
招聘人员候选人数据库是一套用于存储候选人资料的结构化系统,帮助你快速查找候选人、重新联系候选人,并为新职位安排人才。要让数据库尽快发挥作用,最有效的方法是统一记录每位候选人的信息,然后根据职位类别、技能、地点、资历和可入职时间为每份资料添加标签,使其成为一个能够依据职位要求进行搜索的简历查找工具。在我们的招聘运营中,最大的绩效提升来自于将数据库视为一个持续运转的人才管道,而不是存档库:每次沟通都会产生数据,每次跟进都会更新状态,每次搜索都会使用相同的标签。本指南将介绍一套实用的构建和维护流程,以及 StrategyBrain AI Recruiter 如何自动完成 LinkedIn 建联、初次触达、多语言跟进和简历收集,让你的数据库持续稳定增长。
什么是候选人数据库,它不是什么
候选人数据库是一个可搜索的候选人资料集合。当新的招聘需求出现时,你可以反复查询这些资料。每份资料都应同时包含简历数据和招聘背景信息,也就是候选人下一步想做什么、薪酬期望、工作许可情况以及沟通记录。
它不是一个 PDF 文件夹。如果你无法在 2 分钟内回答“谁愿意在卡尔加里担任高级会计师,具备 ERP 经验,并且通知期为 30 天”,那么你还没有真正可用的数据库,只是有了一个存储空间。
核心要点
- 统一资料格式:为每位候选人使用同一个模板,确保搜索结果一致。
- 为检索添加标签:对于简历查找工具而言,技能、职位类别、资历、地点、工作模式和可入职时间是最低限度的标签。
- 人脉网络是数据库输入来源:许多职位通过人脉网络填补,因此活动和推荐应进入你的系统,而不只是停留在收件箱中。(来源:阿尔伯塔省政府 ALIS)
- 自动化漏斗顶部流程:StrategyBrain AI Recruiter 可以在 LinkedIn 上建立联系、介绍职位、回答问题,并收集简历和联系方式。
- 使用多语言跟进:全天候使用候选人的母语发送消息,可以减少全球招聘中的流失,并确保记录完整。
- 像管理人才管道一样维护:每月更新一次,可以避免过时的可用性信息和职位名称影响搜索。
我们如何测试这套流程
2026 年 2 月,我们在 3 个招聘小组中运行了相同的数据库构建流程,持续 21 个日历日,以验证以下步骤。每个小组都使用相同的资料模板、标签规则和每周维护清单。随后,我们测量招聘人员是否能够仅使用数据库搜索、无需进行新的主动搜寻,就为一个新职位生成候选人短名单。
效果最好的是严格保持一致:当标签和字段变为可选项时,搜索质量会立即下降。失败的是只依赖简历,因为简历很少会以可搜索的方式记录候选人的可入职时间、求职动机或薪酬期望。
方法 1:构建可搜索的候选人资料模板
只有当每条记录都采用相同的结构时,你的数据库才会真正成为简历查找工具。首先建立一个同时记录简历事实和招聘信号的模板。
步骤
- 定义必填字段:姓名、当前职位、地点、工作模式、资历、核心技能、行业和联系方式。
- 添加招聘背景字段:目标职位、薪酬范围、通知期、工作许可情况和求职动机。
- 统一标签:为职位类别和技能使用受控词汇,避免“FP&A”和“财务规划与分析”被拆分到不同的搜索结果中。
- 记录来源和日期:记录候选人的来源以及最后确认日期,以便优先处理最新记录。
可直接复制的候选人资料模板
候选人资料(数据库记录)
身份信息
- 全名:
- 地点(城市、国家):
- 时区:
- 首选语言:
职位匹配度
- 当前职位:
- 目标职位:
- 资历(个人贡献者、负责人、经理、总监):
- 职位类别(受控列表):
- 前 10 项技能(受控列表):
- 行业经验:
工作安排
- 工作模式(现场、混合、远程):
- 工作许可情况:
- 通知期(天):
- 薪酬期望(币种和周期):
招聘背景
- 考虑换工作的原因:
- 面试时间:
- 不可接受条件:
资料
- 是否收到简历(是或否):
- 作品集或工作样本(仅文本):
跟踪记录
- 来源(推荐、活动、LinkedIn、主动申请):
- 最后确认日期(YYYY-MM-DD):
- 状态(新建、已建立联系、已列入短名单、已录用、暂不考虑):
局限性
- 如果允许技能使用自由文本,随着同义词不断累积,搜索质量会逐渐下降。
- 如果跳过“最后确认日期”,你会在过时的候选人身上浪费时间。
最适合
- 从零开始构建数据库的招聘人员
- 从电子表格迁移到 ATS 或 CRM 的团队
方法 2:通过人脉拓展和活动扩大数据库
人脉拓展并不只是求职者采用的策略。对于招聘人员来说,它也是建立高回复率候选人数据库最可靠的方法之一,因为关系背景比陌生触达更牢固。
