当下，很多猎头在输出候选人推荐报告时，直接提交简历和 JD 给大模型，让 AI 一次性完成全部写作。不少猎头产生错觉，觉得会用 AI 就是坐等工具输出现成文稿。但 AI 只是文字加工的效率工具，一份有实际参考意义、收获客户信任的推荐报告，真正难题不是指令 AI 写文字，而是驾驭 AI、守住信息真实，搭建可复用的业务工作流。

面对篇幅冗长、格式零散的简历，AI 可以快速完成信息萃取，把候选人繁杂的履历，压缩成简短的简历摘要。它能够梳理候选人的就职时间线、任职企业、岗位名称、核心技能标签，快速提炼基础背景信息，省去猎头手动摘抄、整理文本的重复劳动。但这份摘要只是原始素材，仅对简历文本做表层信息收拢，不会自动辨别经历的权重，猎头还需要根据岗位需求，对摘要内容做取舍调整，不能直接把 AI 输出的摘要原样交付客户。

候选人简历的排版往往五花八门，有的按项目罗列，有的按岗位平铺，叙事逻辑杂乱。AI 可以把零散、碎片化的经历重新规整，按照时间维度、业务模块维度重新排版梳理，把分散的项目、技能、工作职责归集归类，形成条理清晰的经历文本。但这只是格式与语序层面的梳理，不会自动辨别经历的含金量，经历背后项目规模、个人贡献，依旧需要猎头结合访谈信息去补充完善。

把 JD 要求和候选人资料一并交给 AI，模型可以对照岗位任职要求，逐条罗列出候选人与岗位之间的匹配点，快速标记技能、行业背景、项目经验上的重合部分，直观呈现二者的对应关系。这个过程可以帮助猎头快速梳理汇报逻辑，搭建推荐报告的对比框架。但 AI 只能做字面文本层面的比对，无法判断候选人经验的深浅，不能直接等同于真实业务能力匹配。

基于简历、JD 匹配结果，AI 可以快速产出推荐理由初稿，搭建起报告的基础框架，罗列出适合推荐的若干角度。对于新手猎头，能够提供写作思路参考，减少不知道报告该从何下笔的困境。但初稿仅仅只是草稿，内容大多停留在表层信息，缺少猎头访谈得到的软性特质、求职动机、优缺点等一手访谈信息，距离可直接交付给客户的成品还有不小差距。

部分猎头手写的报告存在口语化、语句不通顺、表达啰嗦的情况，AI 可以完成文本润色，调整措辞，统一商务书面语气，优化语句流畅度，修正语病，让整篇报告阅读体验更好。需要留意，润色只应该修改表达形式，不可以改动事实信息，使用时要避免 AI 在润色过程中擅自篡改候选人原本的经历描述。

大模型存在幻觉问题，在撰写报告的时候，有可能在简历素材之外，凭空捏造候选人不曾具备的技能、项目经历、行业资源。简历没有提到的能力，AI 会自行脑补补充进去，以此让推荐内容看起来更丰满。如果猎头没有仔细核对，带有虚构信息的报告直接提交客户，会严重损害猎头个人以及机构的专业可信度，这也是使用 AI 写报告需要重点提防的风险点。

简历上很多项目候选人只是团队参与角色，AI 在生成报告时，很容易自动拔高权责，将 “参与项目实施” 改写为 “主导项目落地”，放大候选人在项目当中的角色。这种改写并非恶意，但会扭曲候选人真实权责。一旦客户面试时发现描述和候选人实际情况不符，很容易造成预期错位，影响整个招聘项目推进。

候选人拥有间接、周边相关行业经验，AI 有时会做过度推演，将关联经验直接等同于岗位所需要的直接实战经验。比如接触过部分 AI 辅助工作，就被描述为具备完整大模型落地经验。文本看起来匹配度很高，但属于概念偷换，容易误导客户对候选人能力的判断。

AI 输出的软性评价部分很容易陷入套话模板，诸如学习能力强、沟通能力优秀、团队协作良好这类万能评语反复出现。缺少来自猎头访谈得到的个性化细节，千人一面，没有体现这个候选人独有的特质、优势与短板，这样的报告对客户参考价值有限。

在输入素材的过程中，如果没有做好约束，AI 有可能原样输出候选人手机号、身份证、公司内部涉密业务等敏感隐私内容；也有可能在生成文本过程中，无意识泄露不该对外披露的信息。一旦报告流转，会带来信息泄露风险，需要在提示词阶段就加上隐私脱敏相关约束。