏好），讓 Agent 每次都先讀這份卡，再加上這次職缺的具體需求，產出一版主 JD，並自動改寫成 104、LinkedIn、官網招募頁三種通路版本（各通路字數與語氣不同）。

關鍵在於餵料要夠：職務的「具體任務」「必備條件」「加分條件」「彙報對象」缺一不可。料給得越精準，產出越能用，省下的就是來回修稿的時間。這套「同一份來源、產出多種版本文件」的做法，本質就是 AI 文件自動化；而 Prompt 怎麼下得精準，可參考 ChatGPT Prompt 寫法完整指南。

Step 3：打造履歷初篩助手

這是最敏感、也最有價值的一環。核心是把「主觀看履歷」變成「結構化評分」：先把職務要件拆成 5 到 8 個可評分維度（例如相關年資、核心技能、產業經驗、專案規模），請 Agent 對每份履歷逐項給分、附上履歷中的佐證句，並列出「需要在面試釐清的疑點」。

務必內建公平性防護：在 Prompt 明確要求只依職務相關能力評分，忽略性別、年齡、畢業學校排名、照片、婚育狀況；並保留人工複核。AI 給的是「排序與理由」，不是「錄取名單」。這條界線守不住，自動化就會變成法遵地雷。實作時建議把這段公平性規則做成固定「零件」，貼進每一個篩選 Prompt，不要每次重寫，寫法邏輯同樣可對照 ChatGPT Prompt 寫法完整指南。

Step 4：串接面試排程

排面試最煩的是「N 個面試官 × M 個候選人」的時段拼圖加上沒完沒了的來回信。讓 Agent 接上行事曆，讀取面試官的空檔、比對候選人提供的時段，自動產生建議時段、發出含視訊連結的邀請、並在面試前一天寄提醒。候選人改期時，Agent 也能重新比對、重發邀請。

這一步通常需要把 AI 接上行事曆與郵件工具，屬於需要串接的自動化。若你的團隊沒有工程資源，可用 n8n、Make 這類拖拉式工具搭，不必寫程式；想直接拿現成的流程模板來改，可到 工作流 找招募相關的串接範本。

Step 5：設定到職與內訓流程

人選到手不是終點，能不能快速上手才影響留任。讓 Agent 在錄取確定後，依職務自動產出：報到文件清單與通知信、第一週的學習路徑（要讀哪些文件、要見哪些人、要完成哪些設定）、以及一份新人培訓教材初稿（依職務調整內容深淺）。HR 只需審核與微調，不必每來一個新人就重做一次。

這一步的價值在於「規模化的一致性」：不管同時來 1 個還是 10 個新人，每個人都拿到結構一致、不漏項的報到體驗。報到文件、權限清單、第一週任務怎麼自動產製成一套標準包，可參考專文 AI 新人到職文件自動化。

進階：更深入的一層

當四個環節各自跑順之後，真正拉開差距的是「把它們串成一條會互相交棒的流水線」，以及在敏感環節做好治理。這一節談三件比基礎教學更深一層的事。

第一，從「四個獨立 Agent」升級成「一條交棒流水線」。 初期你可能是手動把 JD Agent 的產出貼給排程、再把初篩結果貼給面試。進階做法是讓上游的輸出直接成為下游的輸入：JD 生成後自動帶出該職缺的「評分維度」，初篩 Agent 直接沿用這組維度，錄取確定後到職 Agent 又自動讀取該職務的要件去生成第一週學習路徑。整條線共用同一份「職務要件」當骨幹，資料不重打、標準不走樣。這種上下游交棒的設計，就是把人資流程當成一條 文件自動化 產線在經營，而不是四個各自為政的小工具。

第二，把「公平性與可解釋性」做成制度，而不是靠記性。 進階團隊會建立一份「篩選稽核紀錄」：每位候選人的分數、佐證原句、AI 建議、以及人工最終決定都留底。這樣做有三個好處——一是事後若有候選人或主管質疑，你拿得出依據；二是能定期回頭檢查 AI 的排序與最終錄取是否系統性偏離某類人（例如某校、某年齡層），及早發現偏誤；三是讓「AI 整理、人決定」這條界線變成有紀錄可查的流程，而不只是口號。這部分屬於 企業導入 AI Agent 裡治理與稽核的範疇。

第三，量測與迭代。 別只看「有沒有變快」，要看「品質有沒有掉」。建議追蹤四個指標：每職缺平均週期、初篩通過者的面試錄取率（驗證 AI 排序準不準）、新人前 90 天留任率（驗證到職體驗有沒有幫助）、用人主管滿意度。如果週期變快但面試錄取率下降，代表初篩太鬆或維度設計失準，要回頭調 Prompt。把這套「導入 → 量測 → 迭代」的節奏建立起來，才是讓自動化越用越準的關鍵。

