OpenClaw+ollama-QwQ-32B实战：自动化处理100份简历筛选
OpenClaw+ollama-QwQ-32B实战：自动化处理100份简历筛选
1. 为什么选择自动化简历筛选
去年团队扩张时，我作为技术负责人参与了简历初筛工作。面对雪片般飞来的PDF简历，连续三天熬夜到凌晨两点手动整理关键信息后，我意识到必须寻找自动化解决方案。传统方案要么需要复杂的企业级系统，要么存在数据泄露风险，直到发现OpenClaw+ollama-QwQ-32B这个组合。
这个方案吸引我的核心优势在于：
- 完全本地化处理：简历这类敏感数据无需上传第三方服务器
- 灵活可定制：能根据团队特定需求调整筛选维度
- 成本可控：相比采购SaaS服务，只需支付模型推理的Token费用
2. 环境搭建与模型部署
2.1 基础环境准备
我的工作机是M1芯片的MacBook Pro，系统版本macOS Sonoma 14.2.1。先通过Homebrew安装基础依赖：
brew install node@22 ollama npm install -g openclaw@latestollama-QwQ-32B的部署令人惊喜地简单：
ollama pull qwq-32b ollama run qwq-32b模型启动后默认监听11434端口，这将成为OpenClaw调用的关键端点。
2.2 OpenClaw配置要点
执行openclaw onboard时有几个关键选择：
- 在Provider选择"Custom"
- 模型地址填写
http://localhost:11434 - 模型名称自定义为"local-qwq-32b"
配置文件(~/.openclaw/openclaw.json)最终模型部分如下：
"models": { "providers": { "ollama-local": { "baseUrl": "http://localhost:11434", "api": "openai-completions", "models": [ { "id": "qwq-32b", "name": "Local QwQ-32B", "contextWindow": 32768 } ] } } }3. 简历处理技能开发
3.1 PDF解析模块
安装必要的Node.js库处理PDF：
npm install pdf-lib pdfjs-dist核心解析函数主要处理三种常见情况：
- 标准文本型PDF（可直接提取文字）
- 扫描件图片PDF（需要OCR，本方案暂不支持）
- 表格密集型简历（需要特殊处理格式）
async function extractTextFromPDF(filePath) { const pdfDoc = await PDFLib.PDFDocument.load(fs.readFileSync(filePath)); let fullText = ''; for (let i = 0; i < pdfDoc.getPageCount(); i++) { const page = pdfDoc.getPage(i); const textContent = await page.getTextContent(); fullText += textContent.items.map(item => item.str).join(' '); } return fullText.replace(/\s+/g, ' ').trim(); }3.2 提示词工程优化
经过多次迭代，最终确定的提示词模板包含三个关键部分：
- 指令明确性：要求模型严格按JSON格式输出
- 字段约束：明确每个字段的提取规则
- 容错处理：对缺失字段提供默认值
你是一个专业的HR助手，需要从以下简历文本中提取信息。 请严格按JSON格式输出，包含以下字段： - "name": 候选人姓名（没有则返回"未提供"） - "education": 最高学历（格式：学位+学校，如"硕士-清华大学"） - "skills": 提取不超过5项核心技术关键词（按出现频率排序） - "experience": 工作年限（数字格式） 简历内容：{{RESUME_TEXT}}4. 实战效果对比
4.1 处理流程对比
传统人工处理方式：
- 打开每份PDF简历
- 肉眼扫描查找关键信息
- 手动录入Excel表格
- 重复100次
OpenClaw自动化流程：
- 监控指定文件夹的新增PDF
- 自动调用解析模块提取文本
- 通过ollama-QwQ-32B提取结构化数据
- 汇总生成Excel报表
4.2 效率数据实测
使用100份真实简历进行对比测试（单位：分钟）：
| 指标 | 人工处理 | OpenClaw | 提升倍数 |
|---|---|---|---|
| 总耗时 | 325 | 38 | 8.55x |
| 平均单份耗时 | 3.25 | 0.38 | 8.55x |
| 准确率* | 98% | 92% | -6% |
*准确率指关键信息提取的正确率，人工复核为标准
5. 踩坑与优化经验
5.1 中文PDF的特殊问题
初期遇到中文简历乱码问题，发现是PDF编码识别错误。解决方案是在解析前强制指定编码：
const pdfDoc = await PDFLib.PDFDocument.load(fs.readFileSync(filePath), { ignoreEncoding: false, parseSpeed: 10 });5.2 模型响应稳定性
ollama-QwQ-32B在处理超长简历时（>5页）偶尔会截断输出。通过两种方式缓解：
- 在提示词中增加"请完整输出所有信息"
- 实现自动分块处理机制
async function chunkedProcess(text, chunkSize = 12000) { const chunks = []; for (let i = 0; i < text.length; i += chunkSize) { chunks.push(text.substring(i, i + chunkSize)); } return Promise.all(chunks.map(chunk => model.generate(`续前文：${chunk}`) )); }6. 安全与隐私考量
这个方案最让我放心的是数据全程不离开本地：
- PDF解析在本地完成
- 模型推理通过localhost调用
- 最终Excel报表生成后自动加密
配置自动清理机制确保临时文件安全：
# 每天凌晨3点清理临时文件 0 3 * * * find /tmp/resume_processing -mtime +1 -delete7. 扩展应用场景
这套框架经过简单改造后，已经应用于：
- 会议纪要关键信息提取
- 技术文档自动摘要
- 客户需求分析报告生成
最近正在尝试结合截图OCR技能，实现招聘网站简历的一键采集与分析，这可能是下一个效率突破点。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。