翰德 Hudson 携手亚马逊云科技，基于 MCP Agent 重塑智能招聘新范式

前言

在竞争白热化的人才市场中，高效、精准地寻觅适配人才，是每一家企业都面临的核心挑战。作为全球领先的招聘管理服务供应商，翰德 Hudson 始终深耕科技创新领域，力求为招聘效率的提升注入新动能。

本文分享翰德 Hudson 与亚马逊云科技合作，通过 MCP（Model Context Protocol）协议构建标准化多 Agent 工具调用框架，实现简历解析、岗位匹配、候选人洞察等功能模块的动态协同。依托亚马逊云科技的 AI 服务生态与 Serverless 架构优势将日均简历处理效率提升 150%。

本期最新实验《多模一站通 —— Amazon Bedrock 上的基础模型初体验》
✨ 精心设计，旨在引导您深入探索Amazon Bedrock的模型选择与调用、模型自动化评估以及安全围栏(Guardrail)等重要功能。无需管理基础设施，利用亚马逊技术与生态，快速集成与部署生成式AI模型能力。
⏩️[点击进入实验] 即刻开启 AI 开发之旅
构建无限, 探索启程！

客户背景与业务挑战

关于翰德 Hudson

翰德是一家卓越的人才解决方案提供商，专注于中高端人才招聘、灵活人才解决方案等服务，覆盖金融服务、消费品、医疗健康与生命科学、科技、工业、专业服务、人力资源、财务与会计、法律与合规、供应链与采购等多个行业与职能领域。进入中国 25 年来，翰德服务于 4000+ 客户，其中 2000+ 为知名国际巨头和本土头部企业，交付 2万+ 高端职位，拥有 80 万+专业人士的人才数据库。

传统招聘流程的挑战与痛点

效率瓶颈

在传统的招聘流程中，一个标准顾问团队（1 名高级顾问、2 名初级顾问）平均每天需要处理 5-10 个职位需求，涉及筛选 300-400 份简历。特别是在金融、医疗等专业领域，简历筛选不仅需要理解专业术语，还要考虑行业特定要求，导致高级顾问大量时间耗费在基础筛选工作上。

评估标准化难题

不同行业的人才评估标准差异巨大，例如：

金融行业侧重交易经验、风险控制能力和相关资格证书
法律领域重视专业资质、案例经验和专业领域深度
高科技行业关注技术创新能力、研发成果和团队协作
简历推荐报告生成效率

传统推荐报告生成流程困难重重，例如：

简历格式多样（PDF、Word、图片等），需要人工统一处理
报告模板需要根据不同客户要求进行定制化调整
页面布局、字体样式等细节需要反复微调
一份完整的推荐报告平均需要 1-2 小时才能完成，严重制约了顾问们的工作效率

为什么选择亚马逊云科技

亚马逊云科技凭借其领先的生成式 AI 技术和创新的 MCP Agent 架构，成为翰德 Hudson 的合作伙伴：

领先的生成式 AI 解决方案供应商

亚马逊云科技在中国区提供全面的企业级生成式 AI 解决方案，包括通过 Marketplace 接入硅基流动 DeepSeek 等模型 API、企业级模型定制与微调能力，以及利用 Amazon SageMaker 实现模型全生命周期管理。同时，其严格遵循中国数据安全法等法规，提供完善的数据加密与访问控制机制，并配备专业的安全合规咨询服务，全方位保障企业 AI 应用的安全合规。

精准洞察行业，GenAI 驱动创新 PoC 高效落地

亚马逊云科技凭借专业的行业洞察能力，能深入理解各行业需求并挖掘创新场景，如为翰德 Hudson 提供基于生成式 AI 的智能招聘解决方案。依托强大的技术实力与各行业积累的大量成功经验，亚马逊云科技能帮助客户快速搭建概念验证（PoC）并持续优化，助力客户将创新成果高效转化为实际应用。