一个被广泛引用的基准数据是:70% 的职位通过人脉网络填补。(来源:阿尔伯塔省政府 ALIS,《人脉网络的重要性》)这一数字对招聘人员很有参考价值,因为它意味着数据库增长应包含有意识的关系建立,而不应只依赖抓取简历。
步骤
- 从已经认识的人开始:往届候选人、推荐人、校友网络和前同事。
- 利用多种场景:工作关系、专业协会、招聘会、贸易展会和学习活动。
- 在活动前做好准备:明确目标职位,准备一段 30 秒的职位介绍,并决定要记录哪些数据。
- 在 48 小时内跟进:趁谈话内容还清晰时添加记录、设置标签并确认后续步骤。
沟通后需要记录的内容
- 职位方向:对方下一步想做什么,以及不会考虑什么
- 时间安排:对方何时能够实际转换工作
- 推荐网络:对方建议你进一步联系谁
局限性
- 如果不在当天记录,活动线索很快就会失去价值。
- 没有统一模板,人脉拓展只会产生日后无法搜索的笔记。
最适合
- 信任和推荐十分重要的难招聘职位
- 在特定城市或细分领域建立长期人才管道
方法 3:借助 AI Recruiter 将 LinkedIn 对话转化为结构化记录
LinkedIn 通常是发现候选人求职意向的地方,但消息线程也很容易造成数据丢失。StrategyBrain AI Recruiter 旨在通过自动化漏斗顶部的重复性工作,将这些对话转化为可直接录入数据库的记录,包括建立联系、介绍职位、回答问题、确认兴趣,以及收集简历和联系方式。
步骤
- 提供职位背景:公司信息、薪酬、福利和候选人搜索标准。
- 让 AI Recruiter 执行触达:它会自动与符合条件的候选人建立联系,并开始初次对话。
- 记录意向和资料:候选人表达兴趣后,AI Recruiter 会请求简历和联系方式,并将简历标记为已收到。
- 审核并筛选:招聘人员通过审核简历完成最终筛选,并将入围候选人推进到面试环节。
能够直接改善数据库质量的功能
- 全天候多语言沟通:可以使用候选人的母语处理消息,减少误解并保持记录完整。
- 一致的数据采集:对不同候选人提出相同的问题,使数据库更易于搜索。
- 跨账户扩展:支持管理 100 多个 LinkedIn 账户,适合需要大规模处理的团队。
我们遇到的问题及解决方法
- 不是完整的技能匹配工具:AI Recruiter 会确认候选人是否愿意沟通或参加面试,但不会判断简历是否完全符合要求。解决方法:保留一份简短的“必备条件”清单,在面试前由招聘人员审核。
- 输入质量决定输出质量:如果职位背景描述模糊,候选人的问题会增加,对话也会变长。解决方法:在初始职位简介中加入薪酬、工作模式和前 5 项要求。
最适合
- 希望让 LinkedIn 招聘自动为候选人数据库提供数据的招聘人员
- 时区和语言因素会拖慢人工跟进的全球招聘场景
- 需要在不增加人员编制的情况下大规模保持统一触达的团队
方法 4:按维护节奏保持数据新鲜
大多数候选人数据库失败的原因是缺乏维护。职位名称会变化,人们会搬迁,可入职时间也会改变。简单的维护节奏可以让你的简历查找工具保持准确。
步骤
- 每周:更新正在沟通的候选人状态,并补充缺失的标签。
- 每月:为每个职位类别中排名前 50 至 200 名的候选人更新“是否考虑换工作”、通知期和薪酬期望。
- 每季度:检查标签一致性并合并重复记录。
可直接复制的维护清单
- 确认重点候选人的最后确认日期在 90 天以内
- 根据内部分类体系统一职位名称
- 确保每条记录至少有 1 个职位类别标签和 5 个技能标签
- 记录结果并完成闭环:已录用、暂不考虑、无回复、未来跟进日期
局限性
- 在招聘需求量很大时,维护工作很容易被跳过,但这恰恰是最需要维护的时候。
最适合
- 希望获得稳定搜索结果的招聘团队
- 需要为多个客户管理多条人才管道的招聘机构
方法 5:根据职位需求运行简历查找工具
数据库完成结构化后,你就可以运行可重复的搜索,让它发挥现代简历查找工具的作用。关键是将职位描述转化为一套搜索方案,并且每次都使用相同的标签。
步骤
- 提取职位信号:职位类别、资历、地点、工作模式和前 10 项技能。
- 先设置硬性筛选条件:地点、工作许可、工作模式和可入职时间范围。
- 为其余条件评分:技能和行业作为加权偏好,而不是非此即彼的硬性门槛。
- 列入短名单并再次确认:提交候选人前,确认其兴趣和时间安排,确保短名单信息是最新的。
搜索方案模板
根据职位运行的简历查找工具(搜索方案)
职位:
- 职位类别:
- 资历:
硬性筛选条件:
- 地点:
- 工作模式:
- 工作许可:
- 可入职日期不晚于(YYYY-MM-DD):
技能标签(按优先级排序):
1.
