AS ATS Score

首页/分数是怎么算的

我们怎么计算 ATS 分数

这个数字是 21 项子分的加权平均,在你的浏览器里、根据文件文本算出。评分路径里没有模型、没有随机性、也没有服务端调用。本页把算术过程一直写到四舍五入那一步,好让你能核对这个分数,而不是相信它。

发布于 2026 年 10 月 27 日。任何一个权重变了,这一页就跟着变——下面这些数字是从 app 实际发布的同一份规则定义里读出来的。

为什么要公开。「ATS 分数」到处都在卖,却没有一处附上方法。一个你无法审计的分数,就是无法据以行动的分数:你拿到一个数,被告知要把它提高,而你没有办法判断这些建议和任何真实的东西有没有关系。下面的权重是我们的判断——是我们选的——但它们是被明确写出来的判断,你可以针对具体某一条不同意,而不是笼统地不同意。

四步算术

  1. 每条规则返回一个 0 到 100 的子分。一条规则只检查解析后文档的某一个具体属性——比如每一条要点是不是都以动词开头——然后给它打分。子分四舍五入到整数。
  2. 这个子分再按规则的权重缩放。得分 = 子分 × 权重 ÷ 100,四舍五入到一位小数。一条权重 12 的规则拿到 50 分,贡献 6.0 分;一条权重 2 的规则拿到 50 分,贡献 1.0 分。权重只在这一步起作用。
  3. 总得分除以可用的满分,而不是固定的 100。分数 =(得分之和 ÷ 适用权重之和)× 100,四舍五入到整数。
  4. 没能运行的规则会从分母里去掉。没有提供 JD 时,四条与 JD 相关的规则被跳过,它们贡献 0 分、可用 0 分——是被排除,不是被算作失败。

粘贴的文本超过 30 个字符,才算提供了 JD。低于这个长度视为没有,因为只有一个公司名并不构成 JD,拿它来评分会得到一个很有把握、却毫无意义的匹配结果。

21 条规则与它们各自的权重

五个分组、21 条规则、权重合计 101。下面的顺序就是它们实际运行的顺序。

# 规则 分组 权重
1文件里有没有任何文本?解析4
2双栏排版、表格、文本框解析3
3各章节标题用的是常规写法吗?解析2
4联系方式被压在页眉或页脚里解析1
5页数与工作年限是否相称结构5
6联系方式是否完整、能否被解析?结构5
7日期格式是否一致?结构4
8未说明的就业空档结构3
9照片、年龄、婚姻状况、国籍结构3
10每一条要点是否都以动词开头?要点内容6
11有量化的结果要点内容8
12空泛的填充词要点内容5
13技能项是否写成了具体的工具?要点内容5
14硬技能关键词覆盖度岗位匹配12
15职位名称对齐岗位匹配8
16行业术语命中率岗位匹配6
17软技能关键词匹配岗位匹配4
18具体成果与规模细节与风险5
19证书与执照细节与风险3
20拼写细节与风险4
21关键词堆砌,包括隐藏文本细节与风险5

分组小计:解析 10、结构 20、要点内容 24、岗位匹配 30、细节与风险 17。21 条规则里有 17 条不需要 JD 就能跑,只有第 14–17 条需要。

单条权重最大的是第 14 条「硬技能关键词覆盖度」,12 分。这是有意的:在我们所模拟的这类系统里,招聘方的第一个动作就是在解析后的索引上做关键词检索,所以对 JD 里实际要求的那些技能的覆盖,比任何要点改写都更能把一份简历往前推。权重最小的是第 4 条,1 分——联系方式被卡在页脚是真实存在的失败,但很罕见,而且第 6 条已经部分覆盖了它。

为什么权重加起来是 101 而不是 100

它们是按相对重要性、用整数定下来的,定的时候没人去做加法。总和恰好是 101。这不影响任何结果,原因如下:分数是拿得分除以可用满分,所以全部拿满分依然精确得到 100。101 只意味着每一个单点的价值略微低于一个百分点。

另一种做法——把权重重新缩放到合计 100——意味着为了修正一个表面属性而改掉每一个权重,而且会让公开出来的数字和代码里的数字对不上。和代码保持一致,比凑一个整数更有价值。

