简历为什么特别容易误判
检测模型看的是统计特征：句长是否均匀、连接词是否密集、用词是否收敛。简历恰好 在这三项上都「很像机写」——这不是巧合，简历本来就是被反复修改、向模板靠拢的文体。 具体来说有三处高危区：
- 自我评价：几乎全是「学习能力强、抗压、善于沟通」这类套话，句式高度一致， 单独检测基本没有参考价值。
- 技能罗列：名词堆叠，没有完整句子，模型缺少可判别的上下文。
- 按 STAR 结构写的项目描述：结构规整本身就会被计为机写特征，而它同时是很多求职指导推荐的标准写法。
所以更合理的做法是只送检「工作内容」「项目经历」这类有具体事实的段落， 并且分段看，而不是整份简历一个分数。
正确用法：把分数变成提问
检测结果真正有价值的地方，是它指出了「哪一段可能没有具体经历支撑」。把它翻译成 面试问题，收益远大于把它翻译成淘汰决定：
- 「这个项目里你具体负责哪一部分？遇到过什么问题？」——检验细节是否真实存在。
- 「为什么选这个技术方案，当时还考虑过哪些？」——检验技术判断是否来自本人。
- 「这段数据是怎么统计出来的？」——检验描述是否有真实来源。
注意这里的方向：检测结果只决定「问什么」，不决定「要不要这个人」。真正区分候选人的 始终是回答质量，而回答质量是人的判断。
不建议的用法，以及为什么
- 按分数自动淘汰：误判直接剥夺一个人的机会，且无法解释、无法申诉。比例原则上也站不住—— 用概率证据做出对个人有重大影响的决定。
- 把分数写进候选人档案：一个没有解释的分数会跟着候选人很久，而它本身并不构成任何结论。
- 用来判断「这个人是否诚实」：检测只看文本特征，与诚信无关。AI 润色简历的人未必在撒谎， 手写简历的人也未必写的是真的。
批量核验的工程做法
- 按段落切分后批量提交，把段落原文与检测结果一起落库，便于面试时直接对照。
- 按内容哈希缓存结果：同一份简历在流程中被多次打开时不必重复调用。
- 只把「需要追问」的段落推给面试官，不要把整份带分数的简历丢进系统—— 分数一旦脱离上下文，就会被当成结论。
- 保存
task_id与原始返回， 并设定留存期限，到期清理。
个人信息与告知
简历包含个人信息，检测属于对个人信息的处理。接入前应确认三件事：招聘流程说明或隐私政策里 已告知可能使用自动化工具辅助筛选；送检范围限于与岗位相关的文本，不必包含身份证号、 联系方式等字段；结果仅用于本次招聘，不挪作他用。
接口层面的字段与计费口径见AI 文本检测 API与接口文档；个人信息处理的口径见隐私政策。
常见问题
简历检测分数高，说明候选人在造假吗？+
不能这样推断。分数高只说明文本特征偏向机写，而简历本身就有大量机写特征：自我评价多是套话、项目描述常按 STAR 结构写、句式短且规整。真正由 AI 代写的简历通常还会伴随内容空泛、细节缺失，但这两件事需要人去判断。把分数直接等同于造假，误伤的会是最会写简历的那批人。
可以用它做自动淘汰吗？+
不建议，也不符合比例原则。招聘决策涉及具体个人的重大利益，用一个概率分数做自动淘汰，既无法向候选人解释，也难以在争议时自证。可行的做法是把结果作为面试提问的线索：对可疑的段落，让候选人解释具体细节（项目背景、技术选型、数据来源），答不上来才是真正有价值的信号。
为什么简历的分数普遍偏高？+
因为短且模板化。检测模型依赖统计特征，而简历的用词、句式、段落长度都高度收敛；再叠加自我评价这类几乎全是套话的段落，整体置信度自然被拉高。建议只看「项目经历」「工作内容」这类有具体事实的段落，跳过自我评价与技能罗列。
批量检测简历需要注意什么？+
三件事：一是告知——在招聘流程说明里写明可能使用自动化工具辅助筛选；二是最小化——只送检与岗位相关的文本段落，不必整份简历连联系方式一起送；三是留痕——保存检测时间、task_id 与当时的文本快照，便于复核与申诉。简历属于个人信息，处理边界应当与隐私政策一致。
检测结果要不要告知候选人？+
不必展示分数，但如果结果影响了流程（例如要求补充说明），应当以可理解的方式告知理由，并给出解释机会。直接把分数发给候选人，既无法解释其含义，也容易引发争议。
相关页面
注册即赠体验金，先把全流程跑通再充值