舉一個更具體的台灣情境：一家位於新竹、約 120 人的軟體新創，工程職缺旺季一週湧入近 200 份履歷。他們在初篩 Agent 上線後特別追蹤「初篩建議進面試者的最終錄取率」，第一個月發現只有 18%，遠低於人工時期的 30%。回頭一查，是評分維度把「待過知名大廠」隱性加了權重，導致排序偏向履歷漂亮但實戰不符的人。修掉這個維度、改成以「專案規模與技術深度的佐證原句」評分後，第三個月錄取率回到 33%，且初篩時間仍維持原本的三分之一。這個例子說明：自動化的成敗，往往不在工具，而在你有沒有持續量測與校正。

範例：Prompt 與 Workflow

下面給一個可直接複製的「履歷初篩 Agent」Prompt，這是四個環節裡最需要謹慎、也最能展現結構化威力的一段。把角括號內容換成你的職務資料即可。

你是一位資深 HR 招募顧問，負責對照職務要件，公平、客觀地初篩履歷。

【職務要件】
職稱：<例：資深前端工程師>
必備條件：<例：5 年以上前端經驗、精通 React、有大型專案經驗>
加分條件：<例：有效能優化經驗、帶過小組>
彙報對象：<例：技術經理>

【評分維度】（每項 1-5 分，並附履歷中的佐證原句）
1. 相關年資  2. 核心技能符合度  3. 產業／專案經驗
4. 穩定度（任期）  5. 加分條件

【公平性規則｜務必遵守】
- 只依與職務相關的能力評分。
- 完全忽略性別、年齡、畢業學校排名、照片、婚育與家庭狀況。
- 不得臆測未寫在履歷上的資訊。
- 你只負責排序與說明理由，不做錄取決定。

【候選人履歷】
<貼上履歷全文>

【輸出格式】
- 各維度分數與佐證原句
- 總分與一句話總評
- 建議：進入面試／待保留／不符（並說明理由）
- 面試時必須釐清的 2-3 個疑點

進階一點，下面再附一個可複製的「JD 生成 Agent」Prompt，把「公司資料卡」與「本次職缺需求」分開餵，產出主 JD 並一次改寫多通路版本：

你是公司的招募行銷專家，依下列資料產出職缺描述（JD）。

【公司資料卡】（每次沿用）
公司簡介：<一段話>
文化關鍵字：<例：透明溝通、敢試錯、重結果>
福利亮點：<例：彈性上下班、學習補助>
語氣偏好：<例：專業但親切，避免浮誇用語>

【本次職缺需求】
職稱／職等：<...>
具體任務（3-5 條）：<...>
必備條件／加分條件：<...>
彙報對象與團隊規模：<...>

【請輸出三個版本】
1. 主 JD（官網招募頁，完整版）
2. 104 版本（重點前置、條列清楚、符合求職者瀏覽習慣）
3. LinkedIn 版本（語氣更個人化、強調成長與影響力）

【限制】
- 只使用我提供的資訊，不得杜撰福利或條件。
- 不得出現年齡、性別、婚育等可能構成就業歧視的字眼。

對應的文字版 Workflow 流程圖如下，呈現一個職缺從開缺到新人上手的自動化串接：

用人單位提需求
        ↓
JD 生成 Agent（讀公司資料卡 + 本次需求）
        ↓
產出主 JD → 改寫成 104／LinkedIn／官網版本
        ↓
HR 審核上架 → 收到履歷
        ↓
履歷初篩 Agent（結構化評分 + 公平性規則）
        ↓
產出排序清單 + 理由 + 待釐清疑點
        ↓
HR 人工複核（守住「人來決定」這關）
        ↓
面試排程 Agent（比對行事曆 → 發邀請 → 寄提醒）
        ↓
面試 → 錄取確定
        ↓
到職／內訓 Agent（報到清單 + 第一週路徑 + 教材初稿）
        ↓
新人快速上手，HR 只需審核微調
        ↓
量測：週期／面試錄取率／90 天留任率 → 回頭迭代 Prompt

想直接拿現成模板來改，可以到 工作流 找更多可複製的招募 Prompt 與串接範本，挑一個最接近你職務的版本改寫即可。

常見錯誤

導入過程中，HR 團隊最常踩的雷有以下幾個：

• 把錄取決定權交給 AI：AI 只能排序與說明理由，最終錄取一定要人來決定。讓 AI 拍板等於把法遵風險外包給一個會出錯的工具。
• Prompt 沒寫公平性規則：不主動禁止，模型就可能受學校、年齡等無關因素影響，埋下就業歧視風險。
• JD 餵料太少：只丟「幫我寫個工程師 JD」，產出必然空泛。具體任務、必備／加分條件、彙報關係缺一不可。
• 忽略個資合規：履歷是高度敏感個資，用免費版工具、未告知候選人、未簽資料處理協議，都是風險。涉及《個資法》判斷請諮詢法務。
• 一次想全自動化：四個環節同時上線，團隊吃不消也難排錯。先做一個、跑順、再串下一個。
• 沒留人工關卡：全自動會放大錯誤。每個關鍵節點（上架前、面試前、發 offer 前）都要保留人工複核。
• 上線後不量測：只憑感覺說「好像有變快」，沒有前後數據對照，既無法證明成效、也抓不到 AI 排序失準的問題。

