用TextIn xParse搞定批量简历解析，WorkBuddy里一句话就能完成

做招聘的同事应该都遇到过这种情况：某个岗位突然收到一批简历，需要在很短时间内把不同格式的PDF、Word和图片整理成一张可复核的人选表。简历数量可能只有二三十份，频率也不高，但每次岗位要求都不一样，关注字段也会跟着变化。

这类任务看起来不复杂，真正做起来却挺麻烦。你得反复打开每个文件，仔细查找工作经历，复制职位和日期，判断哪些经验跟岗位相关，再把缺失的信息单独记下来。如果直接让AI模型"总结所有简历"，结果往往难以横向比较；如果一开始就开发固定接口，又得为这种一次性需求维护字段和规则，投入产出比太低。

最近我发现了一个比较实用的方案：在WorkBuddy中调用TextIn xParse，先把不同版式的文档解析成带来源的结构化字段，再按岗位要求生成初筛表、待确认清单和面试邀约草稿。整个过程不需要写代码，也不需要配置复杂的接口，就是在对话里把需求说清楚就行。

这次我准备了一组脱敏后的模拟简历，用来测试整个流程的效果。我的目标是看看能不能用这个方案快速完成技术岗位的简历初筛工作。

需要先说明的是，本文只演示文档整理和辅助初筛的功能。AI不会根据照片、年龄、性别或其他敏感信息筛选候选人，也不会替HR做最终面试或录用决定。这些还是需要专业HR来判断。

第一步：开通账号并添加连接器

开通workbuddy智能邮箱

首先需要开通workbuddy的智能邮箱功能。这个过程很简单，按照页面提示操作就行。

开通之后会得到一个专门的邮箱账号，这个后面发送报告的时候会用到。

添加TextIn xParse连接器

接下来是在WorkBuddy中添加TextIn xParse连接器。这个连接器的功能是通过命令行将各种文件格式（PDF、图片、Word、Excel、PPT、扫描件等）解析为Markdown或结构化JSON。它能够还原文档目录结构和复杂表格结构，特别适合对精度和性能有较高要求的文档处理任务。最关键的是，每天免费提供1000页的额度，对于日常使用来说完全够用了。

点击添加后，会弹出一个跳转的登录界面。

在这里进行授权操作就可以了。

授权完成后，连接器就默认在对话任务中开启了。这时候你就可以在WorkBuddy的对话中直接调用TextIn xParse的能力了。

第二步：准备简历数据

在实际测试之前，我先准备好了一批简历文件。这些简历包含了不同的格式：有PDF格式的，也有图片格式的，模拟了真实场景中HR会收到的各种类型的简历。

可以看到，这里面有20份左右的简历，格式各不相同。有些是标准的PDF简历，排版很规范；有些是扫描件或者图片格式的简历，质量参差不齐；还有些简历的表格结构比较复杂，包含了很多技术栈信息和项目经历。这种混合格式的情况在实际工作中很常见，也是考验文档解析能力的关键点。

第三步：在WorkBuddy中发起任务

准备工作都做好了，接下来就是核心环节了。我在WorkBuddy中新开一个对话，然后把我的需求用自然语言描述出来。这里不需要写任何代码，也不用懂技术细节，就是把你想让它做的事情说清楚。

我输入的任务指令是这样的：

diff 复制代码

你是一名专业招聘分析智能体，负责协助我完成技术岗位简历筛选。

【任务目标】
请分析目录 C:\Desktop\Texin\resume_samples_computer_science 下的全部简历，招聘目标为：
1. Java 工程师 2 名
2. C++ 开发工程师 1 名
3. 测试工程师 2 名

【简历解析要求】
1. 使用 TextIn xParse·智能文档解析，对目录下所有 PDF 和图片简历进行解析。
2. 图片简历必须进行 OCR 识别，不能只根据文件名判断候选人信息。
3. 提取姓名、联系方式、学历、专业、工作年限、工作经历、项目经历、技术栈、证书、求职意向等信息。
4. 如果某项信息无法识别，请标记为"未识别"或"未提供"，不要自行推测。
5. 对重复简历进行去重，并记录解析失败或信息不完整的文件。

【岗位筛选标准】

Java 工程师重点关注：
- Java 基础、面向对象、集合、多线程、JVM
- Spring、Spring Boot、MyBatis 等开发框架
- MySQL、Redis、消息队列、微服务、REST API
- Linux、Git、Maven、Docker 等工程工具
- 实际 Java 项目经验和系统设计能力