MCP on Amazon Bedrock 创新架构优势

MCP on Amazon Bedrock 是亚马逊云科技的开源项目。该项目提供基于 Bedrock 中的 Nova、国内硅基流动 DeepSeek等大模型的 ChatBot 交互服务，同时引入 MCP，极大增强并延伸 ChatBot 形态产品的应用场景，可支持本地文件系统、数据库、开发工具、互联网检索等无缝接入。如果说包含大模型的 ChatBot 相当于大脑的话，那引入 MCP 后就相当于装上了胳膊腿，真正让大模型动起来、跟各种现存系统和数据联通。

支持多种模型，如 Amazon Nova Pro、硅基流动的 DeepSeek，满足不同业务需求
基于 MCP 标准客户端开发，支持直接使用社区的 MCP 服务器；支持 stdio、SSE 以及 Streamable HTTP 传输协议
前后端分离架构，MCP Client 和 MCP Server 均可部署在服务器端，用户通过 Web 浏览器即可访问 LLM 和 MCP Server 的能力与资源
支持多用户并发访问，用户会话隔离，保障数据安全和使用体验
支持流式响应与思考过程可视化，能够展示工具调用结果及操作截图，提升交互透明度
借助 MCP on Amazon Bedrock ，开发者无需编写复杂的集成代码，即可快速构建具备多工具调用、状态管理和工作流编排能力的智能 Agent。

解决方案

整体架构设计

翰德 Hudson 智能招聘系统基于 MCP on Amazon Bedrock 构建，采用分层解耦设计，形成高效、灵活且安全的智能招聘解决方案。前端通过通过 MCP on Amazon Bedrock 快速集成 MCP Server，后端借助 Amazon Lambda 以及 Amazon Fargate 部署 MCP Server，构建弹性、无服务的架构。支持无缝集成亚马逊云科技原生服务如 Amazon S3、Amazon DynamoDB 等。

亚马逊云科技系统架构图如下：

亚马逊云科技系统架构图

核心 Agent 工作流

整体 MCP Server 的流程参考如下。整体方案用到了包括开源社区的 Playwright 进行浏览器操作，用于简历搜索与评估；File System 和 MarkitDown 完成本地文件的浏览与格式转换；并根据翰德 Hudson 的业务要求开发了自定义的 Hudson_report MCP Server。

MCP 与 LLM 交互系统架构图

智能筛选简历 Agent

Agent使用智能浏览器 MCP Server，完成职位描述（Job Description）语义解析、登录招聘平台、输入基础及关键词搜索条件、获取搜索结果，并对每份简历进行精读分析，具体流程如下：

大模型 JD（Job Description）语义解析

利用大语言模型对职位描述进行自然语言处理，自动提炼两类核心信息：

基础搜索条件：如经验年限、学历要求、工作地点等结构化参数
岗位关键词：包括专业技能、核心职责、特殊要求等非结构化关键词，支持模糊匹配和同义词扩展。该步骤确保搜索条件精准且全面，提升后续匹配效果

浏览器自动化登录

通过自动化工具模拟人工操作，支持多平台适配。

自动化输入搜索条件

大模型将解析信息转化为操作指令，驱动自动化工具精准设置多维度筛选条件，包括结构化下拉菜单和关键词组合搜索，支持复杂逻辑条件。

获取搜索结果

自动抓取招聘平台返回的分页数据，处理动态分页加载，提取职位名称、公司信息、发布时间及匹配度标签等关键信息，确保数据完整性和准确性。

公司/职位初筛与简历精读

初筛：基于预设业务规则快速排除明显不匹配项，保留符合条件的职位列表。业务规则灵活可配置，适应不同招聘需求
精读：对职位关联简历进行深度解析，提取教育背景、工作经历、项目经验、技能证书等核心信息。结合大语言模型的语义匹配能力，精准分析简历与 JD 的关键信息一致性，支持多模态数据融合以提升分析深度

