Strands Agents SDK 助力翰德 Hudson 实现智能招聘新突破

前言

在 AI 人才争夺日益白热化的今天，传统招聘模式面临着效率低下、精准度不高、难以应对海量候选人等挑战，急需一种创新的智能招聘解决方案来提升招聘效能。翰德 Hudson 作为全球人力资源服务领域的领军企业，一直将科技创新视为发展的引擎，并持续探索招聘效率优化的前沿解决方案。此前，翰德 Hudson 与亚马逊云科技合作基于 Model Context Protocol（MCP）开发了智能招聘解决方案——翰德 Hudson 携手亚马逊云科技，基于 MCP Agent 重塑智能招聘新范式，但是如何在当前的方案上进一步提升效率，有效追踪Agent的调用，并在未来增加可扩展性仍然是需要持续考量的重点。

针对以上痛点，翰德 Hudson 与亚马逊云科技战略合作，基于全新的 Strands Agents SDK 构建了新一代智能招聘解决方案。相较于此前基于调用模型 API 的实践，Strands Agents SDK 在多智能体协同、系统灵活性和全链路可观测性方面实现了重要改进。数据显示，采用新方案后，简历初筛效率提升可达 30%，匹配准确率提升约 10%，招聘周期明显缩短。

Strands Agents SDK 简介

Strands Agents SDK 采用模型驱动（Model-Driven）的设计理念，充分发挥先进大模型在规划、思维链（Chain-of-Thought）、工具调用及自我反思等方面的能力，显著地简化了智能体的开发流程。开发者仅需定义核心提示词（Prompt）和可调用的工具列表（Tools），即可快速构建功能智能体（Agent），并能将本地测试成果无缝部署至云端环境。

在模型生态方面，Strands Agents SDK 展现了高度的开放性与兼容性，支持多样化的模型选择，包括 Amazon Bedrock、LiteLLM、Ollama 等主流平台。对于亚马逊云科技中国区用户，还可通过西云数据运营的亚马逊云科技 Marketplace（中国区）访问 DeepSeek 等模型，以满足不同业务场景和合规性要求。

基于 Strands Agents SDK 的新方案与之前基于模型 API 构建的方案有如下优势：

1. 多智能体（Multi-Agent）并发协作

显著提升简历筛选效率：Strands Agents SDK 引入先进的 Swarm 架构，支持多智能体并发处理，能够同时对大量简历进行筛选与评估，大幅缩短整体招聘周期。
准确率提升：多智能体协同可以实现多维度、分工明确的筛选与交叉验证，显著提升候选人匹配的精准度。实际项目中，简历初筛效率提升可达 30%，匹配准确率提升约 10%。

2. 架构灵活，未来可扩展性更高

灵活的 Agent 组合：Strands Agents SDK 采用模块化设计，支持按需增加或调整 Agent 类型。例如，未来如需增加面试自动邀约、候选人背景调查、智能问答等功能，只需新增相应的 Agent 并纳入现有工作流即可，无需重构整体系统。
多模型生态兼容：支持 Amazon Bedrock、LiteLLM、Ollama 等多种主流及自定义模型，满足不同业务和合规需求，便于企业平滑扩展 AI 能力。
快速适配业务场景：如客户未来希望引入自动化面试、智能推荐、数据分析等新功能，只需增设相关 Agent，无需对现有架构做大幅调整，显著降低开发和维护成本。

3. 企业级可观测与安全保障

全链路可观测性：与 Langfuse 等开源平台深度集成，支持对智能体运行过程的实时监控、指标追踪和异常报警，便于开发者快速定位和优化问题。
安全与合规：所有代码均可在亚马逊云科技中国区托管，保障数据安全和高可用性。

4. 轻量级且生产就绪

设计简洁易用：Strands Agents SDK 提供智能体循环机制，降低开发门槛，提升开发效率。涵盖对话式和非对话式多种场景，支持多智能体协作和自我改进能力。
生产环境友好：支持多模型提供商和多样部署目标，方便快速从本地测试无缝迁移到大规模生产环境，兼顾灵活性与稳定性。

