如何用 AI-native 工作流實現AI時代的卓越人才篩選（115 份簡歷 · 125 個 Agent · $65）

原始來源與檔名：2026-06-08T093103+0800-如何用 AI-native 工作流实现AI时代的卓越人才筛选（115 份简历 · 125 个 Agent · $65）.md

NAPKIN | 餐巾纸

餐巾紙公式

卓越篩選 = 確定性程式碼控制流 + 扇出式多代理 (Fan-out) + 獨立標準設定 (MD) + 對抗性複核 (Red Teaming)

利用程式碼負責排程與數學運算，AI Agent 負責主觀評量，並透過正反兩派的 Agent 相互制衡來消除 AI 評分的通膨現象。

一句話

如果只能用一句話概括這篇文章：透過 Dynamic Workflow 編排 125 個 AI 代理並行讀取簡歷，結合對抗性複核機制，以極低成本將招聘篩選從「人肉直覺」升級為可量化、可審計的結構化工程。

餐巾紙草圖

[Notion 簡歷庫] -> (程式碼提取)
      |
      +---> [Agent 1] (依據 Markdown 標準評分 & 驗證 GitHub)
      +---> [Agent 2]
      +---> [Agent N]
      |
(程式碼排序，挑選 Top N)
      |
[魔鬼代言人 Agents] (對抗性複核，向下校準虛高分數)
      |
(程式碼最終裁決與分配) -> [結構化排名報告]

SOURCE | 資訊源評估

• 準確性: 中
• 易理解性: 中
• 閱讀策略建議: 略

NAPKIN | 餐巾紙

餐巾紙公式

N/A

一句話

N/A

餐巾紙草圖

N/A

ROUND 1: SKELETON | 骨架掃描

“這本書在說什麼”

• 核心問題: 面對大量簡歷，人工初篩速度慢且標準容易前後不一，如何建立一套客觀、可解釋且能識別真正 AI 時代人才的自動化篩選系統？
• 核心答案: 運用 Claude Code 打造 Dynamic Workflow，將評估標準獨立寫成 Markdown 檔案，讓破百個 AI 代理並行查閱與交叉複核，確保評判標準始終如一。
• 論證結構: 實戰案例與數據分析型

章節骨架

1. Dynamic Workflow 概念: 程式碼控制流與 AI 判斷力分離的架構。
2. 系統設計與決策: 標準與代碼分離、硬性配額限制、對抗性複核。
3. 實況洞察與結果: S檔/A檔從缺的意義、驗證實戰能力的重於關鍵字。
4. 成本與 ROI 分析: 模型快取機制的影響與整體效益探討。

ROUND 2: DISSECTION | 血肉解剖

“憑什麼這麼說”

隱形假設與邊界

• 隱形假設:
  • 候選人的真實能力可以透過其 GitHub 或線上作品集被客觀追溯與驗證。
  • Markdown 標準文檔的設計足夠嚴謹，能精確對齊人類專家的直覺判斷。
• 邊界條件:
  • 如果候選人的貢獻存在於無法公開訪問的私有專案庫或內部系統中，Agent 無法進行查核，會導致嚴重的降分。
  • Prompt 快取 (Prompt Caching) 在扇出 (Fan-out) 架構中效益有限，因為每個 Agent 的上下文前綴並不完全相同，這會使得並行處理成本較高。

ROUND 3: SOUL | 靈魂提取

“還能怎麼用”

• 作者盲點: 對於無開源背景但具備深厚企業級架構經驗的資深人才，這套高度依賴外部公開連結 (GitHub) 爬取的評分機制可能會產生誤判。
• 知識連接: 「對抗性複核」本質上是資安領域中的「紅隊演練 (Red Teaming)」思維，也與機器學習中的生成對抗網路 (GANs) 概念相通，藉由互相博弈達到最佳平衡點。
• 行動觸發: 在團隊進行大規模代碼審查 (Code Review) 或內容審核時，引入一組「魔鬼代言人」Agent，專職負責找碴與挑刺，以提升最終決策的容錯率。

