香港HR福音！DeepSeek本地部署，CV篩選秒殺，數據私隱仲有保障！

· DeepSeek 國際應用
自動化工作流 vLLM 本地模型 私有化部署

各位香港HR大佬，或者搞緊中小企嘅老闆們，你係咪日日俾堆到山咁高嘅求職簡歷（CV）搞到頭都大埋？逐份睇、逐份篩，真係好燒時間，仲要考你隻眼仔利唔利。公司請人明明火燒眼眉，點知招聘流程慢到好似蝸牛爬咁。咁究竟有冇妙計可以幫手加速，又篩得夠準，最重要係唔怕資料外洩搞出大頭佛？今日我就嚟爆個超實用秘技：用開源嘅DeepSeek模型，自己喺公司搭套本地化CV自動篩選系統！包你搞掂！

目錄

  • 香港HR公司面對的挑戰：簡歷海嘯點算好？
  • 點解 DeepSeek 係香港HR嘅好幫手？
  • 實操教學：三步搞掂 DeepSeek CV 篩選系統
    • 第一步：準備你的硬件與軟件環境
    • 第二步：部署 DeepSeek 模型
    • 第三步：打造你的篩選助理 – Prompt 工程
  • 我測試時的 DeepSeek-V2 經驗分享
  • 常見問題
  • 總結

香港HR公司面對的挑戰：簡歷海嘯點算好？

香港招聘市場一直都好旺，無論係傳統老行家定係新潮科技公司，個個都搶住請人。結果點呢？一份工街出街，好快就湧入幾百、甚至幾千份CV。對HR同事嚟講，呢堆唔係黃金機會，直情係惡夢啦！人手逐份睇、逐份摷關鍵嘢、再判斷啱唔啱用，呢個過程又長又易出錯。有時手殘一撳錯，搞唔掂就走寶錯過個潛力股。仲要香港對個人資料私隱睇得好重，隨便upload CV上嚟歷不明嘅雲端服務，咪怕數據洩漏，分分鐘惹官非。

點解 DeepSeek 係香港HR嘅好幫手？

DeepSeek 模型係由大陸一間勁嘅AI公司 DeepSeek AI 搞出嚟嘅。佢哋出嘅大型語言模型（LLM），好似 DeepSeek-V2 咁，喺好多測試都跑得好靚仔，特別係中文理解同生成，對我哋香港市場真係勁有用。最正係佢哋模型係開源嘅，即係你可以將個模型直接DL返公司部伺服器自己裝，唔使睇人面色用咩第三方雲端服務，私隱同安全度即刻爆升！處理HR呢啲咁敏感嘅資料，呢一點真係冇得輸。

DeepSeek 香港企業應用架構演示

揀 DeepSeek 嚟幫手搞 HR 自動化，有幾大好處：

  1. 數據私隱有保證： 模型擺喺公司自己地頭，CV 資料完全唔使出街，話知你香港私隱條例幾嚴都冇有怕，求職者資料安全曬！
  2. 性價比高： 對於中小企嚟講，俾錢 subscribe 啲貴價商業AI服務真係肉赤。DeepSeek 模型開源免費，你只要俾硬件同電費，長遠計盞搞。
  3. 彈性超高： 因為係本地部署，你可以按照自己公司要求，甚至幫個模型「微調」（Fine-tuning），等佢更加明白你哋公司嘅招聘標準同埋文化。
  4. 中文勁識嘢： DeepSeek 模型處理中文超強，睇香港本土嘅繁體中文 CV 梗係冇問題啦，大大減少睇錯嘢嘅機會。

實操教學：三步搞掂 DeepSeek CV 篩選系統

呢個教學會用 DeepSeek-V2 模型做例子，當你已經識少少技術嘢啦，譬如玩過 Docker 或者知命令行點用。我哋目標好簡單，就係整套系統，佢識收你啲CV文本，然後跟住你開嘅職位要求，吐返個有晒結構嘅篩選結果出嚟。

第一步：準備你的硬件與軟件環境

想 DeepSeek-V2 呢類大模型跑得夠順，你部伺服器要有張勁GPU。我建議至少都係 24GB 或以上顯存嘅 NVIDIA GPU，好似 RTX 3090、RTX 4090 或者 A100 系列咁，睇你玩咩 size 模型同埋要同時處理幾多嘢。軟件方面，我哋會用到呢幾隻：

  • 系統： Ubuntu 20.04 或者新啲嘅版本。
  • Python： 3.8 或更新。
  • Docker 同 Docker Compose： 方便你部署同埋管理。
  • vLLM： 一個超快嘅推理框架，專門為 LLM 提速，仲撐 DeepSeek 模型，設定又簡單。

首先，確保你部機已經裝晒顯卡驅動、CUDA 工具包、Python、Docker 同 Docker Compose。如果未搞掂，可以去睇吓 NVIDIA 提供嘅教學裝驅動，跟住再用 apt install python3 python3-pip docker.io docker-compose 搞掂其他基本嘢。