简历评分输出

基于多维度评估体系生成量化评分，包含：

基础条件匹配分（30%）
关键词关联分（40%）
隐性竞争力分（30%）
输出结构化报告，包含综合评分、优势分析及待确认点。

部分提示词：

<AgentProcess>
  <Description>
    Agent作为Hudson内部的智能HR助理，基于智能浏览器MCP Server，自动完成职位描述（JD）语义解析、招聘平台登录、搜索条件设置、结果抓取及简历深度分析。
  </Description>
  <Steps>
    <Step number="1" name="大语言模型JD语义解析">
      <Detail>
        Agent利用大语言模型对用户输入的职位描述（JD）进行自然语言处理，自动提取两类核心信息：
      </Detail>
      <CoreInfo>
        <BasicSearchConditions>经验年限、学历要求、工作地点等结构化参数</BasicSearchConditions>
        <JobKeywords>专业技能、核心职责、特殊要求等非结构化关键词，支持模糊匹配和同义词扩展</JobKeywords>
      </CoreInfo>
    </Step>
    <Step number="2" name="浏览器自动化登录">
      <Detail>
        Agent通过Playwright自动化工具模拟人工操作，访问Hudson内部招聘系统登录页面，依次输入账号和密码，并点击登录按钮，完成多平台适配的安全登录流程。
      </Detail>
    </Step>
    <Step number="3" name="自动化输入搜索条件">
      <Detail>
        基于JD语义解析结果，Agent将提取的基础条件和关键词转化为具体操作指令，驱动自动化工具精准设置多维度筛选条件，包括点击结构化筛选标签和输入关键词组合，支持复杂逻辑表达，提升搜索效率和准确性。
      </Detail>
    </Step>
    <Step number="4" name="获取搜索结果">
      <Detail>
        Agent自动抓取招聘平台返回的分页数据，处理动态加载，提取职位名称、公司信息、发布时间及匹配度标签等关键信息，确保数据完整且准确，为后续筛选提供可靠基础。
      </Detail>
    </Step>
    <Step number="5" name="公司/职位初筛与简历精读">
      <InitialFilter>
        <Description>基于灵活配置的业务规则，快速排除明显不匹配的候选人，保留符合条件的职位列表，适应不同招聘需求。</Description>
      </InitialFilter>
      <ResumeDeepRead>
        <Description>对职位关联的简历进行深度解析，提取教育背景、工作经历、项目经验、技能证书等核心信息。</Description>
        <SemanticMatch>结合大语言模型的语义匹配能力，精准分析简历与JD的关键信息一致性，支持多模态数据融合，提升分析深度和准确度。</SemanticMatch>
      </ResumeDeepRead>
    </Step>
    <Step number="6" name="简历评分输出">
      <Evaluation>
        <Weights>
          <BasicCondition>30%</BasicCondition>
          <KeywordAssociation>40%</KeywordAssociation>
          <ImplicitCompetitiveness>30%</ImplicitCompetitiveness>
        </Weights>
        <Output>结构化报告，包含综合评分、优势分析及待确认点，助力招聘团队快速做出精准决策。</Output>
      </Evaluation>
    </Step>
  </Steps>
</AgentProcess>

智能筛选简历时序图

智能推荐报告生成 Agent

Hudson_report MCP Server

Hudson_report 是亚马逊云科技和翰德 Hudson 联合定制开发的一款基于 Java 语言的 MCP Server。该服务作为智能招聘系统中关键的后端组件，承担简历推荐报告的自动生成任务。它通过 MCP 协议，标准化地向智能 Agent 暴露报告生成等功能接口，实现与生成式 AI 模型及多种工具的高效协同。