如何用 AI-native 工作流實現AI時代的卓越人才篩選 (Architectural Deep Dive)

前言/背景

本篇文章探討了一個極具啟發性的 AI 實戰實驗：如何處理 Notion 資料庫中積壓的 115 份求職簡歷。作者放棄了傳統的「一問一答」單一對話模式，轉而構建了一個基於 Claude Code 的 Dynamic Workflow。透過編排 125 個 AI 代理並行執行任務，以 65 美元的成本在 10 幾分鐘內完成了具備高度一致性、包含對抗性複核的人才初篩報告。

章節詳細總結

動態工作流 (Dynamic Workflow) 的核心架構

傳統 LLM 使用方式受限於順序處理，容易在處理大量對象時發生混亂或效能降級。Dynamic Workflow 的核心架構哲學在於 「確定性的控制流 + AI 的判斷力分離」：

• 控制流交給程式碼：舉凡迴圈 (Loop)、分發 (Fan-out)、匯總與配額計算等數學與排程工作，皆由代碼實作，確保系統的可復現性與可審計性。
• 主觀判斷交給 AI：利用代碼中的並行呼叫 (如 parallel(...)) 瞬間拉起數十個獨立的 Agent，每個 Agent 僅專注於評估單一候選人，並返回嚴格符合 Schema 定義的 JSON 結果。

關鍵架構決策：標準與代碼解耦

為確保系統的可維護性，系統將評判標準與代碼徹底分離。所有的標準被撰寫為一組 Markdown 文件 (如 criteria/ 目錄)：

• 02-ai-agent-fluency.md: 定義 AI 原生能力 (權重 35%)。
• scoring.md: 定義合成公式與 5% 的頂級配額鐵律。 這種「標準即代碼 (Standard as Code)」的設計，允許非技術人員透過修改 Markdown 來微調招聘策略，而無需更動底層的 Python 或 Node.js 排程邏輯。

防治評分通膨：對抗性複核 (Adversarial Review)

AI 模型在評分時往往具備「諂媚」或「寬容」的傾向。為了解決虛高分數，架構引入了多階段流水線：

1. Phase 1 (打分)：115 個 Agent 依據簡歷與主動訪問 GitHub 核驗，進行四維度的加權打分。
2. Phase 2 (對抗性複核)：系統將初篩高分的候選人送入一組專職的「魔鬼代言人 (Devil’s Advocate)」Agent。這些 Agent 的唯一目標是「盡力反駁候選人配得上頂級的理由」。 例如，針對僅有「了解 AI」關鍵字但缺乏真實開源貢獻的履歷，複核 Agent 會將其原始的高分大幅向下校準。這確保了留下來的候選人皆具備可驗證的硬底子 (Solid Evidence)。

成本與效能分析：快取機制的限制

本次執行總花費約 65 美元（折合每人約 0.57 美元）。一個重要的架構洞察是：在 Fan-out 模式下，Prompt Caching 的效益會大幅降低。 由於 Prompt 快取依賴精確的前綴匹配，儘管 115 個 Agent 讀取相同的 Markdown 標準，但因每個會話 (Session) 初始化時帶入的候選人數據皆不相同，導致「Agent A 寫入的快取，Agent B 無法命中」。因此，主要的成本落在「快取寫入 (Cache Write)」上。這是在設計高並發 Agent 系統時，為了追求「判斷隔離不串味」所必須做出的成本權衡。

總結與結論

• 架構層面的關注點分離 (SoC)：將確定性的數學運算 (排序、權重分配) 交由傳統程式碼，將非結構化的語義判斷交給 LLM，是確保 AI 系統穩定性與可審計性的黃金法則。
• 引入 Red Teaming 對抗機制：在任何需要客觀打分的 AI 系統中，必須建構對抗性的複核 Agent，以抑制大型語言模型天然的迎合與通膨傾向，確保輸出品質的真實性。
• Infrastructure as Code (IaC) 的延伸：將業務邏輯與評判標準提取為純文本檔案 (Markdown) 並與工作流結合，使得商業邏輯具備了版本控制能力與極高的敏捷迭代潛力。