翰德 Hudson 携手亚马逊云科技，基于 MCP Agent 重塑智能招聘新范式

本文链接：https://blog.youkuaiyun.com/awscloud/article/details/148396747

前言

在竞争白热化的人才市场中，高效、精准地寻觅适配人才，是每一家企业都面临的核心挑战。作为全球领先的招聘管理服务供应商，翰德 Hudson 始终深耕科技创新领域，力求为招聘效率的提升注入新动能。

本文分享翰德 Hudson 与亚马逊云科技合作，通过 MCP（Model Context Protocol）协议构建标准化多 Agent 工具调用框架，实现简历解析、岗位匹配、候选人洞察等功能模块的动态协同。依托亚马逊云科技的 AI 服务生态与 Serverless 架构优势将日均简历处理效率提升 150%。

为什么选择亚马逊云科技

亚马逊云科技凭借其领先的生成式AI技术和创新的MCP Agent架构，成为翰德Hudson的合作伙伴：

领先的生成式 AI 解决方案供应商

亚马逊云科技在中国区提供全面的企业级生成式 AI 解决方案，包括通过 Marketplace 接入硅基流动 DeepSeek 等模型 API、企业级模型定制与微调能力，以及利用 Amazon SageMaker 实现模型全生命周期管理。同时，其严格遵循中国数据安全法等法规，提供完善的数据加密与访问控制机制，并配备专业的安全合规咨询服务，全方位保障企业 AI 应用的安全合规。

精准洞察行业，GenAI 驱动创新 PoC 高效落地

亚马逊云科技凭借专业的行业洞察能力，能深入理解各行业需求并挖掘创新场景，如为翰德 Hudson 提供基于生成式 AI 的智能招聘解决方案。依托强大的技术实力与各行业积累的大量成功经验，亚马逊云科技能帮助客户快速搭建概念验证（PoC）并持续优化，助力客户将创新成果高效转化为实际应用。

MCP on Amazon Bedrock 创新架构优势

MCP on Amazon Bedrock 是亚马逊云科技的开源项目。该项目提供基于 Bedrock 中的 Nova、国内硅基流动 DeepSeek等大模型的 ChatBot 交互服务，同时引入 MCP，极大增强并延伸 ChatBot 形态产品的应用场景，可支持本地文件系统、数据库、开发工具、互联网检索等无缝接入。如果说包含大模型的 ChatBot 相当于大脑的话，那引入 MCP 后就相当于装上了胳膊腿，真正让大模型动起来、跟各种现存系统和数据联通。

支持多种模型，如 Amazon Nova Pro、硅基流动的 DeepSeek，满足不同业务需求
基于 MCP 标准客户端开发，支持直接使用社区的 MCP 服务器；支持 stdio、SSE 以及 Streamable HTTP 传输协议
前后端分离架构，MCP Client 和 MCP Server 均可部署在服务器端，用户通过 Web 浏览器即可访问 LLM 和 MCP Server 的能力与资源
支持多用户并发访问，用户会话隔离，保障数据安全和使用体验
支持流式响应与思考过程可视化，能够展示工具调用结果及操作截图，提升交互透明度

借助 MCP on Amazon Bedrock ，开发者无需编写复杂的集成代码，即可快速构建具备多工具调用、状态管理和工作流编排能力的智能 Agent

解决方案

整体架构设计

翰德 Hudson 智能招聘系统基于 MCP on Amazon Bedrock 构建，采用分层解耦设计，形成高效、灵活且安全的智能招聘解决方案。前端通过通过 MCP on Amazon Bedrock 快速集成 MCP Server，后端借助 Amazon Lambda 以及 AWS Fargate 部署 MCP Server，构建弹性、无服务的架构。支持无缝集成 AWS 原生服务如 Amazon S3、Amazon DynamoDB 等。

亚马逊云科技系统架构图如下：

核心 Agent 工作流

整体 MCP Server 的流程参考如下。整体方案用到了包括开源社区的 Playwright 进行浏览器操作，用于简历搜索与评估；File System 和 MarkitDown 完成本地文件的浏览与格式转换；并根据翰德 Hudson 的业务要求开发了自定义的 Hudson_report MCP Server。

MCP 与 LLM 交互系统架构图

智能筛选简历 Agent

Agent使用智能浏览器 MCP Server，完成职位描述（Job Description）语义解析、登录招聘平台、输入基础及关键词搜索条件、获取搜索结果，并对每份简历进行精读分析，具体流程如下：

大模型 JD（Job Description）语义解析
利用大语言模型对职位描述进行自然语言处理，自动提炼两类核心信息：

基础搜索条件：如经验年限、学历要求、工作地点等结构化参数
岗位关键词：包括专业技能、核心职责、特殊要求等非结构化关键词，支持模糊匹配和同义词扩展。该步骤确保搜索条件精准且全面，提升后续匹配效果

浏览器自动化登录

通过自动化工具模拟人工操作，支持多平台适配。

自动化输入搜索条件

大模型将解析信息转化为操作指令，驱动自动化工具精准设置多维度筛选条件，包括结构化下拉菜单和关键词组合搜索，支持复杂逻辑条件。

获取搜索结果

自动抓取招聘平台返回的分页数据，处理动态分页加载，提取职位名称、公司信息、发布时间及匹配度标签等关键信息，确保数据完整性和准确性。

公司/职位初筛与简历精读

初筛：基于预设业务规则快速排除明显不匹配项，保留符合条件的职位列表。业务规则灵活可配置，适应不同招聘需求
精读：对职位关联简历进行深度解析，提取教育背景、工作经历、项目经验、技能证书等核心信息。结合大语言模型的语义匹配能力，精准分析简历与 JD 的关键信息一致性，支持多模态数据融合以提升分析深度