项目结构如下：

hudson-mcp-server/
├── src/
│   ├── main/
│   │   ├── java/
│   │   │   └── com/
│   │   │       └── example/
│   │   │           └── server/
│   │   │               ├── CVService.java
│   │   │               ├── McpConfig.java
│   │   │               ├── McpServerApplication.java
│   │   └── resources/
│   │       └── application.properties
│   └── test/
│       └── java/
│           └── com.example
├── pom.xml

项目说明：

CVService.java：简历相关的核心服务逻辑
McpConfig.java：MCP Server 配置类
McpServerApplication.java：Spring Boot 启动入口
application.properties：服务配置文件
pom.xml：Maven 项目依赖与构建配置

Agent 引用该 MCP Server 配置如下：

"hudson_report": {
      "autoApprove": [
        "cv_output"
      ],
      "disabled": false,
      "timeout": 60,
      "url": "http://ip:port/sse",
      "transportType": "sse"
}

配置说明：

autoApprove 配置允许对“cv_output”工具调用自动审批，提升处理效率，减少人工干预
disabled 字段支持服务的灵活启停管理，便于运维控制
timeout 设置为 60 秒，保障请求响应的时效性
command 与 args 配置指定以 Java 运行环境启动，结合 Spring Boot 框架支持 MCP 协议的标准输入输出（stdio）或 SSE 的通信方式，确保轻量且高效的进程间交互

当用户上传原始简历后，MCP Agent 将自动触发多阶段智能处理流水线：

MarkitDown 格式标准化处理

Agent 通过 MCP 协议调用 Markitdown MCP Server。大语言模型根据用户需求生成转换指令，将原始简历内容转换为结构化 Markdown 格式（.md）。该步骤同步完成文本的语义标注与格式规范化，为后续处理构建统一且标准化的输入基础。

行业适配型语义解析与结构化转换

标准化的 Markdown 文档被传递给大语言模型，利用大语言模型对于语意的理解与解析，将 Markdown 内容精准映射为标准化 JSON 数据结构，确保教育背景、工作经历、技能证书等关键信息完整且语义无损地被抽取。

模板驱动的智能文档生成

Agent 随后触发报告生成 MCP Server（Hudson_report），基于预定义的 Word 模板库执行动态内容填充。该服务利用数据映射引擎，将结构化 JSON 数据与模板字段智能匹配，实现个性化内容自动生成（如岗位匹配度分析、能力模型对标等）。最终输出符合客户定制需求的高质量 Word 推荐报告，完成从原始简历到专业文档的闭环自动化处理。

