🤖 用 Claude 处理 80 页岗位说明书与简历包：分片、抽取、校验流程（2025

Roxi 加速器 — 稳定·快速·安全

全球节点覆盖，支持所有主流平台，一键连接无需配置。新用户免费试用。

立即体验 →

TL;DR 与前置条件

TL;DR：不要把 80 页 PDF 直接丢给 Claude 后等奇迹。先转文本、清洗、按语义分片、逐片抽取、再做交叉校验。本文环境：macOS 14.6 / Ubuntu 22.04，Python 3.11.7，Claude 3.5 Sonnet，测试日期 2025-01-18。样本：12 份 PDF，86 页，38.4 MB，包含岗位说明书、设备维修记录、候选人简历。

Pre-requisites：已准备 Claude 官方账号或 API；本地安装 Python 3.11；能运行 shell。免费路径优先：Claude 网页版可直接上传文档，但批处理、可复现性差。官方 API 适合企业服务、奉化市求职网这类招聘平台做批量分析。Gemini怎么注册、Google AI怎么用、Gemini国内使用属于同类问题，流程类似，但本文只落 Claude。

1. 文档预处理：PDF 转文本并清洗

1. 安装工具。Ubuntu：

   sudo apt-get update && sudo apt-get install -y poppler-utils python3-venv
   # Expected output:
   # Setting up poppler-utils ...
   # Setting up python3-venv ...

2. 建立 Python 环境并安装依赖。

   python3 -m venv .venv && source .venv/bin/activate && pip install pypdf tiktoken pandas
   # Expected output:
   # Successfully installed pandas-2.x pypdf-5.x tiktoken-0.x

3. 批量提取文本。优先用 pdftotext，失败再用 OCR，不要一开始就 OCR。

   mkdir -p txt
   for f in pdf/*.pdf; do pdftotext -layout "$f" "txt/$(basename "$f" .pdf).txt"; done
   wc -c txt/*.txt
   # Expected output:
   # 18423 txt/job_cnc_operator.txt
   # 55210 txt/resume_batch_01.txt
   # 301447 total

4. 清理页眉、页脚、空行。以下脚本保留原始行号，便于回溯。

   python clean_docs.py txt cleaned
   # Expected output:
   # cleaned/job_cnc_operator.txt lines=412 removed_blank=96
   # cleaned/resume_batch_01.txt lines=1307 removed_blank=241

Note: Claude长文本分析教程的核心不是“上下文窗口大”，而是输入可控。脏文本会直接污染抽取结果。

2. 分片与提示词：让 Claude 输出可审计 JSON

1. 按 6,000 tokens 分片，保留 500 tokens overlap。我的测试中，86 页文档拆成 9 片，单片处理延迟 4.8–9.6 秒。

   python chunk.py cleaned/job_cnc_operator.txt --max_tokens 6000 --overlap 500 --out chunks/
   # Expected output:
   # chunk_001.txt tokens=5988
   # chunk_002.txt tokens=5734
   # total_chunks=2

2. 提示词固定为“抽取，不改写”。适合 Claude文档处理怎么用、Claude PDF分析怎么用这类场景。

   cat prompt.txt
   # Expected output:
   # 你是招聘数据抽取器。只基于原文输出 JSON。
   # 字段：岗位名称、设备类型、技能要求、证书、年限、薪资、风险点、原文证据行号。
   # 不确定填 null。禁止补全。

3. API 调用示例。把密钥放环境变量，不写进脚本。

   export ANTHROPIC_API_KEY="sk-ant-REDACTED"
   python call_claude.py --model claude-3-5-sonnet-20241022 --prompt prompt.txt --input chunks/chunk_001.txt
   # Expected output:
   # status=200 input_tokens=6124 output_tokens=931 latency_ms=6842
   # saved=out/chunk_001.json

Warning:不要要求模型“一次总结全部候选人并排序”。先抽结构化字段，再用规则排序。否则同名候选人、相似岗位会互相串线。

3. 合并、校验与修复判定

1. 合并 JSON，并检查字段缺失率。

   python merge_validate.py out/*.json
   # Expected output:
   # records=27
   # missing_salary=3
   # missing_evidence_line=0
   # duplicate_candidate=1
   # validation=PASS_WITH_WARNINGS

2. 抽样回查证据行。要求每个关键结论都有原文行号。

   python evidence_check.py --json merged.json --source cleaned/
   # Expected output:
   # checked=114
   # matched=111
   # mismatch=3
   # accuracy=97.36%

3. 失败处理规则：mismatch 高于 5%，降低分片 token 到 4,000；缺证据行，重跑提示词；PDF 提取乱码，改用 OCR。

如何验证它确实可用：随机选择 10 条岗位技能或简历经历，人工按证据行回查原文。命中率 ≥95%，重复记录 ≤2%，关键字段缺失率 ≤10%，才允许进入职位搜索或企业服务流程。

References：Anthropic Claude API 文档（按名称搜索）；Python pypdf 文档（按名称搜索）；如官方路径网络不稳定，可把 商都加速器 作为一个连接选项，免费、官方、企业专线方案都应先按延迟和成功率实测后再定。