@yaojingang: 团队每天的招聘与面试量越来越大 于是这两天，给团队的「AI面试管家」系统进行了一次大的升级 核心是实现更自动化、更智能的四端协同：AI面试系统+GitHub+飞书+Codex 1、AI面试管家主系统 负责候选人、简历、AI自动首面、自动面…

X AI KOLs Timeline 工具
ai-recruiting interview-system automation gitops collaboration-tools feishu codex

摘要

作者对其团队的「AI面试管家」系统进行了升级，实现了AI面试系统、GitHub、飞书和Codex的四端协同，将招聘流程GitOps化，提升了自动化效率和可追溯性。

团队每天的招聘与面试量越来越大 于是这两天，给团队的「AI面试管家」系统进行了一次大的升级 核心是实现更自动化、更智能的四端协同：AI面试系统+GitHub+飞书+Codex 1、AI面试管家主系统 负责候选人、简历、AI自动首面、自动面试报告、反馈、排期、数据分析报告、同步状态等核心业务数据，相当于整个招聘流程的业务中枢 2、GitHub资料仓 GitHub仓库，作为招聘流程的协作空间，每个候选人都有自己的资料目录，流程阶段会自动通过目录、workflow.json、candidate-index.csv和Git commit来记录和流转 这意味着，一个候选人的流转过程，本身就形成了一条天然的版本化证据链 3、Codex Skill 承担本地智能操作层的角色，每位面试官主动拉取候选人资料包，生成评估，写入初试/复试反馈，保存排期，提交飞书任务、面试反馈与数据分析等 4、飞书执行层 通过飞书CLI，实现自动建立面试日历、私信和催填提醒，后台worker负责异步任务、失败重试和状态回写，包括面试数据周报同步等 整个流程大概是这样： 1、HR或候选人上传简历，系统异步解析结构化信息 2、候选人完成AI首面后，系统保存问答、对话历史、关键词和评分 3、报告生成服务异步产出HR版和候选人版报告，系统Agent自动同步到GitHub资料仓 4、同事可以在GitHub或Codex中查看候选人资料及相关信息，基于资料包生成评估，写入反馈 5、如果反馈结果是pass，候选人会自动进入GitHub仓库的下一阶段目录；如果是reject或hold，则只更新状态和反馈记录，不移动目录 6、当面试排期确定后，系统创建飞书日历任务，worker异步执行，并在面试后1小时和3小时自动发送反馈催填提醒 对面试官而言，核心的协同与互动界面变成了Codex，其它终端都自动协同和流转 这个架构里，我觉得最有意思的地方有几个： 1、数据库保存业务主数据，GitHub保存协作证据链 2、招聘流程被GitOps化，阶段变化、反馈记录、目录移动都可以追踪 3、本地Agent主动拉取，既能实现智能协作，又能控制安全边界 4、飞书任务全部异步执行，日历、通知、提醒之间可以故障隔离 5、AI负责事实抽取和建议，人负责结论、理由和责任判断 6、候选人不再只是后台表里的一行记录，而是一个可携带、可版本化、可回写、可触达的数据对象 在这套系统里，候选人被重新建模成了一个贯穿AI面试、GitHub协作、Codex本地Agent和飞书触达的状态对象 这让招聘流程同时具备了四种能力：自动化效率、人工责任边界、组织招聘过程记忆、运维可追踪性
查看原文
查看缓存全文

缓存时间: 2026/07/02 10:20

团队每天的招聘与面试量越来越大 于是这两天，给团队的「AI面试管家」系统进行了一次大的升级 核心是实现更自动化、更智能的四端协同：AI面试系统+GitHub+飞书+Codex

1、AI面试管家主系统 负责候选人、简历、AI自动首面、自动面试报告、反馈、排期、数据分析报告、同步状态等核心业务数据，相当于整个招聘流程的业务中枢

2、GitHub资料仓 GitHub仓库，作为招聘流程的协作空间，每个候选人都有自己的资料目录，流程阶段会自动通过目录、workflow.json、candidate-index.csv和Git commit来记录和流转 这意味着，一个候选人的流转过程，本身就形成了一条天然的版本化证据链

3、Codex Skill 承担本地智能操作层的角色，每位面试官主动拉取候选人资料包，生成评估，写入初试/复试反馈，保存排期，提交飞书任务、面试反馈与数据分析等

4、飞书执行层 通过飞书CLI，实现自动建立面试日历、私信和催填提醒，后台worker负责异步任务、失败重试和状态回写，包括面试数据周报同步等

整个流程大概是这样： 1、HR或候选人上传简历，系统异步解析结构化信息 2、候选人完成AI首面后，系统保存问答、对话历史、关键词和评分 3、报告生成服务异步产出HR版和候选人版报告，系统Agent自动同步到GitHub资料仓 4、同事可以在GitHub或Codex中查看候选人资料及相关信息，基于资料包生成评估，写入反馈 5、如果反馈结果是pass，候选人会自动进入GitHub仓库的下一阶段目录；如果是reject或hold，则只更新状态和反馈记录，不移动目录 6、当面试排期确定后，系统创建飞书日历任务，worker异步执行，并在面试后1小时和3小时自动发送反馈催填提醒

对面试官而言，核心的协同与互动界面变成了Codex，其它终端都自动协同和流转

这个架构里，我觉得最有意思的地方有几个： 1、数据库保存业务主数据，GitHub保存协作证据链 2、招聘流程被GitOps化，阶段变化、反馈记录、目录移动都可以追踪 3、本地Agent主动拉取，既能实现智能协作，又能控制安全边界 4、飞书任务全部异步执行，日历、通知、提醒之间可以故障隔离 5、AI负责事实抽取和建议，人负责结论、理由和责任判断 6、候选人不再只是后台表里的一行记录，而是一个可携带、可版本化、可回写、可触达的数据对象

在这套系统里，候选人被重新建模成了一个贯穿AI面试、GitHub协作、Codex本地Agent和飞书触达的状态对象

这让招聘流程同时具备了四种能力：自动化效率、人工责任边界、组织招聘过程记忆、运维可追踪性

相似文章

@blueskylh1: 一个人撸产品或者带 AI 团队，最痛苦的就是在不同的聊天框之间当“无脑传话筒”。PM 写完需求，换到程序员对话框又得复制粘贴一遍。 看了 OpenAI Codex 团队开发者体验工程师 Jason @jxnlco 的分享后，我跑通了一套无…

X AI KOLs Timeline

介绍了一种基于本地纯文本文件和OpenAI Codex的多AI代理协作工作流，允许产品经理、后端、前端和测试通过文件接力高效开发，无需复制粘贴。

@wquguru: https://x.com/wquguru/status/2083943877187432904

X AI KOLs Timeline

文章详细拆解了 OpenAI 软件工程师的完整面试流程，按轮次分析了初筛、编码、系统设计、居家项目和终面背后的核心考点，并整理成一份可系统的工程师进阶清单。

@Xudong07452910: 开源框架推荐：《Agency Agents》—— 232 位专业 AI 智能体，按职能分工，覆盖 16 个业务部门 如果你用过 Claude Code 或 Codex，可能遇到过这个问题：AI 在代码任务上很能干，但让它做前端设计、写营销…

X AI KOLs Timeline

Agency Agents 是一个开源框架，提供232个专业AI智能体覆盖16个业务部门，每个智能体具有独特个性、沟通风格和交付标准，支持Claude Code、GitHub Copilot等多种开发工具，并有社区翻译版本。