提示词摘要：

<prompt>
  <role>
    你是一名资深的企业 HR 智能助理，拥有专业的简历分析能力，能够高效、准确地从简历中提取关键信息，并生成结构化的 JSON 数据和专业的推荐报告。
  </role>
  <taskFlow>
    <description>请严格按照以下步骤完成任务，确保每个步骤的执行都精准无误。</description>
    <step number="1" title="等待简历文件">
      <instruction>等待用户上传或提供需要处理的简历文件。你可以处理各种常见的简历格式，例如 .pdf, .docx, .txt 等。</instruction>
    </step>
    <step number="2" title="简历格式转换">
      <instruction>首先将其转换为 Markdown 格式。确保转换后的 Markdown 文件保留了简历的原始信息和结构。</instruction>
    </step>
    <step number="3" title="简历信息解析与 JSON 生成">
      <substep number="3.1" title="数据模板">
        <instruction>严格参照位于 temp.json 的 JSON 模板结构。此模板定义了所有需要提取的字段和数据的组织方式。</instruction>
      </substep>
      <substep number="3.2" title="信息提取">
        <instruction>从 Markdown 格式的简历中提取以下关键信息：</instruction>
        <infoCategory name="基本信息 (basicInfo)">
          <field>姓名 (name)</field>
          <field>联系方式 (phone、email)</field>
          <!-- 这里可继续补充其他基本信息字段 -->
        </infoCategory>
        <infoCategory name="教育背景 (education)">
          <field>学校名称 (institution)</field>
          <field>专业 (major 或 area)</field>
          <!-- 这里可继续补充其他教育背景字段 -->
        </infoCategory>
        <infoCategory name="项目经历 (projectExperience)">
          <field>项目名称 (name)</field>
          <field>项目描述 (description)</field>
          <field>担任角色 (role)</field>
          <!-- 这里可继续补充其他项目经历字段 -->
        </infoCategory>
      </substep>
      <substep number="3.3" title="数据处理规则">
        <rule>
          <description>教育背景拆分：</description>
          <detail>如果在教育背景中发现有合并显示的条目（例如，将多个学位或多段学习经历合并在同一条目中），请务必将其拆分为独立的、单一的教育经历条目。</detail>
        </rule>
        <rule>
          <description>时间倒序排列：</description>
          <detail>education、employmentHistory 和 projectExperience 中的条目必须按照时间倒序排列，即最新的经历排在最前面。</detail>
        </rule>
        <rule>
          <description>严格遵守 JSON 模板：</description>
          <detail>必须严格遵守 temp.json 中定义的字段名称、数据类型和层级结构。不要随意增删字段或修改结构。</detail>
        </rule>
      </substep>
      <substep number="3.4" title="生成 JSON">
        <instruction>将提取的所有信息按照 json-temp.json 模板的要求，组装成一个完整的 JSON 对象。确保 JSON 格式正确、结构清晰、易于解析。</instruction>
      </substep>
    </step>
    <step number="4" title="生成推荐报告">
      <instruction>基于生成的 JSON 数据，自动生成一份专业的推荐报告。</instruction>
    </step>
  </taskFlow>
</prompt>

推荐报告生成时序图

MCP Agent 生成报告

关键创新

多模态智能简历筛选与深度语义理解

智能筛选简历 Agent 结合智能浏览器 MCP Server，利用大语言模型（LLM）对职位描述（Job Description）进行深度语义解析，突破传统关键词匹配的局限，实现对动态网页内容的精准抓取与理解。该 Agent 能够自动登录多种招聘平台，灵活输入多维度搜索条件，并对每份简历进行细致的语义分析。通过这种方式，系统显著提升了筛选效率和匹配精准度，帮助招聘团队快速锁定高质量候选人，优化招聘流程。

基于 MCP 协议的模块化 Agent 协同与流程自动化

通过 MCP，系统实现了 Agent 之间的标准化通信与功能调用，构建了多阶段智能处理流水线。简历数据从原始文件转化为结构化 Markdown 格式，再由大语言模型解析为标准 JSON 格式，最终通过模板驱动自动生成个性化的 Word 推荐报告。整个流程高度自动化，模块间解耦，支持灵活扩展与高效协同，极大提升了招聘流程的智能化和自动化水平。MCP 协议的引入简化了工具集成，降低了开发复杂度，使团队能够专注于业务创新而非重复集成工作。

云原生高性能架构保障与合规数据安全

依托亚马逊云科技云服务，利用分布式计算实现批量并行处理；无服务器架构 Amazon Lambda 或 AWS Fargate 的弹性伸缩能力应对高峰时期的并发请求，Amazon Lambda 按照调用次数收费，不会造成空闲资源浪费, 适合无状态的 MCP Server，而 Amazon Fargate 可以提供物理隔离的容器环境，适合有状态的 MCP Server；同时，所有数据处理均在亚马逊云科技安全边界内完成，确保符合中国法规，保障客户数据安全和隐私合规。

综合结果

自从部署亚马逊云科技的智能招聘解决方案以来，翰德 Hudson 在中国市场实现了显著的业务转型。翰德 Hudson 通过 AI 技术的赋能，不仅提升了运营效率，更重要的是实现了服务质量的跃升，为客户带来了全新的招聘体验。

