Desktop Organizer — 猎头简历库整理

把桌面散落的候选人简历变成一套可用的人才库。核心原则：不删除任何文件、dry-run 优先、判定结果必须可审计。

0. 环境准备（每次会话先做）

依赖：

pip install pymupdf

桌面路径 — 必须实测，不能假设：

Windows 上桌面可能被移动到其他盘（如华为笔记本的 HuaweiMoveData）。先读取注册表确认，不要直接扫 C:\Users\<user>\Desktop（那可能只是个空镜像）：

# Windows：读注册表确认真实桌面路径
reg query "HKCU\Software\Microsoft\Windows\CurrentVersion\Explorer\User Shell Folders" /v Desktop

或 PowerShell：

(Get-ItemProperty "HKCU:\Software\Microsoft\Windows\CurrentVersion\Explorer\User Shell Folders").Desktop

扫描方式 — 不要用 Glob：Glob/find 会漏文件。一律用 Python os.listdir / os.walk。

1. 目录体系

<桌面>/简历库/              ← 主库，22 个方向文件夹
├── 01-世界模型/
├── 02-预训练/
├── ...
└── 22-移动端/

<桌面>/27届/                ← 某一届集中文件夹（命名规约不同，见 §4）
<桌面>/话术/                ← 公司名 / JD 类 docx
<桌面>/客户/<客户名>/       ← JD 归档

2. 22 方向判定

完整关键词表见 references/direction-taxonomy.md。

具身智能类（细分，优先匹配）：01-世界模型 02-预训练 03-VLA 04-运控 05-仿真 06-具身数据 07-感知 08-具身综合 通用类：09-大模型 10-Agent 11-多模态 12-语音 13-算法 14-前端 15-后端 16-数据 17-产品 18-测试 19-Infra 20-管理 21-嵌入式 22-移动端

判定顺序：文件名关键词 → PDF 内容「求职意向 / 研究方向」字段 → 全文关键词 → 兜底（归最接近大类，报告中列出待确认）

方向要"最正确"——这些是实战纠错过的：

3. 主库命名规约：姓名-具体工作方向.pdf

文件夹是「大致方向」，文件名后缀必须是简历「实际工作内容」。

✅ 吴栋-世界模型.pdf          （放在 01-世界模型/）
✅ 沈勇-语音识别.pdf          （放在 13-算法/）
❌ 吴栋-VLA.pdf               （用文件夹名当后缀，不合格）
❌ 沈勇-算法.pdf              （"算法"是泛词，不合格）

具体方向提取优先级：

1. 原文件名里的具体方向词（代东洋-语音合成-TTC.pdf → 代东洋-语音合成.pdf）
2. 只有泛词（算法/工程师/研发/开发/技术/负责人/研究员/专家）→ 读 PDF 内容，优先「求职意向 / 从事职业 / 研究方向 / 目标岗位」字段
3. 仍无法确定 → 文件夹名兜底

姓名提取：取文件名首段（中文 2-4 字 / 英文名 / 中英混排如 Eric李）；英文名保留下划线（Cheng_Lu）；提取失败读内容；仍失败保持原名并列为待人工处理。 _N 后缀：_2/_3 是版本标记不是方向，提取方向时先剥离，最终保留。 清理噪音：TTC、个人简历/resume/cv、公司后缀、学历（博士/硕士/27届）、城市、长 ID（ATCH2052...）。

流程顺序：判定方向 → 命名 → 归类，一步完成，落盘即新名。

4. 届数文件夹命名规约

<桌面>/27届/ 集中放 27 届候选人简历副本（主库仍保留原件），命名： 姓名-最近一段学校-最近一段实习工作-实习研究方向.pdf

吴栋-北京大学-百度阿波罗-多模态流式仿真世界模型.pdf
曹式铖-南开大学-星海图-G0.5 VLA预训练与后训练.pdf

提取要点：

• 最近学校 = 最高学历（硕士/博士优先于本科；本科西工大 + 硕士北理工 → 用北理工）
• 最近实习 = 起止时间最新的一段（商汤 2025.9-至今 优先于光明实验室 2025.4-2025.8）
• 实习研究方向 = 该段的具体方向，10-20 字
• 无实习者用「XX课题 / XX科研」代替单位，方向填研究方向
• ⚠️ 自动提取不可靠（会把「具身智能」当公司名、把日期当方向）→ 必须生成 CSV 清单让人工核对后再执行