整体方案完全托管于亚马逊云科技中国区服务，开发、调试与生产环节一站式完成，助力企业快速构建高效、可靠的智能招聘应用。

招聘智能体的设计和实现

Strands Agents SDK 凭借其先进的技术特性，精准解决了通用招聘智能体在实际应用中的关键痛点。其标准化框架与完整工具链支持，实现了从简历智能解析到多智能体协同的端到端流程构建。该解决方案不仅能够灵活处理来自不同平台的非结构化简历数据，还可以自如应对各类差异化数据结构。更重要的是，智能体可将解析所得的简历信息（包括工作履历、技能标签、项目经验等关键要素）进行智能化处理，最终生成格式统一、结构清晰的标准化简历报告。

使用 Strands Agents SDK 构建的招聘智能体的架构图如下：

智能体通过 Agentic AI Strands 作为中央协调者，利用大模型提供智能处理能力，并通过调用不同的 MCP Servers（如推荐报告智能体处理简历）以及 Multi-Agent 架构来完成复杂的自动化任务，同时引入 Langfuse 对 Agent 的调用和协作进行全链路的监控。极大地提高了信息获取、处理和报告生成的效率和智能化水平。

1. 自定义模型供应商

对于中国区用户，Strands Agents SDK 支持通过硅基流动 API 调用本地或私有模型，实现数据隐私和低延迟的优势。借助这一能力，客户能够在亚马逊云科技中国区环境中，构建高度定制化且高效的智能招聘解决方案。

这种开放且多元的模型生态，使得 Strands Agents SDK 具备极强的适应性和扩展性，帮助企业充分发挥自有模型优势，同时享受亚马逊云科技提供的稳定、安全的云端基础设施支持。

# 中国区用户使用硅基流动
from strands import Agent
from strands.models.openai import OpenAIModel
from strands_tools import calculator, current_time

# 配置 OpenAI 兼容服务器
model = OpenAIModel(
    client_args={
        "api_key": "",  # 您的 API 密钥
        "base_url": "https://api.siliconflow.cn/v1",  # 硅基流动服务器地址
    },
    model_id="Pro/deepseek-ai/DeepSeek-V3",  # 使用deepseek模型
    params={
        "max_tokens": 1000,
        "temperature": 0.7,
    }
)

# 创建 Agent
agent = Agent(model=model, tools=[calculator, current_time])

# 使用 Agent
response = agent("你好")

运行效果图：

2. 多智能体协作实现批量简历阅读

Strands Agents SDK 引入的 Swarm 架构，专为并发处理和多智能体协作设计，显著提升了智能招聘系统的处理能力。通过 Swarm，多个智能体可以协同工作，实现对多份简历的并行筛选、评估与对比，有效的提供岗位推荐与见解，提升匹配精准度。

这一架构不仅支持多任务同时运行，还能动态调度和协调各智能体的工作流，确保系统高效稳定地应对大规模候选人数据。对于企业而言，Swarm 架构意味着能够在保持高质量筛选标准的同时，实现招聘流程的自动化和规模化，显著增强招聘效能。

依托亚马逊云科技的强大云端基础设施，Swarm 架构为智能招聘注入了前所未有的灵活性和扩展性，助力人力资源团队在激烈的人才竞争中抢占先机。

from strands import Agent
from strands_tools import swarm, file_read

# 1. 创建主 Agent，拥有 swarm 和 file_read 两项能力
agent = Agent(tools=[file_read, swarm])

# 2. 定义简历文件路径列表
resume_files = [
    "/Users/cv/1.txt",
    "/Users/cv/2.txt",
    # 更多文件...
]

# 3. 预先读取所有简历内容
resume_contents = []
for i, file_path in enumerate(resume_files, 1):
    try:
        content = agent.tool.file_read(path=file_path, mode="view")
        resume_contents.append(f"=== 简历 {i} (来源: {file_path}) ===\n{content}")
    except Exception as e:
        print(f"读取文件 {file_path} 失败: {e}")

# 4. 将所有简历内容合并为一个任务描述
combined_content = "\n\n".join(resume_contents)

# 5. 使用 swarm 工具进行协作分析
result = agent.tool.swarm(
    task=f"""
请分析以下简历内容，执行并发分析：

{combined_content}

每个 Agent 应该专注分析其中一份或几份简历，执行以下步骤：
1. 提取基本信息（姓名、联系方式、工作经验年限）
2. 分析技能关键词和专业领域
3. 评估工作经验匹配度（按1-10分评分）
4. 提取教育背景
5. 识别突出亮点