最佳實務

• 建立「公司資料卡」與「職務模板庫」：把公司簡介、文化、福利、各職務的要件存成可重用的素材，讓每個 Agent 每次都先讀，產出才會一致又貼近實況。
• 守住「AI 整理、人決定」的界線：把這條原則寫進 SOP，並讓全團隊都知道，才不會在稽核或爭議時無據可循。
• 公平性規則寫進每一個篩選 Prompt：當成標準零件，不是可選項。
• 保留可解釋性：要求 AI 每個判斷都附履歷佐證原句，未來若有候選人或主管質疑，你拿得出依據。
• 用企業版、關掉訓練回饋、簽 DPA：處理候選人個資時，把資安與合規當第一順位。
• 小步快跑、留人工關卡：先自動化一個環節，量化成效，再擴張，每個關鍵節點都保留人工複核。
• 把到職也納入自動化版圖：招募只是上半場，新人能不能快速上手才影響留任，及早把 到職文件自動化 一起規劃，省下的時間才會真正落到留才上。

實際案例：台灣中型製造業的招募提速

以一家位於台中、約 350 人的精密機械製造商為例（情境改寫自台灣中型企業常見狀況）。其 HR 團隊僅 3 人，卻要同時負責產線作業員、工程師與業務的招募，旺季時一個月開出 12 個職缺，招募專員幾乎被履歷與排程淹沒。

導入前：

• 平均每個職缺從開缺到報到約需 38 天。
• 寫一份 JD 並上架到 104、官網、LinkedIn 約需 2 小時。
• 一個熱門職缺收到約 250 份履歷，逐份初篩約耗 2.5 個工作天。
• 面試排程平均每位候選人來回 5 封信才喬定時間。
• 新人報到資料與第一週訓練每次都重做，品質時好時壞。

導入後（採 JD 生成 + 履歷初篩 + 面試排程三個 Agent，新人到職流程半自動化）：

• 職缺平均週期縮短到約 21 天（縮短約 45%）。
• JD 撰寫與多通路改寫從 2 小時降到約 25 分鐘。
• 履歷初篩從 2.5 個工作天縮到約 半天，HR 只需複核排序前段。
• 面試排程來回信件從平均 5 封降到約 1.5 封。
• 報到體驗一致性明顯提升，新人第一週迷惘回報減少。

上述數據為情境化示意，實際成效會因公司規模、職務性質與資料品質而異，導入前請以小範圍試行驗證再擴大。

值得注意的是，這家公司並沒有把人砍掉，而是把省下的時間轉去做「主動找人」：經營人才庫、回訪過去落選但優秀的候選人、強化雇主品牌貼文。換句話說，自動化讓他們從「被動收履歷」升級成「主動經營人才」。客服與其他重複性場景也適用同樣邏輯，可對照 AI Agent 客服自動化實戰；若想把整套 AI 化視野拉到全公司層級，再回頭看 企業導入 AI Agent 五步驟指南 會更有體系。

結論

人資的核心價值，從來不是寫文件、排時間、整理報到包，而是「找到對的人、把人留下來、讓人發揮」。AI Agent 的意義，正是把前者這些耗時雜務接手，把 HR 的判斷力與溫度，留給後者這些 AI 做不到的事。

落地的路徑很清楚：先盤點最吃時間的環節，從 JD 撰寫或履歷初篩這類「重複又有規則」的開始，用結構化 Prompt 加上公平性防護，守住「AI 整理、人決定」的界線，小步快跑、每個關鍵節點都留人工關卡，再逐步往面試排程與到職內訓串成一條完整流水線，最後別忘了量測與迭代，讓它越用越準。

別等到「準備好」才開始——挑一個職缺、挑一個環節，今天就試。需要現成的招募 Prompt 與串接模板，到 工作流 直接挑一個改；想把到職與內訓也一併自動化，接著看 AI 新人到職文件自動化；想找人一起把整套招募流程導入，歡迎 與我們聯絡。

❓ 常見問題 FAQ

🔗 延伸閱讀

• AI Agent 是什麼？從入門到實戰
• 企業導入 AI Agent 五步驟指南
• ChatGPT Prompt 寫法完整指南
• AI Agent 客服自動化實戰
• AI 新人到職文件自動化