单个岗位常收到 3000 份以上简历，人工初筛需要数天。MOI 将批量 PDF 简历转化为结构化候选人信息，按岗位规则输出分数、建议和证据，全量筛选在 1 小时内完成。
AGOC（Aramco Gulf Operations Company）成立于 2000 年，是沙特阿美的全资子公司，负责管理沙特王国在近海分区的石油权益，业务涉及油气开采与运营。
AGOC 长期保持较大规模的招聘量。一个岗位的招聘启动后，HR 要先面对一堆来自不同渠道、不同格式、不同语言的简历：有 PDF、有 Word，也有扫描件和图片；有排版清晰的，也有结构混乱的。
岗位热门时，单个职位收到成百上千份简历是常态。问题从来不是简历太少，而是简历太杂、太散、太难比较。
真正消耗团队时间的，不是最后那个「录用谁」的判断，而是判断之前那一长串重复、琐碎、容易出错的阅读和整理工作。拆开来看，这类业务通常卡在四个层面。
第一，简历难以快速结构化。教育背景、工作年限、技能、项目经历、过往公司这些关键信息，分散在不同段落、不同版式里，而 AGOC 的简历同时存在阿拉伯语与英语，人工逐份提取既慢又容易漏。
第二，简历信息虽多，却难以统一比较。每份简历结构都不一样，天然不在同一个视图里。HR 想横向比较一批候选人时，缺的不是简历，而是一套可比较的结构化结果。
第三，筛选过程缺乏一致性。不同 HR 筛同一个岗位，关注点和判断标准可能完全不同；甚至同一个人，今天和明天看同一批简历，结论也会漂移。
第四，结果产出慢且复用性弱。即使这一轮筛完了，用到的筛选标准、打分口径、字段映射也很难沉淀，下一次招聘还得从头再来。在实际招聘体量下，决定节奏的不是候选人供给，而是筛选产能。
MOI 的切入点不是做一个「会聊天的招聘助手」，而是把简历筛选拆成可落地的业务环节，再重新组织成一条完整的智能链路。
先把非结构化简历变成结构化输入：简历从各来源渠道自动拉取后，通过多模态文档解析识别教育背景、工作年限、技能、证书、项目经历等字段，按统一维度整理——无论原始文件是 PDF、Word 还是扫描件，也无论是阿拉伯语还是英语。提取出的字段可由人工修正确认，保证后续评分建立在正确信息之上。
再把岗位要求与简历拉到同一条分析链路：岗位描述同样被解析成一组明确的筛选标准（必备技能、经验年限、学历门槛、加分项），作为分析主线，每份简历的结构化字段对齐进来，形成面向当前岗位、可直接比较的分析视图。
这里有一个刻意的取舍：没有做成自由问答。自由的自然语言简历问答看起来更酷，但在大批量、要对结果负责的初筛里会面临一致性差、准确率不稳、响应慢三个现实问题。把岗位要求拆成明确的评分标准、对每份简历做结构化评分排序，反而更可控、更可解释、也更可复用。
智能体通过混合检索取出候选人池，围绕岗位标准做多维度评分——结构化、可重复的打分，而不是一次一个样的自由回答——返回带分项得分和简历原文依据的排序结果。
智能体每小时处理约 2000 份简历，约为人工筛选吞吐量的 100 倍。检索与评分在一个智能体内端到端完成，招聘的节奏由面试速度决定，而不再由阅读速度决定。
HR 看到的不是一堆散乱的简历，而是一份结构清晰的候选人排序：每个岗位下按得分排序，附带评分依据、关键亮点与风险提示，既可继续人工复核，也可直接导出到下游招聘系统。
字段提取、评分口径与排序规则被标准化之后，不再过度依赖个别 HR 的经验和状态，同一套标准一致地应用到每一份简历上。
决策依据也更充分：为什么这个候选人排在前面、他满足了哪些岗位要求、又在哪些维度上有欠缺、评分基于哪些信息——每一个结论都可追溯到简历原文。
最有价值的不只是少翻几千份简历，而是把原本靠个人经验完成的筛选过程，逐步沉淀成平台能力、规则能力和数据能力。