C++ 开发工程师重点关注：
- C/C++ 基础、面向对象、STL、内存管理
- C++11/14/17 或更高标准
- Linux、网络编程、多线程、并发编程
- CMake、GDB、Git 等工具
- 有客户端、后台、嵌入式、音视频、系统软件或高性能开发经验者优先

测试工程师重点关注：
- 测试用例设计、功能测试、回归测试、接口测试
- API、Web 或自动化测试经验
- Python、Java 或其他脚本语言
- Postman、JMeter、Selenium、Appium 等工具
- SQL、缺陷管理、测试流程和质量保障经验
- 有持续集成或自动化测试经验者优先

【筛选与评分要求】
请采用 100 分制进行评分，建议权重如下：
- 岗位匹配度：35 分
- 工作及项目经验：25 分
- 技术技能匹配度：20 分
- 学历及专业相关性：10 分
- 简历完整度及稳定性：10 分

请注意：
- 不得根据性别、年龄、婚育状况、籍贯、民族、照片、政治面貌等信息进行歧视性筛选。
- 学校名称不能作为唯一录用依据，应以岗位能力、项目经验和技术匹配度为主。
- 如果符合条件的候选人不足目标人数，请如实说明，不要强行推荐不合格候选人。
- 每个岗位请给出推荐名单、备选名单和不推荐名单，并说明理由。

【输出报告】
请生成一份结构清晰的招聘分析报告，至少包含：

1. 总体分析摘要
2. Java 工程师推荐 2 人及备选人员
3. C++ 开发工程师推荐 1 人及备选人员
4. 测试工程师推荐 2 人及备选人员
5. 每位候选人的详细信息
6. 所有简历的解析状态
7. 面试建议和建议重点考察的问题

请将报告保存为 Excel 和 Markdown 两种格式。

【邮件发送】
报告完成后，使用智能体邮箱发送邮件，附上报告文件。

在选择模型的时候，我选了最近免费的hy3模型，对于这个任务来说够用了。

第四步：自动执行解析和分析

任务提交后，WorkBuddy就开始自动执行了。它会先生成一个任务文档，然后按步骤来完成整个流程。

从界面上可以看到，WorkBuddy把这个大任务拆分成了几个具体的步骤：

复制代码

探查简历目录结构

提取候选人结构化信息

用 xParse 解析全部简历

生成 xlsx 与 md 报告

经智能体邮箱发送报告

去重并按岗位评分

这个任务分解挺合理的。先了解目录里有哪些文件，然后用TextIn xParse逐个解析，接着提取结构化信息，再根据筛选标准打分排序，最后生成报告并发送邮件。整个过程都是自动完成的，我不需要干预。

调用TextIn xParse进行解析

关键的一步来了。WorkBuddy找到了xParse CLI工具，开始把对应的PDF或者图片文件上传到TextIn进行智能解析。

这里有个细节值得注意：TextIn xParse不是简单地把文字提取出来，而是真正理解文档的结构。 对于PDF简历，它能识别出标题层级、段落结构、表格边界；对于图片格式的简历，它会先进行OCR识别，然后再做结构化处理。

我看到界面上显示，每一份简历被依次上传到TextIn的服务器进行处理。处理完成后，TextIn返回的是结构化的数据，包含了简历中的各个字段信息。

处理复杂情况

实际使用中会遇到一些复杂情况。比如有些简历是扫描件，图像质量不太好；有些简历的排版很不规范，表格嵌套了好几层；还有些简历里有印章、水印之类的干扰元素。

TextIn xParse对这些情况都有相应的处理策略。如果遇到简历内容比较模糊，它会尝试多种解析方式来提高识别准确率。

这一点在实际工作中很重要。因为你收到的简历质量参差不齐，如果解析工具只能处理完美的文档，那实用性就大打折扣了。TextIn xParse在这方面表现不错，即使是一些质量较差的扫描件，也能提取出大部分有效信息。

第五步：查看解析结果

所有简历都解析完成后，WorkBuddy就开始生成报告了。它在本地生成了一个Parsed文件夹，里面保存了每份简历的解析结果。

打开这个文件夹看看里面的内容。这里有一个很有意思的设计：对于简历中的头像或者其他图片元素，TextIn会把它们缓存到云端，然后在解析结果中提供访问链接。这样你在查看解析结果的时候，就能看到完整的原始信息，不会丢失任何视觉内容。

