Harvey：基于混合多模型架构的智能招聘助手

Harvey是由Nathan Mendis开发并于2026年6月12日在GitHub发布的Agentic HR智能助手，聚焦招聘场景，采用混合多模型架构平衡响应速度与专业推理能力，旨在自动化简历筛选、面试辅助、流程管理等招聘全流程，提升效率与质量，为垂直领域AI应用提供参考。

项目来源

• 原作者/维护者：Nathan Mendis
• 来源平台：GitHub
• 发布时间：2026年6月12日

项目概述

Harvey是Agentic AI在企业级HR招聘领域的重要探索，不同于通用型AI助手，它深度聚焦招聘场景，通过混合多模型架构实现专业能力与响应速度的平衡。

Harvey的核心创新在于混合多模型架构，组合不同特长模型协作：

轻量级意图检测模型

快速识别用户输入意图类型（简历筛选、面试安排、候选人评估等5类HR任务），即时响应并将复杂任务路由到适当模块。

深度推理模型

处理复杂分析任务：

• 简历解析与结构化
• 技能匹配分析
• 面试问题生成
• 综合评估报告生成

Harvey包含三大核心功能模块：

自动化简历筛选

批量解析简历提取关键信息，根据职位描述计算匹配度评分，识别优秀候选人并发现亮点与风险点。

智能面试辅助

生成个性化面试问题，实时记录面试要点，面试后生成结构化评估报告，支持多轮面试信息对比。

招聘流程管理

主动推进流程：追踪候选人进展、自动发送通知、协调面试官时间、生成招聘漏斗分析报告。

领域知识融合

集成行业术语与技能本体，理解不同岗位专业要求，支持多种简历格式解析。

企业级安全设计

注重候选人数据隐私保护、访问权限控制、审计日志记录与合规性检查。

效率提升

简历初筛时间从小时级缩短到分钟级，自动化面试安排与评估报告生成。

质量保障

减少人工筛选主观偏差，确保评估维度全面性，保留完整决策依据与过程记录。

可扩展性

混合架构适配不同规模企业：小型团队用轻量配置控制成本，大型企业扩展推理能力处理复杂场景，支持多语言多地区需求。

Harvey展示了Agentic AI在垂直领域的应用范式：

1. 领域专精优于通用泛化
2. 混合模型架构平衡成本与性能
3. 人机协作增强人类能力（让HR专注高价值判断与决策）

对开发者的建议：该架构为LLM在企业场景的应用提供了有价值的参考。