如果您曾经想知道为什么一位明显合格的候选人会在您的 ATS 中消失而没有进行电话面试，答案几乎总是在解析层，而不是评分层。候选人有一个两列的简历。他们的名字在标题中。他们的日期在文本框中。系统接收了文档，返回了80%的干净解析，并默默地丢弃了无法读取的部分。候选人在屏幕上看起来很弱，因为屏幕只看到了半份简历。这比创始人意识到的更常见，这也是 ATS 评分被指责为实际上是解析问题的单一最大原因。
什么是 ATS 的真正作用，一段话
申请人跟踪系统是一种软件，用于收集、解析、组织、排名和存储职位申请。大多数现代 ATS 平台运行一个三阶段管道：将文档解析为结构化数据，评估解析后的数据与职位要求，并对候选人进行排名，以便人类可以首先查看最强的候选人。自2020年以来，实现已经有了显著的进步。早期的 ATS 平台几乎完全依赖于硬关键词匹配，即职位描述中列出的 "Python" 只会匹配包含该字面标记的简历。当前系统，包括 Curriculo ATS ，结合语义匹配、多信号评分和大型语言模型推理来评估上下文，而不仅仅是标记。
为什么架构比品牌更重要
两个ATS平台即使具有相同的功能列表，也可能根据其解析和评分层的设计产生截然不同的结果。品牌标志不能预测筛选质量；底层架构才是关键。评估ATS选项的创始人应该更关注三个具体问题：解析器如何处理非标准布局，评分层评估哪些信号，系统是否以可审计的方式暴露其推理过程。
阶段1：解析，即大多数失败发生的地方
解析引擎从简历文档中提取结构化数据：姓名、联系信息、带有日期和职称的工作经验条目、教育和技能。行业分析表明，大约30%的ATS拒绝发生在解析阶段，甚至在评分运行之前。最常见的解析失败是可预测的。多列布局被错误地线性化，因此候选人的当前工作下的第三个项目符号最终出现在前一个角色下。文本框被较旧的解析器完全跳过，因为它们位于文档的主内容流之外。头部和脚部，许多设计师将联系信息放在那里，有时会被忽略。基于图像的名称横幅是不可见的。创意的章节标题（“冒险”而不是“经验”）会让分类器感到困惑。每一个结果都使候选人看起来比实际上更弱。Curriculo ATS使用现代的解析管道，可以强劲地处理标准布局，但像每个解析器一样，难以处理极端的创意格式。十年来一直保持不变的建议仍然有效：标准章节中的干净单列简历可以在每个主要ATS中解析干净。
解析器看到的与人类看到的
一个有用的练习：将您的简历复制并粘贴到一个纯文本编辑器中。您看到的内容大约是解析器看到的内容。如果您的联系信息丢失，日期不按顺序，或者您的项目符号与之前的角色交错，那么这就是评分层将评估的内容。大多数解析器失败都可以在此步骤中立即看到。
第二阶段：评分，其中 ATS 平台有所不同
一旦简历被解析，系统会根据工作要求评估结构化数据。这是 ATS 平台最大的不同之处。在 2026 年，市场上占主导地位的有三种方法。首先，硬关键词匹配，即传统方法：工作描述中的关键词在简历文本中进行字面搜索，并生成频率分数。这方法快速、可解释，但脆弱。一个将自己的 AWS 经验描述为“在 Amazon 的云上运行生产服务”的候选人可能会因为缺少字面令牌而对一个要求“AWS”的工作获得低分。其次，使用 NLP 的语义匹配：系统理解“AWS”、“Amazon Web Services”和“在 Amazon 的云上运行服务”是等价的。这可以正确捕捉更多候选人，但仍然是在关键词级别评分，只是使用了更厚的字典。第三，使用推理的多信号评分：系统根据多个维度（量化成就、经验相关性、职业轨迹、技能对齐）评估简历，并生成一个综合分数和书面推理段落。 Curriculo ATS 使用这种第三种方法，我们称之为影响评分，因为关键词级别的评估，即使使用语义增强，也会错过简历中最强的信号：特定角色附带的结果。
Curriculo ATS 如何对候选人进行不同的评分？
综合评分是从四个信号中计算出来的，权重向结果倾斜：量化成就（结果附带的数字），经验相关性（候选人是否解决了与开放职位相关的问题），职业轨迹（责任是否在角色中增长），以及技能匹配（声明的技能是否与简历的证据相符）。输出是一个0-100的评分和一段解释评分为什么是这样的文字，这样创始人可以在几秒钟内审计评分决策。这是“关键词密度0.78”和“强势匹配，因为候选人的最后三个角色每个都在开放职位的同一领域中产生了可衡量的收入影响”之间的区别。
第三阶段：排名和人工交接
第三阶段是呈现：按顺序排列候选人，以便人工审查者首先阅读最强的候选人。这比创始人意识到的更重要。一个管道每天交付200个候选人，按申请日期排序，迫使创始人阅读所有200个候选人以找到最好的8个。一个管道交付同样的200个候选人，按综合评分排名，允许创始人阅读最好的8个，并在30分钟内做出自信的决策。排名也是系统偏见变得操作可见的地方。NYC 地方法144要求对用于NYC招聘的自动化就业决策工具进行偏见审计，而EU AI法的附录III将招聘AI归类为高风险，需要文档、人工监督和持续监控。为AI辅助评分而设计的现代ATS平台应该发布其推理，以便偏见审计可以有意义地进行，并且招聘团队可以在做出面试决定之前检查排名输出。
候选人经验的这一方面是什么样的？
候选人看到申请表格、确认邮件和电话面试邀请或礼貌拒绝。表面简单的背后，解析器、评分器和排名器已经运行；候选人的简历已与几百份其他简历进行比较；并且已经对是否晋级做出了结构化的决定。现代的ATS平台还提供候选人面向的透明度：告知申请者是否在评估中使用了自动化工具现在在NYC是法律要求的，在EU范围内的AI法案下也是如此，在其他地方也是广泛接受的最佳实践。
我们在亚马逊关于排名系统的经验
在CurriculoATS之前，我们的创始人Dev曾在亚马逊的搜索和推荐系统上工作。最直接的经验教训是：排名系统的好坏取决于其反馈环。亚马逊的产品排名会改进，因为每次点击、购买和退货都会将信号反馈到模型中。大多数ATS平台的设计没有这种环；它们评分候选人，候选人被录用或拒绝，并且没有任何结果反馈到评分中。结果是系统会变得陈旧。CurriculoATS的设计是带有闭环的：当被录用候选人的90天绩效被记录时，系统会学习哪些信号模式在您的公司中预测了成功。一般的评分模型是一个起点；团队特定的校准是使得评分在时间上可靠的关键。
为什么可解释的评分优于黑盒评分
如果系统给出一个0-100的评分而没有解释，你无法判断评分是否正确。如果它提供相同的评分并附上书面推理段落，你可以在几秒钟内进行审计。审计可以捕捉到模型误读非传统职业路径或以错误方式加权关键词的情况。可解释性是NYC 地方法144和EU AI 法案要求的部分之一；独立偏差审计是另一部分，因为它检查所有候选人的模式，而单个推理段落无法显示。