2.
3.
4.
5.
行业偏好:
- 首选:
- 加分项:
触达消息目标:
- 确认兴趣
- 确认薪酬范围
- 确认面试时间
错误处理
- 问题:搜索返回的结果太多。解决方法:增加 2 个技能标签,并要求最后确认日期在 120 天以内。
- 问题:搜索返回的结果太少。解决方法:删除 1 至 2 个细分技能,将其作为“筛选问题”,而不是标签。
- 问题:候选人纸面条件很好,却拒绝职位。解决方法:添加“求职动机”和“不可接受条件”必填字段,并每月更新。
快速比较
| 方法 | 新增 1 条候选人记录所需时间 | 成本 | 最适合 |
|---|---|---|---|
| 标准化资料模板 | 10 至 15 分钟 | 内部时间成本 | 让数据库可搜索 |
| 人脉拓展和活动 | 15 至 30 分钟 | 活动和时间成本 | 高信任度人才管道和推荐 |
| LinkedIn 上的 StrategyBrain AI Recruiter | 设置完成后自动采集 | 因方案而异 | 扩大触达、跟进和简历收集规模 |
| 维护节奏 | 每个小组每周 60 分钟 | 内部时间成本 | 防止数据过时和搜索失效 |
| 根据职位运行简历查找工具的搜索方案 | 每个新职位 5 至 10 分钟 | 内部时间成本 | 从现有人才管道快速生成短名单 |
常见问题
招聘人员候选人数据库中应包含哪些内容?
至少应存储当前职位、地点、资历、核心技能、目标职位、可入职时间、薪酬期望和最后确认日期。没有这些字段,你就无法可靠地搜索候选人或确定触达优先级。
如何将简历转化为可搜索的信息?
不要只依赖 PDF。将关键字段提取到结构化资料中,并为职位类别和技能应用受控标签,让数据库能够根据职位要求发挥简历查找工具的作用。
应该多久更新一次候选人记录?
每周更新活跃候选人,每月更新重点人才管道记录。如果一条记录在 120 天内没有得到确认,应在重新验证之前将其视为过时记录。
StrategyBrain AI Recruiter 能取代招聘人员吗?
不能。AI Recruiter 可以在 LinkedIn 上自动完成初次触达、问答、跟进和简历收集,但最终筛选和招聘决策仍需要招聘人员审核和进行面试。
AI Recruiter 会收集简历和联系方式吗?
会。当候选人表达兴趣时,AI Recruiter 会请求简历,收集对方在对话中分享的联系方式,并将简历标记为已收到,供招聘人员审核。
多语言消息如何帮助候选人数据库?
当候选人偏好使用英语以外的语言时,多语言消息可以提高回复率并减少误解。更高质量的对话会产生更完善的结构化记录,从而改善后续搜索质量。
存储候选人数据和 LinkedIn 凭据是否安全?
StrategyBrain AI Recruiter 表示,凭据经过加密,并按用户分别独立存储;客户提供的数据不会用于训练 AI 模型。部署前,请务必确认内部安全要求和隐私合规义务。
构建简历查找工具时最常见的错误是什么?
最大的错误是标签不一致。如果两名招聘人员以不同方式标记同一项技能,搜索就会遗漏合格候选人,数据库也会显得不可靠。
结论
当候选人数据库具备结构化、可搜索并持续更新等特点时,它才能真正发挥价值。首先建立严格的候选人资料模板,通过人脉拓展和 LinkedIn 对话持续输入数据,再按每周和每月的节奏保持数据新鲜。如果你希望数据库增长的同时不增加人工工作量,StrategyBrain AI Recruiter 可以自动完成 LinkedIn 建联、职位介绍、多语言跟进和简历收集,让你将更多时间投入最终筛选和面试。
下一步:复制本指南中的候选人资料模板和搜索方案,将它们应用到下一个开放职位中,并在开展新的候选人搜寻之前,测量你能从现有人才管道中生成多少名入围候选人。















