n8n模板：简历表单收集后自动解析打分并通知HR

原文要点

来源是WeblineIndia发布在n8n模板库的免费工作流：用n8n表单触发器收集候选人PDF简历，文件上传到指定Google Drive文件夹并提取文本，交给OpenAI的gpt-4o-mini解析成结构化候选人字段，再清洗姓名大小写、邮箱格式、工作年限数值，按工作年限加是否具备React、Node.js、PostgreSQL三技能计算匹配分，写入PostgreSQL的public.candidates表，最后向HR的Slack频道推送候选人详情与分数。页面未提供可下载的工作流JSON、提示词全文、评分公式细节与建表语句。

这次做成什么

在自有n8n实例搭通“简历表单→Drive存档→AI解析→打分→入库→通知HR”流水线，用一份虚构简历跑通。原页面不含可导入文件与评分公式，以下节点配置、提示词、打分代码、建表SQL均为本站按描述独立编写的重建方案，导入原模板后需逐项核对字段映射。

准备什么

• 可登录的n8n实例，且能对外公开表单URL（自托管需配置公网访问或隧道）
• Google账号并开通Drive API，可在n8n配置OAuth2凭据
• OpenAI API密钥且可调用gpt-4o-mini
• PostgreSQL数据库及建表、写表权限
• Slack工作区与可发消息的OAuth应用或Webhook
• 一份虚构候选人简历PDF，不得使用真实求职者信息

具体怎么做

1. 建候选人表

   在PostgreSQL执行下方材料的建表SQL，创建public.candidates，包含姓名、邮箱、年限、技能数组、匹配分等列，列名与后续映射保持一致。

2. 配置表单触发器与Drive存档

   添加n8n Form Trigger节点，表单加姓名、邮箱两个文本字段和一个只接受PDF的文件上传字段，发布后把表单URL发给测试者。其后接Google Drive节点（OAuth2凭据），Operation选Upload，把表单二进制文件上传到指定文件夹并记下返回的文件ID。

3. 提取文本并调用OpenAI

   接Extract from File节点从PDF提取文本；接OpenAI节点，Model选gpt-4o-mini，System消息用下方材料的完整提示词，User消息传入简历文本，要求JSON输出。再接Code节点做规范化：姓名每个单词首字母大写、邮箱转小写并trim、工作年限转数字。

4. 计算匹配分

   再接Code节点，使用下方材料的打分代码：年限每满1年得2分（上限20分），技能列表中每命中React、Node.js、PostgreSQL一个得10分，总分上限50分。技能关键词数组放在代码顶部常量，换岗位时只改这一行。

5. 入库并通知HR

   接Postgres节点把规范化字段与分数插入public.candidates；接Slack节点向HR频道发消息，正文含候选人姓名、邮箱、年限、命中技能与得分。手动执行一次并检查三处输出。

可直接复制的材料

你是简历解析助手。从用户给的简历文本中提取字段并只返回一个JSON对象：{"name":候选人姓名字符串,"email":邮箱字符串,"experience_years":全职工作年限数字,只保留整数,"skills":技能字符串数组,只收技术技能,如["React","Node.js"],"current_title":最近职位字符串}。找不到的字段：字符串填null，数字填0，数组填空数组。不要输出JSON以外的任何文字。

const REQUIRED = ["React", "Node.js", "PostgreSQL"];
return items.map(item => {
  const d = item.json;
  const years = Number(d.experience_years) || 0;
  const skills = Array.isArray(d.skills) ? d.skills : [];
  const hits = REQUIRED.filter(s => skills.includes(s));
  const score = Math.min(years * 2, 20) + hits.length * 10;
  return { json: { ...d, matched_skills: hits, score: Math.min(score, 50) } };
});

CREATE TABLE IF NOT EXISTS public.candidates (
  id SERIAL PRIMARY KEY,
  name TEXT,
  email TEXT,
  experience_years INT,
  skills TEXT[],
  matched_skills TEXT[],
  score INT,
  drive_file_id TEXT,
  created_at TIMESTAMP DEFAULT now()
);

输入与输出示例

本站虚构演示输入与按本站评分规则推算的期望输出，非原作者运行结果，未实测。

输入

虚构简历：林晓舟，邮箱LIN.Xiaozhou@Example.COM，6年后端与全栈经验，最近职位高级全栈工程师，技术栈含React、Node.js、PostgreSQL、Docker、GraphQL。

对应输出

规范化后name为“林晓舟”、email转为lin.xiaozhou@example.com、experience_years为6；打分：年限6×2=12分，命中React、Node.js、PostgreSQL三项得30分，合计42分。candidates表新增一行score=42，HR的Slack频道收到含姓名、邮箱、命中技能与42分的消息。

做完检查这些

• 提交表单后Google Drive目标文件夹出现上传的PDF且文件ID写入candidates.drive_file_id
• candidates表新行的email已全部小写、experience_years为整数、skills为数组而非逗号字符串
• 手动核对打分：用example输入应得42分，与代码公式一致
• Slack的HR频道消息同时包含姓名、邮箱、年限、命中技能和得分五项
• 把REQUIRED改成岗位新技能（如Python）后重跑，分数随之变化

容易卡住的地方

• 自托管n8n的表单URL默认是localhost，候选人外网打不开，需配置公网地址
• Google Drive OAuth2凭据要用有目标文件夹写入权限的账号授权
• 技能匹配是精确字符串比较，简历写成react小写或Node都会漏配，可在规范化时统一大小写
• 原文未给评分公式与权重，本站公式只是示例，别当作原模板行为对外承诺
• PDF若是扫描图片版，文本提取为空，需另行OCR，本条流程不覆盖