每个简历文件都有一个对应的解析结果文件，里面包含了结构化后的所有信息。你可以看到姓名、联系方式、教育背景、工作经历、项目经验、技术技能等字段都被准确地提取出来了。

更重要的是，WorkBuddy还生成了一份Excel格式的分析报告。这份报告非常详细，一个工作簿里包含了9张工作表，分别展示了不同的分析维度。

在这份报告里，你能看到：

总体分析摘要：这次一共收到了多少份简历，各个岗位的供需情况如何
每个岗位的推荐名单：符合条件的人选是谁，综合评分多少，推荐理由是什么
备选名单：条件基本符合但可能存在某些疑点的候选人
不推荐名单及原因：哪些人选不符合要求，具体是哪方面不匹配
每位候选人的详细信息：学历、工作年限、核心技术栈、代表性项目、与岗位的匹配点、潜在风险等
解析状态记录：哪些文件解析成功了，哪些失败了，哪些信息不完整
面试建议：针对每位推荐的候选人，建议面试时重点考察哪些问题

这种程度的细致程度，如果是人工来做，起码得花上大半天时间。而且人工整理还容易出错，可能会遗漏某些重要信息或者看错某些细节。用这个方案来做，不仅速度快，而且一致性更好。

第六步：自动发送邮件

报告生成后，最后一步就是发送邮件了。WorkBuddy会弹出确认界面，让你核对一下收件人、主题和附件是否正确。

确认无误后点击发送，邮件就会自动发出去了。过一会儿在邮箱里就能收到这封邮件，里面包含了完整的分析报告。

邮件正文包含了本次分析的简要结论、各岗位推荐人数和候选人姓名、候选人综合评分、解析异常或需要人工核实的问题，以及报告文件的保存路径。附件则是刚才生成的Excel和Markdown两份报告文件，方便你用不同的工具查看。

到这里，整个流程就走完了。从提交任务到收到邮件，全程自动化，我没有写一行代码，也没有做任何手动操作，就是在对话框里把需求说清楚而已。

效果对比：有没有TextIn xParse差别很大

为了让大家更直观地感受到TextIn xParse的价值，我做了一个对比测试。同样的这批简历，我用两种方式来处理：

方式一：不使用TextIn xParse

如果不开启TextIn xParse连接器，WorkBuddy会使用内置的PDF转Markdown工具来处理文档。这种方式需要通过创建脚本来实现转换操作。

结果是：光是这个转换过程就花了6分钟。而且这只是把PDF转成文本，后续的分析工作还没算进去。

更麻烦的是，内置工具的处理效果不太理想。对于一些复杂的表格结构，它没办法很好地还原；对于图片格式的简历，它的OCR识别准确率也一般；遇到扫描件或者质量较差的文档，丢失信息的概率很高。

方式二：使用TextIn xParse

开启了TextIn xParse之后，情况就完全不一样了。同样是这批简历，解析时间大大缩短。

不到10秒钟，20份简历全部解析完成了。加上后续AI分析和生成报告的时间，总共也就不到两分钟。这个速度提升是非常明显的。

而且解析的质量也好很多。我来具体看一下解析效果的对比。

这是原始的PDF简历：

这是经过TextIn xParse解析后生成的Markdown版本：

这是原始的png和jpg格式的简历

转换后的markdown的简历内容

可以看出，解析后的版本完整保留了原文档的结构。标题层级、段落划分、表格样式都得到了很好的还原。特别是那些包含技术栈信息的复杂表格，每一个单元格的内容都被准确地提取出来了，没有出现错位或者合并错误的情况。

这对于后续的自动化分析来说太重要了。如果解析结果本身就不准确，那后面的筛选、评分、推荐全都是建立在错误的基础上的，得出的结论自然也不可靠。TextIn xParse在这方面给人的感觉是很扎实的，它确实能把文档内容准确无误地转化成结构化数据。

