用例 1
写出真正能吸引合适人选的职位描述
告诉 AI 岗位、职级和团队文化，得到三种不同语气的版本。
试试这个提示词
为一家 [发展阶段] 公司的 [岗位] 撰写职位描述。包括：3 句话的公司简介、入职前 90 天怎样算成功、必备技能和加分技能、这个岗位为什么现在很重要。语气：有人情味、具体，不堆砌流行词。
检测到异常活动，你的会话已被标记。
请确认你是真人后继续。
更快完成招聘，写出员工真正会读的制度，不再被重复性沟通淹没。
无需信用卡 · ChatGPT、Claude、Gemini、Grok 和 Perplexity 集于一处
这件事你已经在手动做一半了：问一个模型，再把答案粘贴到另一个模型里核对。下面是在一个 HR 和人力团队的真实任务中发现的问题。
为一名绩效不达标的团队成员起草一份绩效改进计划。
Auto Verification 发现
它引用的通知期与当地法律管辖不符。
模型之间出现分歧
一个模型给出的计划，读起来像是在为解雇准备书面材料。
另一个模型指出，如果员工日后声称结果早已内定，这样的措辞会带来法律风险。
一份 PIP 最先读到它的，往往是律师。
告诉 AI 岗位、职级和团队文化，得到三种不同语气的版本。
试试这个提示词
粘贴你的笔记（或文字记录），AI 帮你填好评分标准。
试试这个提示词
把规则、理由、例外列成要点，AI 把它变成清晰、有人情味的文字。
试试这个提示词
描述情况，得到一份谈话脚本和三件要避免的事。
试试这个提示词
告诉 AI 候选人背景、岗位和面试小组，得到亲切、具体的邮件。
试试这个提示词
在 multiplechat.ai 打开 MultipleChat。为了隐私，请使用商业级套餐。
从文字类的长尾工作入手——职位描述、制度草稿、经理辅导笔记。
等团队信任输出质量之后，再加入结构化用法（评分卡、总结）。
培训招聘经理。当每位招聘人员都能用好它时，收益会成倍累积。
如果让 AI 给候选人打分，风险确实存在。在没有经过全面偏见测试之前，不要用 AI 给候选人排序或筛选——即便做了测试，欧盟和美国多个州的监管机构现在也要求进行披露。用 AI 来起草和总结，而不是打分。
不拿输入做训练的企业级工具是底线。粘贴之前先做匿名化处理。姓名、薪资、绩效记录都是敏感信息——要像对待病历一样对待它们。
只有当你让 AI 来点“发送”时才会。草稿交给 AI，关系由你来维护。很多 HR 团队的反馈恰恰相反——AI 让他们腾出了更多 1 对 1 沟通的时间。
用它来做总结，而不是排序。AI 不应该决定面试谁，它应该帮你读得更仔细、更快。
初稿可以。判断和具体细节应该出自经理本人。糟糕的 AI 评估，读起来就像没有人真正思考过这个人。
AI 起草的内容发出之前，先交给你的劳动法律顾问过目。AI 速度快，但纠纷往往取决于细节。
从一个团队、一个用例、一个月开始。衡量节省的时间和质量，再逐步扩大。
MultipleChat 让 HR 和人力团队在同一个工作区里使用 ChatGPT、Claude、Gemini、Grok 和 Perplexity——并在你采用答案之前让它们互相核查。
打开 MultipleChat另请参阅：免费 AI 工具 · AI 术语表 · 面向其他职业的 AI
了解更多