八维可解释人才评分 + AB
归属：字节跳动 · Seed 招聘数据 — 对应简历「AI 人才量化建模 / 招聘 AB」。详见 字节入口。
线索太多时先联系谁：可配置加权、维度贡献可解释、S+/S/A/B/C 分层跟进，用 NOT EXISTS 排他 AB 证明有效。
Demo · 报告 GitHub1. 架构图
flowchart LR
SYN[synth.generate] --> FEAT[scoring.features]
CFG[config/scoring.toml] --> SCORE
FEAT --> SCORE[scoring.score]
SCORE --> TIER[S+/S/A/B/C]
TIER --> SIM[experiment.simulate]
SIM --> DB[(SQLite)]
DB --> FUN[funnel_by_tier]
DB --> AB[ab_result + z-test]
DB --> IDX[index_benchmark]
FUN & AB & IDX --> REP[report.render HTML]
AB 排他（核心）
flowchart TB
P[线索池] --> A[分配 control / treatment]
A --> L1[纯对照]
A --> L2[纯实验]
A --> L3[混合样本]
L3 -.->|NOT EXISTS 排除| X[不参与转化对比]
L1 & L2 --> Z[双比例 z 检验回复率]
2. API / 模块调用
| 调用 | 作用 | 关键输出 |
|---|---|---|
load_config() | 读 TOML 权重/阈值/分层 | dimensions, tiers |
generate(n, seed) | 虚构候选人 | Candidate[] |
features(c, cfg) | 八维 0–100 特征 | 含地域四因子梯度 |
score(c, cfg) | 加权总分 + 贡献说明 | total, tier, reason, missing |
simulate(people, cfg) | 跟进与事件写入 SQLite | db, scores |
ab_result(db) | 两组回复率 + z/p | control / treatment |
layers(db) | 纯对照/纯实验/混合人数 | mixed 被排除 |
index_benchmark(db) | 索引前后查询耗时 | before_ms / after_ms |
python3 run.py | 一键出报告 | docs/index.html, scores.csv |
八维（公开口径）
| 维度 | 权重口径 | 备注 |
|---|---|---|
| 赛道关联度 | 最高档之一 | 与目标赛道重合 |
| 导师网络 / 本地资源 / 内部连接 | 高 | 关系与转介绍 |
| 工程产出 / 顶会论文 | 中 | 产出类 |
| 地域关联度 | 四因子梯度 | 替代粗糙 0/1 |
| 学术引用 | 0（不计分） | 噪声大，只展示 |
3. 技术栈梳理
| 层 | 选型 |
|---|---|
| 语言 | Python 3 标准库 |
| 配置 | TOML（tomllib） |
| 存储 | SQLite（实验与漏斗） |
| 统计 | 自写双比例 z（erfc） |
| 交付 | run.py → docs/ HTML + CSV |
4. Best practices
- 权重变更必须带一版 AB 或回溯校准，禁止「拍脑袋调参」。
- 缺失值显式进 missing，不要默当 0 分。
- 分层策略写进配置（S+ 优先建联…），产品和运营同一套语言。
- 慢查询先 explain 再加覆盖索引；报告里保留 before/after。
- 下一步增强：校准图 + Brier（可复用 People Stats Kit）。
5. Demo 路径
- 打开报告：看分层人数与示例卡片「主要得分来自…」。
- 讲清地域维度：二元标签 → 四因子梯度。
- AB 段：回复率变化 + 混合样本排除 + SQL 加速。
- 本地
python3 run.py证明可复现。