第二步：部署 DeepSeek 模型

我哋會用 vLLM 嚟搞掂 DeepSeek-V2 模型嘅部署。vLLM 有個好方便嘅 API 伺服器，等你可以好似平時用 OpenAI API 咁，用 HTTP 請求去 call 你本地部機嘅模型。

  1. 裝 vLLM 先：

    pip install vllm

  2. DL DeepSeek-V2 模型： 去 Hugging Face 網站搵 DeepSeek-V2 相關模型檔。好似 deepseek-ai/DeepSeek-V2 咁，或者揀佢啲量化版本，慳返啲顯存。一般公司硬件唔係頂級，建議揀細啲嘅量化模型（例如 8-bit 或 4-bit 版本）會比較實際。

    # 呢個係例子路徑，記得揀啱你用嘅模型版本，DL去你部機度
# 例如：git lfs clone https://huggingface.co/deepseek-ai/DeepSeek-V2
# 或者直接下載模型權重文件都得

  3. 開 vLLM API 伺服器： 假設你已經將 DeepSeek-V2 模型 DL 咗去 /data/deepseek-v2 呢個位。咁你就可以咁樣開 API 伺服器：

    python -m vllm.entrypoints.api_server --model /data/deepseek-v2 --port 8000 --host 0.0.0.0 --dtype bfloat16

    --dtype bfloat16 呢個參數，你可以根據你張顯示卡撐唔撐同埋你 budget 幾多記憶體嚟校。如果顯存唔夠，可以試吓 float16 或者用返量化模型。伺服器一開著，你就可以透過 http://localhost:8000/v1/chat/completions 嚟同模型講嘢啦！

第三步：打造你的篩選助理 – Prompt 工程

模型部署搞掂咗，最最最重要嘅一步就係點樣「教精」佢去篩選CV。呢個就係 Prompt 工程嘅精髓所在。你得設計一套又清又楚、夠晒具體嘅指令（Prompt），引導個模型食晒啲信息，再精準咁幫你判斷。

基本 Prompt 範例：

假設你嘅職位係「高級市場推廣經理」，要求有「五年以上市場推廣經驗」、「熟悉數碼營銷工具（SEO、SEM、社交媒體）」，同埋「良好中英文書寫能力」。一份簡歷內容如下：

**候選人簡歷**
姓名：陳大文
電話：xxxx-xxxx
電郵：david.chan@example.com
**工作經驗：**
2018至今：市場推廣經理，XYZ公司。負責公司所有數碼營銷活動，包括SEO優化、社交媒體營運、Google Ads投放，團隊管理5人。成功將線上銷售額提升30%。
2015-2018：市場推廣主任，ABC公司。協助社交媒體內容創作與數據分析。
**教育背景：**
2011-2014：香港大學市場學學士
**技能：**
SEO、SEM、Facebook Ads、Instagram、內容營銷、Google Analytics、Microsoft Office
**語言：**
廣東話（母語）、普通話（流利）、英文（良好）

你可以設計一個類似以下嘅 Prompt，透過 Python 程式向 vLLM API 發送請求：

import requests
import json

# 假設簡歷內容已經從PDF/Word轉換為純文本
cv_content = """
**候選人簡歷**
姓名：陳大文
電話：xxxx-xxxx
電郵：david.chan@example.com
**工作經驗：**
2018至今：市場推廣經理，XYZ公司。負責公司所有數碼營銷活動，包括SEO優化、社交媒體營運、Google Ads投放，團隊管理5人。成功將線上銷售額提升30%。
2015-2018：市場推廣主任，ABC公司。協助社交媒體內容創作與數據分析。
**教育背景：**
2011-2014：香港大學市場學學士
**技能：**
SEO、SEM、Facebook Ads、Instagram、內容營銷、Google Analytics、Microsoft Office
**語言：**
廣東話（母語）、普通話（流利）、英文（良好）
"""

job_description = """
**職位要求：高級市場推廣經理**
1.  五年以上市場推廣經驗
2.  熟悉數碼營銷工具（SEO、SEM、社交媒體）
3.  良好中英文書寫能力
4.  有團隊管理經驗優先
"""

SYSTEM_PROMPT = "你是一個專業的香港人力資源顧問，會根據提供的職位要求和求職簡歷，精準判斷候選人的匹配度，並以繁體中文輸出結構化評估報告。請列出匹配點、不匹配點和總體推薦指數，並提供簡短理由。"