最终，请所有 Agent 协作生成一份综合汇总报告，包含：
- 每个候选人的基本信息对比
- 每个候选人的优势和不足
- 按匹配度排序的推荐建议
""",
    swarm_size=min(len(resume_files), 10),  # 限制最大10个Agent
    coordination_pattern="collaborative"     # 协作模式
)

# 6. 输出结果
print("=== 简历分析汇总报告 ===")
print(result["content"])

运行结果示例：

3. 配置企业级可观测性

招聘过程中如遇模型响应慢或评分异常，可通过集成的可观测平台实时告警与分析，帮助企业快速定位筛查瓶颈。Strands Agents SDK 提供了企业级的可观测能力，帮助开发者全面监控和调试智能体的运行状态。通过与开源的 Langfuse 平台深度集成，用户可以实现对智能体执行过程的详细追踪，包括大语言模型调用、工具使用、输入输出数据、响应时延及成本等关键指标。

这种可观测性基于 OpenTelemetry 标准，支持自动收集和上报运行时数据，开发者只需简单配置即可开启。Langfuse 提供丰富的可视化界面，方便用户实时查看和分析每一次智能体交互的执行细节，快速定位问题并优化模型表现。

# 自动化监控配置
from strands.observability import configure_telemetry

configure_telemetry(
    service_name="hudson-agent",
    endpoint="https://cloudwatch-otel---cn-north-1.amazonaws.com.rproxy.govskope.ca.cn",
    headers={"x-api-key": os.getenv("OTEL_API_KEY")}
)

通过与 Langfuse 等企业级可观测平台集成，每次简历分析、Agent 调用等全部行为都能可视化管控。比如，遇到大模型响应延迟或工具质检评分波动时，可以快速定位根源。

只需在 Agent 代码中配置好 Langfuse 的 endpoint，public_key 和 secret_key 等信息，就会在 Langfuse 工具中看到完整的信息。

以生成推荐报告为例，运行的系统截图：

推荐报告 Agent 执行的完整 trace 记录：

4. sample_agentic_ai_strands 提供前端用户交互界面

在系统可观测性保障之外，企业在智能招聘场景落地过程中，同样需要高效的集成与可视化能力。为此，智能体解决方案引入了由亚马逊云科技推出的开源 Agentic AI 应用框架 sample_agentic_ai_strands，专为构建企业级智能代理应用而设计，进一步推动 AI 驱动的人力资源管理全面落地。该项目具有以下核心特征：

前后端分离架构：MCP Client 和 MCP Server 均可部署到服务器端，用户可直接使用 web 浏览器交互，访问 LLM 和 MCP Server 能力
React UI 界面：基于 React 的用户界面，允许用户与模型交互并管理 MCP 服务器，显示工具调用结果和思考过程
多协议 MCP 集成：提供 STDIO、StreamableHTTP、SSE 模式的 MCP 集成支持
多模型提供商支持：支持 Bedrock、OpenAI 及兼容模型，满足不同场景需求

结语

基于 Strands Agents SDK 构建的招聘智能体不仅展现了开源 AI 智能体技术的强大潜力，更证明了模型驱动方法在企业级应用中的实用价值。通过简化智能体开发门槛（预置工具与模板）、强化多环节协同能力（工作流编排与多智能体协作）、适配云原生弹性架构，将招聘从 “人工主导的碎片化流程” 转化为 “智能体驱动的自动化流水线”。

这一方案帮助企业从繁琐的基础筛选中解放出来，能够将更多精力投入到候选人沟通、薪酬谈判等高价值环节，最终实现效率提升、质量优化与业务突破。

*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。

参考链接

翰德 Hudson 携手亚马逊云科技，基于 MCP Agent 重塑智能招聘新范式：https://aws.amazon.com/cn/blogs/china/hudson-reshapes-the-new-paradigm-of-intelligent-recruitment-based-on-mcp-agent
亚马逊云科技中国区构建 Agentic AI 应用实践指南：https://aws.amazon.com/cn/blogs/china/practical-guide-to-building-agentic-ai-applications-for-aws-china-region
sample_agentic_ai_strands：https://github.com/aws-samples/sample_agentic_ai_strands/tree/master

亚马逊AWS官方博客