没有 JD 时,可用满分是 71(101 减去第 14–17 条承担的 30 分),所以没有 JD 的简历是按 71 分制评的,而不是被压在 70 分附近。一份机械上完美的文件,两种情况下都是 100 分——不同的是它有哪些错可以犯。

一个能手算核对的样例

这些是示例性的子分,不对应任何真实候选人。没有提供 JD,所以第 14–17 条不参与,分母是 71。

规则 权重 子分 得分
1 · 有文本41004.0
2 · 排版31003.0
3 · 标题21002.0
4 · 页眉页脚联系方式11001.0
5 · 页数5804.0
6 · 联系方式完整51005.0
7 · 日期格式41004.0
8 · 空档31003.0
9 · 受保护字段31003.0
10 · 动词开头的要点6704.2
11 · 量化结果8403.2
12 · 填充词5603.0
13 · 具体技能51005.0
18 · 成果与规模5603.0
19 · 证书31003.0
20 · 拼写41004.0
21 · 关键词堆砌51005.0
合计71—59.4

59.4 ÷ 71 × 100 = 83.66,四舍五入是 84。落在第二档「良」。把每一行手工加起来,就是全部审计过程——没有隐藏项。

四个分数档分别意味着什么

分数标签怎么读
85–100优秀文件能被解析,内容找得到。剩下的风险是匹配,不是机械问题。
70–84良解析正确;有几条内容规则在漏分,改写能捞回来。
50–69中要么有个结构问题,要么关键词缺口大到让你进不了检索结果。
0–49差通常上游就解析失败了——在那之前,下面的内容基本还不重要。

这些档位是标签,不是概率。数据里没有任何东西支持「84 分意味着 84% 的面试机会」这句话,我们也从不说这句话。

为什么同一份文件永远得到同一个分数

评分路径里没有语言模型、没有网络请求、没有随机数来源。文件在你的浏览器里被解析;21 条规则是作用在解析结果上的普通函数;算术就是算术。同一份文件跑两次,得到同一个数,挂掉的还是同样几条规则、同样的说明理由。

正是这个性质,让分数可以当「前后对比」的工具用:改一条要点,变一条规则,看一个数字动。随机的分数做不到这件事——每一次修改都被模型的方差搅浑,你最后只能猜:是改写动了这个数,还是骰子动了这个数。

语言模型只用在一个地方,而且不在评分里:付费改写,付款之后运行,产出文本。它的输出不会回流进评分,所以模型里没有任何东西能移动你看到的那个数字。

有一条与评分无关的注意事项:同一份简历由两个不同的导出工具保存,文本抽取的结果可能不一样,因为抽取发生在任何规则运行之前。那是文件层面的差异,而且在 app 里看得见——解析预览会显示规则实际拿到了什么。

这个数字会误导你的四种情况

  1. 它不是雇主家 ATS 的分数。这里没有模拟任何厂商的排序。这个数字描述的是:这份文件能不能被干净地解析,以及它里面有没有招聘方会去搜的那些词。它不复现 Workday、Greenhouse 或 Taleo 的排序。
  2. 解析规则是建立在我们自己的抽取器之上的启发式。第 2 条并不会把你的文件丢进每一个商用解析器里跑一遍。它标出的是那些已知会破坏文本抽取的结构——这是很强的先验,但不是保证。
  3. 高分意味着找得到,不是好。每一条要点都可以以动词开头、每一个结果都可以带数字,而这段经历本身就是不对口的经历。这里没有任何东西在衡量人会不会喜欢这份简历,或者你能不能干这份工作。
  4. 有些失败不是改一改就能解决的。一份没有文本层的扫描版 PDF 会挂在第 1 条上,原因是任何改写都碰不到:它需要重新导出。申请表上的淘汰性问题——工作许可、工作年限——会把人筛掉,无论这个数字说什么。

看看 21 条里你挂在哪几条

免费分数会逐条列出你丢分的规则,以及触发它的具体那一行。不用注册、不用邮箱,文件不会离开你的浏览器。

规则本身在 ATS 到底检查什么 里逐条写了;和 Jobscan、Resume Worded 的价格对比在对比页。本页的权重和阈值是从 app 实际发布的同一份定义里读的;两者如果不一致,那是 bug,不是政策。