实际使用中的几点感受

经过这次完整的测试，我对TextIn xParse在WorkBuddy中的应用有几个比较深的感受：

第一，真的很快。

我自己测下来的数据是，20份简历不到10秒就全部解析完成了。虽然数量不算特别大，但这个速度已经让我挺满意的了。特别是对于那些格式复杂的文档，传统工具可能需要逐页处理、逐个识别，而TextIn xParse好像是一批批地并行处理的，等待时间很短。我在实际工作中经常要处理各种文档，能省下这几分钟几十分钟，积少成多的效果还是很可观的。

第二，解析质量稳定。

这点是我比较看重的。快固然好，但如果快的结果是不准确，那就没有意义了。我特意检查了几份比较有代表性的简历：有一份是排版很规范的PDF，解析结果几乎完美还原；有一份是扫描件，图像有点模糊，但关键信息都提取到了；还有一份的表格结构很复杂，嵌套了好几层，居然也能正确解析。这种稳定性让人用起来比较放心，不用担心某份文档突然解析失败或者信息丢失。

第三，对接简单。

以前我也用过一些文档解析的API或者工具，大多需要写代码调用接口、处理返回结果、做异常管理。对于不懂技术的HR或者业务人员来说，门槛太高了。但在WorkBuddy里使用TextIn xParse就不一样，只需要添加连接器、授权账号，然后在对话里描述需求就行了。整个过程没有任何技术门槛，谁都能用。

第四，免费额度够用。

每天1000页的免费额度，对于大多数中小团队来说完全够了。就算有时候量大一些，临时超标了，联系开通付费也很方便。这种按需使用的模式比一次性买断或者自己部署服务要灵活得多，成本也更可控。

第五，格式支持全面。

PDF、Word、Excel、PPT、图片，还有扫描件，基本上你能想到的办公文档格式它都支持。这意味着不管候选人用什么工具做的简历，你都能统一处理，不用因为格式问题去要求对方重新发送。

适用场景拓展

虽然这次测试用的是简历解析的场景，但实际上TextIn xParse的能力远不止于此。只要涉及到文档解析、信息提取、结构化数据处理的需求，它都能派上用场。

比如在财务领域，可以用来解析财报、发票、合同、报销单据，自动提取金额、日期、交易方等关键字段，辅助财务审核和对账工作。我之前帮财务同事处理过一批报销单，手动录入的话得花一下午，用这个工具几分钟就搞定了。

在法律领域，可以处理各类法律文书、合同条款、案例材料，快速定位关键条款和风险点，提高合同审查效率。做法务的朋友应该深有体会，动不动就是几十上百页的合同，光找条款就得翻半天。

在医疗领域，可以解析病历、检验报告、处方单等医疗文档，帮助整理患者档案和统计分析。医院的信息化程度越来越高，但历史遗留的大量纸质档案还是得靠这种方式数字化。

在教育领域，可以把教材、试卷、论文等资料数字化，建立知识库，支持智能问答和学习辅助。现在在线教育这么火，优质内容的数字化整理是个刚需。

在研究领域，可以处理古籍、图志、扫描资料等特殊文献，为学术研究提供高质量的数据基础。做学术研究的朋友应该知道，文献资料的整理有多耗时耗力。

这些场景都有一个共同点：文档格式多样、内容结构复杂、处理量大、时效性要求高。传统的手工处理方式效率低且容易出错，而有了TextIn xParse这样的工具，就可以把这些重复性的工作自动化，让专业人员把精力集中在更有价值的决策和判断上。

总结

回到最开始的问题：当一批格式各异的简历摆在面前，需要在短时间内整理出一份可供复核的人选表，该怎么办？

以前的选择可能是：要么自己一份份地打开、阅读、摘录，费时费力；要么找开发同学写个脚本，但又是一次性的需求，维护成本高；要么就用一些免费的在线工具，但效果参差不齐，信息安全也没保障。

现在有了TextIn xParse + WorkBuddy这个组合，事情变得简单多了。你只需要在一个对话窗口里把需求说清楚，剩下的交给AI和文档解析工具去完成。不需要写代码，不需要配置服务器，不需要担心格式兼容性问题，甚至不需要理解背后的技术原理。

从我这次的实际体验来看，这个方案确实解决了实际问题。速度快、效果好、使用简单，而且免费额度对于日常使用来说足够了。如果你也在工作中经常遇到类似的文档处理需求，不妨试试这个方案。

想了解更多关于TextIn xParse的功能和使用方法，可以访问它的产品站点：www.textin.com/market/deta...