Recruitment Hub · 部署在公司内部 Builder 社区的真实页面
✦ Kaia · 中央民族大学经济学本科在读
把能量化的交给 AI，
把需要感知的，留给自己。
经济学视角 × 数据思维 × 对"人"的天然好奇。
两段实习，两种业务场景。点击展开，可以同时查看多条内容。
独立支持小红书职能线社会招聘(80%)& 实习生招聘(20%)，负责HR模块专家(HR-ops/OTD/OC)、行政、CSR项目组等业务线岗位招聘全流程。
结合业务发展节奏 + 团队实际需求，独立拆解岗位画像，制定差异化 Search Strategy，完成候选人搜寻、评估、面试全程推进及Offer前期管理。
共负责8个HC，累计推进面试90+场，最终成功offer 6人，接受率100%。这个数字背后，是无数次沟通时机的精准把握、和候选人建立信任的耐心，以及对业务需求的深度理解。
建立个人岗位知识体系，将业务Context、组织架构、岗位职责、面试反馈及招聘经验持续结构化沉淀，形成覆盖岗位全生命周期的Knowledge Base + 日常工作SOP。
这套体系支持后续岗位承接、招聘判断及策略调整中持续复用和迭代--每接手一个新岗位，我都不是从零开始。
设计AI+招聘自动化Workflow，搭建招聘数据Dashboard(个人vibe coding项目)，实现pipeline进展、招聘漏斗及核心指标自动统计、风险卡点预警。
支持招聘日报/周报自动生成+数据可视化展示，持续探索时代浪潮下AI+HR的边界。这个项目在下方"AI实践"板块有完整的深度复刻展示。
负责数据分析/数据科学家/战略/PMO等16个方向的社招全流程，通过招聘漏斗分析诊断各环节转化瓶颈，实时识别供给不足或面试推进停滞的风险点。
月均推荐简历340+，推进面试60+(其中一面40+、二面20+)，Offer环节10人以上，最终成功录用6人(4人DA + 2人PMO)。同期实习生综合产出排名前16%(3/18)。
针对核心岗位推进竞对人才Mapping，主导建设并维护500+高净值潜在人才库，通过策略性Touch与意向维护，实时更新人才标签与求职动向，实现人才画像动态管理与库内资源高效激活。
人才库不是数据库，是关系网络。每一位候选人背后都有自己的职业轨迹和时机判断。我喜欢在合适的时机说一句"最近有没有看机会"--而不是在公司急用人时才想起要联系人家。
系统梳理招聘各环节，独立撰写《数分/PMO岗位招聘SOP》及《JD解析Playbook》，构建可复用的个人业务知识库。
每一份SOP不只是流程文档，更是一次对"这个岗位到底需要什么样的人"的深度思考，结构化反向驱动招聘效能提升。
每一个 Workflow 背后，都是一次从"感觉麻烦"到"想弄明白"的转变。AI 是工具，但知道在哪里用、用多深，是判断。
我不只是工具的用户。每一个workflow，都是我对一个真实问题的回答。
面试量提升不少，但转化率从38.2%飘到51.6%不一定是好事，更像是筛选标准阶段性收紧的结果--供给端新增反而放缓，集中消化后下周面试量大概率回落。这是典型的漂亮数字掩盖供给断层。
真正卡住的是人才发展AI产品经理，3人面试停滞超10天，这单再拖就有黄的风险。行政运营(职场安全)筛选积匸6人压在用人部门手里没动，转化再高也是空转。
需提前防的两处:行政运营、AI Native两个岗位本周零新增，渠道已经断供，下周再不加量就会从"关注"滑到"危险";面试假繁荣退潮后，供给缺口会同时暴露。
用了这么多 AI 工具之后，我最大的感受不是"效率提升了多少"，而是:我开始更清楚地知道，什么事情应该交给机器，什么事情必须是人来做。
招聘不是一个纯粹的信息匹配问题。每一位候选人背后都有自己的处境、顾虑、和时机。AI 可以帮我处理信息的体量，但最后那个"这个人适不适合，这个时机对不对"的判断，还是需要人去做。
同一件事里，AI 和我各自负责哪部分?滑入视角看每一条的占比。
我用 AI 做了很多自动化，简历筛选、周报生成、候选人跟进提醒--每一个都在"节省时间"。但节省时间是为了什么?
是为了有更多精力，在真正重要的对话上慢下来。当一个候选人说"我在考虑要不要跳槽"的时候，我需要的不是继续翻简历，而是认真听清楚他说的是什么。
技术化的本质应该是:把重复的事情还给机器，把需要人的事情还给人。所以"有温度的技术化"不是矛盾，而是我认为 AI+HR 应该努力的方向。
我的判断是:不会，但会淘汰不愿进化的工作方式。
简历筛选、背景调研、周报整理--这些 AI 已经能做得比我更快更准。但 HR 还在做的事，其实比这多得多:判断文化匹配、管理候选人期望、在面试反馈里找到真正的信号......这些都是需要人际信任和上下文理解的事。
我认为 AI 会让 HR 这个角色里"人"的部分更重要，而不是更少。因为机器处理了信息，剩下来的就都是判断了。
做完 Recruitment Hub 和几个日常 workflow 之后，我慢慢摸出了一条自己的分工线:凡是可量化、可视觉化的执行性工作，交给 Agent--写周报、盘点数据、整理面试记录、输出报告，这些事情有明确的输入输出，交给 Agent 可以比我做得更快、更稳。
但作为 HR，真正需要做判断、做决策的部分，以及去感受人与人之间的联结与化学反应(chemistry)的时候，这部分我不会交出去。一个候选人适不适合这个团队、这个时机对不对，这些判断无法量化，也无法交给系统。
所以我理解的协作边界很简单:Agent 负责把数据和执行做到位，我把时间和精力留给需要"感知人"的那部分。技术负责规模，我负责分寸。
我没有计算机背景。在做 Recruitment Hub 之前，我不会写 React，不懂 API 调用，也没有部署过任何服务。
但有了 AI 之后，这些不再是壁垒。我需要的是:清楚地知道我想要什么，然后和 AI 一起一步步把它做出来。
Vibe Coding 给我最大的改变，不是技术能力，而是一种心态:有想法就先试，做着做着就懂了。
真正的 AI Native，不是"有问题就去问ChatGPT"，而是在设计工作流的时候，就把AI考虑进去。
比如做每日简历筛选这个 workflow，我从一开始就没想过"我每天手动看"，而是直接设计成"系统自动做，我来做判断和跟进"。
我现在接一个新任务，会先想两个问题:这件事的哪些步骤可以让 AI 来做?我的判断应该在哪个环节介入?答案清楚了，workflow 自然就出来了。
产品经理用AI多是面向"用户"做决策优化，而HR用AI，最终服务的对象是"人的职业选择"--这个决策的重量完全不同。
一次筛选失误可能只是错过一份简历，但一次沟通失误可能影响一个人要不要接受这份工作。这让我在设计AI workflow时更谨慎:AI可以做得快，但绝不能替代"对一个人负责"这件事本身。
工具是手段，判断才是核心。
如果你也在找能把 AI 用进人事工作里的人--我在这里。期待有机会一起，把 AI × HR 这件事做得更好。
点击卡片可复制 · 期待与你共事一场 ✨