算法在替你面试：ATS 如何用随机性重塑招聘市场
算法在替你面试：ATS 如何用随机性重塑招聘市场
在传统认知里，招聘是一件“越客观越好”的事情：简历筛选、技能匹配、面试评估，一切都应该尽可能标准化、可解释。但最近 Hacker News 上的一篇讨论却把这种幻想撕开了一道口子——当 ATS（自动化招聘系统）开始深度引入 LLM 后，筛选结果不再只是“对或错”，而更像是一场带有随机性的概率游戏。[1]
更令人不安的是：同一份简历，多次投递可能得到完全不同的结果。
LLM 驱动的 ATS：从规则系统走向概率系统
从“打分器”到“采样器”
传统 ATS 多数依赖规则系统：关键词匹配、学历筛选、经验年限阈值等，本质上是确定性的过滤器。
而引入 LLM 后，流程变成了另一种形态：
- 简历 → embedding / prompt
- LLM 生成评分或排序
- 输出候选人优先级
关键变化在于：输出不再是严格确定的，而是分布式的结果。
HN 评论中有一个技术争议点很典型：有人误以为 temperature=0.1 可以让模型“几乎确定性输出”。但评论者指出，这种理解是错误的——temperature 只是改变概率分布的“陡峭程度”，并不会让系统真正变成 deterministic。[1]
换句话说，即使你不显式引入随机函数，LLM 本身就在做采样。
同一份简历，不同命运：随机性的真实影响
“65% 的失败率”背后的不确定性
一条高赞评论给出了一个非常直观但令人不安的观察：
同一份简历，在系统里可能 65% 的情况下被拒绝。[1]
这句话的重点不只是“失败率高”，而是“同一输入，多次输出不同”。
如果把 ATS 看作一个函数，它更像：
$$ f(\text{resume}) \rightarrow \text{distribution of outcomes} $$
而不是：
$$ f(\text{resume}) \rightarrow \text{yes/no} $$
这意味着什么？
- 你的“通过”不再是能力问题，而是概率问题
- 你的申请时间、顺序、上下文可能影响结果
- 系统状态（甚至提示词细微差异）都会改变输出
在高流量招聘场景下，这种不确定性被进一步放大。
高吞吐招聘下的“概率筛选”
另一个评论提供了更现实的背景：一些技术岗位 ATS 每小时可能处理 100+ 份申请。[1]
在这种规模下：
- 人工筛选不可能逐份精读
- 自动化系统必须“快速压缩候选池”
- 任何人工校正都会成为瓶颈
于是，LLM 的“概率压缩能力”反而成为优势：
- 不是精确挑选，而是“抽样优先级”
- 不是最优解，而是“足够好的候选集合”
评论甚至有些讽刺地指出：在这种机制下，35% 的命中率已经被视为“很高效率”。[1]
这意味着招聘正在从“判断问题”变成“抽样问题”。
为什么这个话题在技术社区爆火？
1. 黑箱系统的不安感
LLM + ATS 的组合，本质上是一个不可解释系统：
- 你不知道简历被如何理解
- 你不知道评分依据权重
- 你甚至不知道“失败”是否稳定复现
这种不透明性，在招聘这种强依赖公平感的领域，会迅速放大焦虑。
HN 评论中反复出现一个情绪点：
简历像是被丢进 LLM 黑洞，然后消失了。[1]
这种说法虽然夸张，但精准表达了一种现实体验：反馈缺失 + 决策不可解释。
2. “随机性歧视”的隐性担忧
另一个讨论焦点来自结构性偏差问题。
有评论指出，LLM 打分机制往往会给：
- 开源贡献
- 个人项目
- 技术博客
更高权重。[1]
问题在于，这些指标并不“纯粹技术”：
- 有时间资源的人更容易积累
- 有经济条件的人更容易参与开源
- 没有多重工作负担的人更容易构建作品集
于是系统看似中立，实际可能在放大一种隐性筛选：
更偏向“有充足时间投入技术的人”
这让技术筛选从“能力竞争”滑向“生活条件竞争”。
3. AI 加速了招聘的“极端规模化”
另一个被频繁提到的现实是：投递数量正在爆炸式增长。
- 求职者用 AI 批量投递
- 企业用 AI 批量筛选
- 双方都在提高“吞吐量”
结果是：
- 简历数量上涨
- 人工注意力下降
- 系统必须更依赖自动评分
这形成了一个反馈循环：
AI 越普及 → 简历越多 → ATS 越依赖 AI → 随机性越高
ATS + LLM 的本质：在不可能中做近似
为什么“确定性筛选”正在失效
从系统设计角度看，这一变化并不是偶然，而是规模约束下的必然结果。
当输入规模超过人类处理能力时：
- 精确排序成本过高
- 人工评估不可扩展
- 规则系统无法覆盖复杂背景
于是 LLM 被引入作为“近似函数”：
- 压缩信息
- 生成评分
- 提供排序建议
但近似本身就意味着误差，而误差在概率系统中表现为：
- 波动
- 不稳定
- 偶然性
随机性不是 bug，而是结构特性
很多人本能地把这种不确定性视为系统缺陷，但从模型角度看，它是结构必然：
- LLM 是概率模型
- ATS 需要压缩高维信息
- prompt 和上下文存在微扰
三者叠加后，不稳定输出几乎不可避免。
甚至可以说：
ATS 的“随机性”，是大规模语义压缩的副作用。
对开发者的影响：你正在进入“概率竞争系统”
1. 简历优化从“写对”变成“提高抽样概率”
过去优化简历是：
- 关键词匹配
- 经验表达清晰
现在变成：
- 提高被模型“选中”的概率
- 增加可被解释的信号密度
- 在多个评分维度上重复出现“强特征”
这更像是在训练一个分类器，而不是写文档。
2. “一次投递”不再是有效策略
在高随机系统中：
- 单次结果意义下降
- 多次采样更接近真实分布
- 时间点变得敏感
这解释了为什么一些候选人会观察到：
同一简历，早投和晚投结果不同
本质原因是：系统状态 + 输入顺序 + 负载波动共同影响输出。
3. 职业筛选正在向“老虎机模型”靠拢
HN 评论里那句半开玩笑的话其实很关键：
不如直接随机扔掉一半简历。[1]
这句话虽然极端，但反映了一个现实趋势：
当系统无法稳定区分候选人时，随机性本身就成为一种“负载均衡机制”。
结语：当招聘变成概率游戏
LLM 驱动的 ATS 并没有让招聘变得更“聪明”，它只是让原本就存在的复杂性被数学化、概率化。
在这个新系统中：
- 优秀 ≠ 一定通过
- 不通过 ≠ 不优秀
- 通过 ≈ 被抽样选中
这不是算法失控，而是规模压力下的结构结果。
真正值得关注的变化不是“AI 是否公平”，而是：
当筛选不可解释时，求职行为本身会不会变成一种概率博弈？
而在这个博弈里，所有人都在同一个分布中竞争，只是有人抽得更早，有人抽得更多次。
参考来源
[1] Hacker News 讨论：HackerRank open sourced its ATS. My resume scored 90/100. Oh wait 74. No – 88
https://news.ycombinator.com/item?id=48713832