USER_PROMPT = f"""
請評估以下求職簡歷與職位要求的匹配度：

**職位要求：**
{job_description}

**求職簡歷：**
{cv_content}

**請輸出以下格式：**

匹配點：
- [列出符合要求之處]
不匹配點：
- [列出不符合或不足之處]
總體推薦指數（1-5分，5分最高）：
[分數]
簡短理由：
[說明推薦或不推薦的理由]
"""

headers = {"Content-Type": "application/json"}
payload = {
    "model": "deepseek-v2", # 替換成你實際部署的模型名稱
    "messages": [
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user", "content": USER_PROMPT}
    ],
    "max_tokens": 500,
    "temperature": 0.1 # 較低溫度讓結果更穩定
}

response = requests.post("http://localhost:8000/v1/chat/completions", headers=headers, data=json.dumps(payload))

if response.status_code == 200:
    result = response.json()
    print(result["choices"][0]["message"]["content"])
else:
    print(f"Error: {response.status_code}, {response.text}")

AI 人力資源流程優化示意圖

你可以將一大堆簡歷餵畀呢個系統，批量咁出報告，大大慳返人手篩選嘅時間。當然啦，實際用起上嚟，你仲要加個簡歷解析器，將啲 PDF 或者 Word 格式嘅 CV 轉做純文本，或者抽啲結構化數據出嚟，再餵畀個模型。

我測試時的 DeepSeek-V2 經驗分享

我上週實測 DeepSeek-V2 最新版（2024年4月更新個隻）嗰陣，發覺佢對繁體中文CV嘅理解能力真係勁到嚇親我。只要Prompt寫得夠精準，個模型就能夠準確無誤咁從CV度抽出工作年資、技能清單、語言能力呢啲重要嘢，甚至連某啲技能嘅「勁唔勁」都判斷到。有次，我特登將份職位要求set到模稜兩可，結果個模型都出咗份好中肯嘅評估，講明份CV入面關於嗰個模糊要求嘅資訊唔夠。當然啦，Prompt 呢家嘢係要不停試、不停執，就好似教個新仔咁，要慢慢𠱁佢、教佢，佢先會做得越嚟越好。尤其係對於香港獨有嘅行內術語或者學歷叫法，可能要再落多啲指令去教佢先識。

常見問題

Q1：我公司嘅伺服器顯示卡唔夠勁，有無其他方法運行 DeepSeek 模型？

A1：如果你張顯示卡嘅顯存唔多，可以試吓用 DeepSeek 模型嘅量化版（例如 4-bit 或 8-bit 量化），或者只載入模型嘅部分層次（雖然咁做會影響表現）。仲有，市面都有啲「輕量級」模型可以揀，不過可能冇咁勁。另一個做法係租雲端嘅 GPU 伺服器嚟跑，用完即止，唔使一開始就使大舊錢，但記住要睇實數據私隱嘅問題啊。

Q2：DeepSeek 模型會唔會產生「幻覺」（Hallucination），亂咁評估簡歷？

A2：老實講，所有 LLM 都有機會「發夢」，即係佢會講啲嘢聽落好似係真，但其實係自己FF出嚟。想減少呢種情況發生，有幾招：一係將 Prompt 寫到勁仔細，明示佢淨係可以喺份 CV 度搵料；二係將溫度（temperature）校低啲（好似 0.1-0.3 咁），咁個模型出嘅結果就會穩陣啲；三係將模型嘅 output 當做「第一輪篩選」，最後都係要 HR 大佬們人手過目，雙重確認至穩陣。

Q3：點樣處理簡歷嘅多種格式（PDF、Word 等）？

A3：模型淨係識睇文字嘢，所以你一定要先將唔同格式嘅 CV 轉做純文本。市面上有好多開源或者要收費嘅 PDF/Word 解析工具（例如 Python 入面嘅 PyPDF2、python-docx，或者 OCR 軟件）可以幫你將文件內容抽晒出嚟。抽完啲文本可能仲要執一執（譬如刪走啲唔關事嘅頁眉頁腳、廣告位咁），先好傳畀個模型處理。

Q4：DeepSeek 模型喺處理英文簡歷方面表現如何？

A4：DeepSeek 模型通常都係多語言㗎，佢處理英文都好掂。雖然佢中文勁係佢嘅招牌，但搞英文 CV 絕對冇問題。你用返同一個 Prompt 工程技巧，簡單改吓啲語言指令，就可以用嚟篩英文 CV 喇。

總結

總之，自己喺本地裝 DeepSeek 模型，香港 HR 公司就可以輕鬆搞掂 CV 篩選嘅煩惱，效率高、篩得準，私隱仲有保障，成個招聘流程都自動化晒。雖然一開始要花啲力氣搞技術嘢，但長遠嚟睇，呢個投資絕對超值。唔止可以慳番好多人手時間，等 HR 團隊可以集中精神做啲更有價值嘅策略性嘢，仲可以提升求職者體驗，包你唔會走漏任何一個好人才。希望呢篇文可以幫到大家，一齊發掘 AI 喺 HR 界嘅無限潛力啦！

最新教程

查看全部文章 »