效率维度的突破

在效率方面，实现了多个关键指标的显著提升：

简历处理能力

在简历处理能力上，日均处理简历量从 400 份跃升至 1000 份；简历筛选速度从人工平均 2小时处理 50 份，提升到 AI 辅助下 15 分钟处理 50 份；推荐报告生成时效从 1- 2 小时 / 份缩短至 5 -10 分钟 / 份。

匹配精度

在简历匹配的效率相比人工得到显著提升的情况下，候选人匹配准确度达到了 92%；关键信息提取准确度高达 98%，基本接近高级顾问的水准。

质量维度的提升

通过 AI 技术的深度应用，我们在服务质量方面取得了突破性进展：

服务质量

高级顾问得以从繁琐的基础工作中解放，专注于高价值咨询服务；初级顾问产能提升 300%，团队整体服务能力显著增强。

成本优化的效果

智能化转型也带来了显著的成本效益：

运营效率

运营效率方面，人均处理简历量提升 300%，文档处理成本降低 65%，整体运营效率提升 60%。

资源优化

资源优化成果同样突出，减少 50% 的重复性工作时间，降低 30% 的人工成本，IT 系统维护成本降低 40%。

创新能力的增强

借助 AI 技术，我们开发了多项创新服务：

智能人才画像分析
实时职位匹配推送
个性化职业发展建议

这些显著的成效不仅验证了我们选择亚马逊云科技作为技术合作伙伴的正确性，更展现了 AI 技术在人才招聘领域的巨大潜力。通过持续的创新和优化，我们相信未来还能为客户带来更多价值。

未来展望

随着生成式 AI 技术不断进步和人才市场环境的快速变化，智能招聘将在以下三个关键领域迎来重要突破和创新：

多源数据融合与跨文化智能匹配

未来智能招聘系统将打通社交媒体、专业社区、学术平台等多样化人才数据源，构建立体化、动态更新的人才画像，提升对被动人才的精准发现和触达能力。同时，借助大语言模型实现多语言简历的语义转换和跨文化职业素养评估，帮助跨国企业解决语言和文化差异带来的招聘挑战，实现全球化人才本地化推荐。

多模态能力评估与动态人才画像构建

招聘评估将突破传统文字简历的局限，融合文字、语音、视频等多维度信息，推动基于真实项目的技能实操和在线测评，构建更加全面和科学的能力评估体系。系统将持续追踪候选人的职业发展轨迹，结合数据驱动的分析方法，动态构建和更新人才竞争力模型，提升招聘决策的精准度和前瞻性。

垂直领域定制大模型与智能服务创新

借助 Amazon SageMaker，未来将为招聘行业打造专属的垂直领域大语言模型，通过微调和持续训练实现模型对行业专业术语和业务场景的深度适配，提升匹配和推荐的准确性与效率。同时，智能猎头顾问等服务将实现 7×24 小时个性化职业规划与智能撮合，结合预测性人才流失分析和继任者规划，推动主动式人才管理。技术层面，将持续加强数据治理和 AI 伦理建设，确保招聘过程的公平、透明与合规，构建负责任的智能招聘生态。

总结

通过与亚马逊云科技的深度合作，翰德 Hudson 成功将生成式 AI 与标准化的 MCP 协议架构相结合，重塑了智能招聘流程。系统实现了多模态数据的高效处理和深度语义理解，借助模块化、可扩展的 Agent 体系，显著提升了招聘自动化和智能化水平。该方案有效提升了简历处理效率和人才匹配准确性，显降低了人力和运营成本，释放了顾问团队的生产力，优化了候选人和企业的招聘体验。翰德 Hudson 的实践为人力资源行业数字化转型提供了可复制的范例，推动了生成式 AI 在招聘垂直领域的创新应用，构建了人机协作的新模式，助力行业迈向更加智能、高效的未来。

*前述特定亚马逊云科技生成式人工智能相关的服务仅在亚马逊云科技海外区域可用，亚马逊云科技中国仅为帮助您了解行业前沿技术和发展海外业务选择推介该服务。

参考链接

本篇作者