识别职位名称、工作地点、所属部门、职级与用工类型。
知识图谱
一级招聘数据尽在掌握
自动解析职位名称、岗位职责、任职要求、经验学历、技能标签、薪酬福利与公司信息，将非结构化 JD 转化为可搜索、可筛选、可匹配的岗位数据。
提取岗位职责、经验年限、学历专业与核心能力要求。
标准化技能分类、职位关键词、薪资范围与福利信息。
汇总岗位属性与能力标签，形成可搜索、可筛选、可匹配的结构化岗位画像。
丰富的招聘数据维度
覆盖实体、关系、画像、应用与治理，让招聘 AI 拥有可调用的常识层。
给招聘 AI 一副「常识」底座
从多源文本中识别关键实体、连接上下文关系，再把统一知识提供给各类招聘应用。
核心实体覆盖
覆盖候选人、企业、院校、职位、技能、行业、项目与证书等招聘核心实体。
ENTITY COVERAGE关系精确连接
把任职、掌握、参与、毕业、要求等关系连接起来，形成可计算的招聘语义网络。
RELATION GRAPH信息可解释
从节点、关系和路径回看匹配依据，让搜索结果与推荐结论更容易理解。
EXPLAINABLE知识持续治理
支持实体消歧、同义归一与关系补全，让知识随招聘数据变化持续演进。
KNOWLEDGE OPS下游任务丰富
一套知识底座可服务人才搜索、人岗匹配、面试辅助、人才库运营等任务。
DOWNSTREAM TASKS灵活集成应用
可按实际部署方式接入招聘系统、智能体与业务工作流，减少重复知识建设。
FLEXIBLE INTEGRATION为什么招聘也需要知识图谱？
招聘数据天然存在别名、上下位关系和跨文档关联。仅靠关键词容易遗漏真正相关的人才，知识图谱则把零散信息组织成机器可理解的上下文。
01表达不统一
→
“增长”“用户增长”“Growth”可能指向同类能力。
02信息被割裂
→
技能、项目和岗位要求散落在不同文档与系统中。
03结论难解释
匹配分数需要回到实体关系与经历证据才能被信任。
如何运行
一次调用，读取一个招聘实体。
传入候选人、岗位或技能实体，返回标准属性与关联关系。以下代码仅为接入结构示例，实际地址与鉴权方式以部署环境为准。
POST
/v1/kg/entityPythonJavaScriptcURL
kg_entity.py
# 接入结构示例，请替换为实际部署地址
url = "https://YOUR_API_BASE/v1/kg/entity"
headers = {"Authorization": "Bearer YOUR_TOKEN"}
payload = {"entity": "AI 产品经理"}
result = requests.post(url, json=payload, headers=headers)
print(result.json())一套底座，多种下游
知识图谱位于招聘数据与智能应用之间，负责统一语义、组织关系，并向上层任务提供可复用的知识。
entity_graph关系连接
AI 产品经理
大模型B 端产品
招聘科技北京
人机交互
01
连接规模化实体与关系
从简历、JD、面试记录与人才库中提取招聘实体，完成归一、消歧和关系组织，逐步形成企业自己的招聘知识网络。
- 候选人、岗位、技能等核心实体
- 任职、要求、参与等业务关系
- 关系路径与相关性计算
02
为上层 AI 提供招聘常识
信息增强、文档解析、意图识别与人岗匹配可复用同一套实体和关系定义，让不同智能任务对招聘语义形成一致理解。
- 实体消歧与同义词归一
- 上下位、相似与关联关系
- 统一的招聘语义上下文
relation_types语义常识相似技能→LLM 应用 · 大模型产品
岗位要求→需求分析 · 跨团队协作
经历关联→智能招聘 · 企业服务
上下位→产品经理 · AI 产品经理
entity_detail任务调用人
候选人画像
entity_id · candidate_028目标岗位AI 产品经理
行业经验企业服务
核心技能需求分析
地点偏好北京
03
赋能你的每一个招聘任务
图谱可对接人才搜索、人岗匹配、面试辅助与人才库运营等任务，作为统一的招聘常识层，减少各应用重复建设。
- 人才搜索与关系召回
- 人岗匹配与推荐解释
- 面试追问与招聘洞察
探索招聘知识之间的连接
拖动节点查看候选人画像、职位画像、技能与招聘任务之间的关系；点击图例可聚焦某一类实体。
从知识理解走向招聘行动
把同一套知识能力嵌入招聘流程中的不同环节。