简历评分输出

基于多维度评估体系生成量化评分，包含：

基础条件匹配分（30%）
关键词关联分（40%）
隐性竞争力分（30%）
输出结构化报告，包含综合评分、优势分析及待确认点。

部分提示词：

<AgentProcess>
  <Description>
    Agent作为Hudson内部的智能HR助理，基于智能浏览器MCP Server，自动完成职位描述（JD）语义解析、招聘平台登录、搜索条件设置、结果抓取及简历深度分析。
  </Description>
  <Steps>
    <Step number="1" name="大语言模型JD语义解析">
      <Detail>
        Agent利用大语言模型对用户输入的职位描述（JD）进行自然语言处理，自动提取两类核心信息：
      </Detail>
      <CoreInfo>
        <BasicSearchConditions>经验年限、学历要求、工作地点等结构化参数</BasicSearchConditions>
        <JobKeywords>专业技能、核心职责、特殊要求等非结构化关键词，支持模糊匹配和同义词扩展</JobKeywords>
      </CoreInfo>
    </Step>
    <Step number="2" name="浏览器自动化登录">
      <Detail>
        Agent通过Playwright自动化工具模拟人工操作，访问Hudson内部招聘系统登录页面，依次输入账号和密码，并点击登录按钮，完成多平台适配的安全登录流程。
      </Detail>
    </Step>
    <Step number="3" name="自动化输入搜索条件">
      <Detail>
        基于JD语义解析结果，Agent将提取的基础条件和关键词转化为具体操作指令，驱动自动化工具精准设置多维度筛选条件，包括点击结构化筛选标签和输入关键词组合，支持复杂逻辑表达，提升搜索效率和准确性。
      </Detail>
    </Step>
    <Step number="4" name="获取搜索结果">
      <Detail>
        Agent自动抓取招聘平台返回的分页数据，处理动态加载，提取职位名称、公司信息、发布时间及匹配度标签等关键信息，确保数据完整且准确，为后续筛选提供可靠基础。
      </Detail>
    </Step>
    <Step number="5" name="公司/职位初筛与简历精读">
      <InitialFilter>
        <Description>基于灵活配置的业务规则，快速排除明显不匹配的候选人，保留符合条件的职位列表，适应不同招聘需求。</Description>
      </InitialFilter>
      <ResumeDeepRead>
        <Description>对职位关联的简历进行深度解析，提取教育背景、工作经历、项目经验、技能证书等核心信息。</Description>
        <SemanticMatch>结合大语言模型的语义匹配能力，精准分析简历与JD的关键信息一致性，支持多模态数据融合，提升分析深度和准确度。</SemanticMatch>
      </ResumeDeepRead>
    </Step>
    <Step number="6" name="简历评分输出">
      <Evaluation>
        <Weights>
          <BasicCondition>30%</BasicCondition>
          <KeywordAssociation>40%</KeywordAssociation>
          <ImplicitCompetitiveness>30%</ImplicitCompetitiveness>
        </Weights>
        <Output>结构化报告，包含综合评分、优势分析及待确认点，助力招聘团队快速做出精准决策。</Output>
      </Evaluation>
    </Step>
  </Steps>
</AgentProcess>

智能推荐报告生成 Agent

Hudson_report MCP Server

Hudson_report 是亚马逊云科技和翰德 Hudson 联合定制开发的一款基于 Java 语言的 MCP Server。该服务作为智能招聘系统中关键的后端组件，承担简历推荐报告的自动生成任务。它通过 MCP 协议，标准化地向智能 Agent 暴露报告生成等功能接口，实现与生成式 AI 模型及多种工具的高效协同。

项目结构如下：

hudson-mcp-server/
├── src/
│   ├── main/
│   │   ├── java/
│   │   │   └── com/
│   │   │       └── example/
│   │   │           └── server/
│   │   │               ├── CVService.java
│   │   │               ├── McpConfig.java
│   │   │               ├── McpServerApplication.java
│   │   └── resources/
│   │       └── application.properties
│   └── test/
│       └── java/
│           └── com.example
├── pom.xml

CVService.java：简历相关的核心服务逻辑
McpConfig.java：MCP Server 配置类
McpServerApplication.java：Spring Boot 启动入口
application.properties：服务配置文件
pom.xml：Maven 项目依赖与构建配置

Agent 引用该 MCP Server 配置如下：

"hudson_report": {
      "autoApprove": [
        "cv_output"
      ],
      "disabled": false,
      "timeout": 60,
      "url": "http://ip:port/sse",
      "transportType": "sse"
}

配置说明：

autoApprove 配置允许对“cv_output”工具调用自动审批，提升处理效率，减少人工干预
disabled 字段支持服务的灵活启停管理，便于运维控制
timeout 设置为 60 秒，保障请求响应的时效性
command 与 args 配置指定以 Java 运行环境启动，结合 Spring Boot 框架支持 MCP 协议的标准输入输出（stdio）或 SSE 的通信方式，确保轻量且高效的进程间交互

*前述特定亚马逊云科技生成式人工智能相关的服务仅在亚马逊云科技海外区域可用，亚马逊云科技中国仅为帮助您了解行业前沿技术和发展海外业务选择推介该服务。

原文链接：翰德 Hudson 携手亚马逊云科技，基于 MCP Agent 重塑智能招聘新范式 | 亚马逊AWS官方博客https://aws.amazon.com/cn/blogs/china/hudson-reshapes-the-new-paradigm-of-intelligent-recruitment-based-on-mcp-agent/