5. 届数判定（最容易漏人的部分）

目标：找出某一届应届生（如 27 届 = 2027 毕业）。

三个坑

坑 1：只看「文件名标 27 届」会漏掉一半人。 大量应届生简历不写届数，写的是「2024.09-至今」。必须按学制推算：

• 硕士 2024 入学（3 年制）/ 2025 入学（2 年制）→ 2027 毕业
• 博士 2022 / 2023 入学（4-5 年制）→ 2027 毕业

坑 2：全文正则匹配「至今」会把在职的也抓进来。 在职人员的工作经历同样写「2024-至今」。必须只在教育经历块内匹配——先定位「教育经历」标题，截到下一个区块标题（工作经历/项目经历/技能/荣誉）之前，再在这段文本里找。窗口内出现「有限公司/股份有限公司/职级/任职/年以上经验/Leader/主管/总监」即判定为工作经历，跳过。

坑 3：英文格式和竖排文本会让标准正则失效。 Sep. 2024 – Jun. 2027 中间夹月份；竖排排版的 PDF 文本流顺序错乱，导致「至今」和入学年不相邻。用宽松邻近匹配兜底：目标年份前后 110 字内同时出现入学年 + 教育词。

判定优先级与置信度

宽松匹配会命中大量在职人员——这是刻意设计（宁多不漏），但输出必须按置信度分开，low 的逐个人工看。

必须排除的误判

• 工作经历「至今」的在职人员
• 已毕业（2020-2024、2021-2025 等）
• 博士后（非应届）
• 教育时间缺失、无法确认毕业年份的 → 存疑不收录，单独列出

图片型 PDF 单独排查

文本提取 0 字的 PDF（扫描件/图片型）靠文件名判断会漏。渲染成 jpg 做视觉识别：

import pymupdf
doc = pymupdf.open(path)
doc[0].get_pixmap(dpi=150).save("out.jpg")

跨来源核对

届数信息在改名后可能丢失。如果库里已做过一轮改名，要同时参考改名前的原始文件名（可能带「27届」标记）。只读内容会漏，只读文件名也会漏——双源核对。

6. 人才计划扫描

关键词 30+：杰青、优青、海外优青、长江学者、千人计划、青年千人、万人计划、博新计划、卓博计划、上海市超级博士后、科技新星、青托、天才少年、阿里星、水木学者、浦江人才、香江学者、以及企业计划（字节筋斗云、百度探路星、地平线专项等）。

⚠️ 必须区分「本人获得」和「导师获得」：简历常写「导师：XXX（杰青）」——那是导师的头衔。命中上下文含「导师 / Advisor / 合作导师 / Prof.」的，标记为待复核。

7. 执行脚本

# 扫描（结构化 JSON + 控制台摘要）
python scripts/scan_resumes.py --lib "<桌面>/简历库" --out scan.json
python scripts/scan_resumes.py --lib "<桌面>/简历库" --jie 2027 --only-jie
python scripts/scan_resumes.py --lib "<桌面>/简历库" --jie 2027 --only-jie --min-confidence high
python scripts/scan_resumes.py --lib "<桌面>/简历库" --only-scanned --render-dir ./render

# 归档桌面散落简历
python scripts/organize.py --src "<桌面>" --lib "<桌面>/简历库"                    # 预览
python scripts/organize.py --src "<桌面>" --lib "<桌面>/简历库" --apply --revert-csv revert.csv

# 届数同步
python scripts/jie_sync.py --lib "<桌面>/简历库" --out-dir "<桌面>/27届" --year 2027 --preview review.csv
python scripts/jie_sync.py --lib "<桌面>/简历库" --out-dir "<桌面>/27届" --year 2027 --apply --from-csv review.csv

# 人才计划
python scripts/talent_scan.py --lib "<桌面>/简历库"

8. 安全红线

• 不删除任何文件。重复文件只报告，脚本里没有任何删除调用
• dry-run 默认，--apply 才真正写盘
• 只动源目录根层，不递归子文件夹
• md5 去重跨库比对，同 md5 跳过不移动
• 同名冲突加 _2/_3，绝不覆盖
• 回退表：--revert-csv 输出完整 原路径 ↔ 新路径
• 批量改名/移动前先生成预览清单给使用者确认（几百个文件的操作会触发权限弹窗，也是安全阀）
• ~$ 开头是 Word 锁定临时文件，忽略

9. 输出报告格式

每次整理后汇报：

1. 处理了多少份、按方向分布
2. 新增归档明细（原文件名 → 新路径）
3. 跳过 / 重复的文件清单
4. 无法判定的，附上内容摘要供人工决策
5. 需要人工确认的事项（docx 简历、姓名存疑、图片型 PDF）

10. 定时巡检（可选）

建议做成每周一次的自动化任务，覆盖：

• 扫描桌面根目录新散落简历 → 归档
• 检查 22 个方向文件夹：方向放错的、md5 重复的、空文件夹
• 检查某一届是否漏同步
• 输出巡检报告

参考

• references/direction-taxonomy.md — 22 方向完整关键词表 + 常见误判清单
• scripts/resume_core.py — 核心库（PDF/教育块/姓名/学校/方向/届数/人才计划）
• README.md — 项目说明