简历数据生成器服务的是一个很容易被低估的场景：招聘系统、简历解析器和候选人管理后台都需要大量结构真实的履历数据，而拿真人简历来测既不合规又不好用。合成履历要解决的正好是这两点，它按真实字段结构拼出工作经历、教育背景、技能与薪资，却不属于任何人。这篇讲清这类样本需要满足什么条件、时间线有哪些必须遵守的规则、字段之间怎么互相约束，以及隐私与留存上的边界。
招聘系统测试需要什么样的样本
招聘系统的输入极不规整。候选人可能上传文件、粘贴文本、从社交资料导入，甚至手打一段经历。解析器要做的是把这些形态各异的输入变成结构化的字段，而测试要验证的正是这一步在各种输入下的表现。
因此样本要覆盖三类形态：结构清晰的格式化简历、用自由文本写成的一段经历、以及字段缺失或顺序错乱的不完整版本。第一类验证正常路径，第二类验证解析器的鲁棒性，第三类验证系统在信息不足时是否给出合理的提示而不是静默丢字段。
字段层面，一份候选档案至少要包含姓名与联系方式、若干段工作经历、教育记录、技能列表，以及可选的证书与语言能力。每段经历要有起止时间、公司名、职位与职责描述；每条教育记录要有学校、学位、专业与起止年份。规模上，几十条足以覆盖解析场景，上千条才会用在检索与排序的性能测试里。固定装置的组织方式见简历解析测试固定装置，整体字段说明见测试职业档案数据说明。
工作经历的时间线有哪些规则?
第一条是顺序。经历通常按时间倒序排列，也有按正序写的，两种都合法，解析器都要认。测试样本里应当两种都有，否则你的排序逻辑只被验证了一半。
第二条是连续性。起止月份要能连成一条时间轴，中间允许出现空窗期，但空窗本身是一个需要被识别的事实，而不是错误。有些系统会据此计算在职年限，如果时间线里有重叠或者断档，算出来的年限就会出错，而这正是要测的分支。
第三条是并发。一个人可能同时做两份兼职，或者在做全职的同时接受教育。这类重叠在真实履历里非常常见，测试数据里必须有，因为按顺序时间校验的实现会把它误判为格式错误。
第四条是当前在职的表示。写着至今的经历，解析器要把它当成没有结束日期，而不是当月结束。跨年度的日期还要注意月份与年份的拆分，不能把两位数年份当成四位数处理。这些规则在工作经历时间线规则里有更细的展开。
职位名称和行业怎么对应
职位名称是招聘系统里检索与匹配的核心字段，但它极其不规范。同一个岗位在不同公司叫法不同，同一个叫法在不同行业又指不同的工作内容。测试数据里如果所有职位都来自同一个职能，你的匹配逻辑就只会走到一条分支。
取样时应当覆盖几种情况：标准职位名、带资历前缀的变体、同一职能的行业化叫法、以及少数拼写不一致但明显指向同一岗位的写法。行业与职位之间也要有一层合理的对应，比如一个制造行业的公司里出现一个互联网特有的岗位名，虽然现实中并非不可能，但作为默认样本会降低数据的可信度。常见的对应关系见各行业的职位名称。
还有一层是职级。初级、资深、主管、总监这些层级影响后续的筛选与薪资估算，样本里应当让层级与工作年限大致匹配，否则按年限推断职级的逻辑会与样本本身矛盾。
学历与技能要怎么组织
教育记录的关键字段是学校、学位、专业与起止年份，加上一个可选的状态字段用来表示在读或者肄业。学校的名称同样存在简称与全称的差别，测试时应当两种都给，验证归一化是否有效。学位与专业之间也存在对应范围，样本里不宜出现明显不可能的组合，否则学历匹配逻辑会把它们当成噪声。
技能是另一类问题。技能的写法五花八门：有的带版本号，有的用缩写，有的把相近技术混写在一起。测试数据里应当包含同类技能的多种写法，再加上一个熟练度字段来验证分级逻辑。分级本身怎么设计，见技能分类与等级。与之相关的还有证书与执照，它们的有效期字段会引入时间维度的断言，参考执照与证书数据。
薪资的币种和周期为什么容易出错
薪资不是单个数字，它至少包含金额、币种与周期三个部分。少了任何一个，这个字段都无法被正确解释：三万可能是月薪也可能是年薪，还可能只是补贴。测试数据必须三条一起给出，缺一不可。
第二个陷阱是币种与所在地的对应。候选人的期望薪资通常以所在地的货币表示，处理跨国招聘时还要涉及汇率换算，而换算会把精度问题引入进来。金额用浮点数存储会导致比较与求和出现尾差，建议按最小货币单位的整数存储。
第三个陷阱是周期的混用。招聘系统里可能同时存在时薪、月薪与年薪，界面如果没有明确标注，用户与系统会各按自己的理解填。测试样本里应当三种周期都有，并且验证排序与筛选在混合周期下是否正确。相关细节见薪资的币种与周期。
候选人表单该测哪些用例
先测输入与解析：上传文件、粘贴文本、手动录入三条路径是否都能得到同一组结构化字段。再测必填与选填的组合：只有姓名时能否保存草稿，缺少联系方式时提交是否被拦。然后测时间线校验：重叠经历是否被提示，未来日期是否被拒。
接着测多语言与字符集：姓名与学校名里带变音符号或非拉丁文字时是否正常显示与检索。然后测状态流转：申请、面试、录用、拒绝这几个阶段之间的跳转与权限。最后测数据更新：候选人修改简历后，已经发出的申请记录是否同步更新。完整清单见招聘表单测试用例。
履历里的空档期要怎么处理?
空档期是筛选与解析逻辑共同的边界。解析器要能容忍时间线上存在未被任何经历覆盖的区段，而不是推断出错误的总工作年限；筛选逻辑则要区分「数据缺失」与「确实没有工作」，这两者在原始履历里看起来一样，在业务含义上完全不同。
重叠的经历同样常见。兼职、顾问、并行创业都会让两段经历在时间上叠加，把它们当成数据错误去拦截，会让一批完全真实的履历无法提交。测试样本里应当各放一条：有清晰空档的、经历相互重叠的、以及只有起止年份没有月份的。
月份缺失是最容易出错的一类。只有年份时，解析器按年初还是年末补齐，会导致工作年限相差将近一年，而这个差值足以让一个候选人在某些筛选规则下从合格变成不合格。补齐策略必须是明确写下的规则，并且同一套规则要用在全部计算里。
还有一条是时间顺序。履历里的经历未必按倒序排列，也未必连续，用户的输入顺序不应被当作可信信息。解析之后应当按解析出的时间自行排序，而不是沿用文档中的顺序。
同一份履历为什么会有多个版本?
因为候选人会针对不同岗位调整措辞，也会用不同的文件格式导出。同一个人的多份文件在字段上高度相似但并不相同：职位名称可能被改写得更贴近目标岗位，技能顺序被调整，自我评价整段替换。把这些文件当成同一份数据处理，会在去重与对比时产生错觉。
格式差异带来的问题更直接。同一份内容导出为不同格式之后，解析结果常常不同：排版用多列时，阅读顺序可能被打乱；用表格排版的履历，字段可能两两错位；用文本框或者图片承载内容的部分，可能整体解析不出来。你的解析器应当在这些变体上分别测过，而不是只测一个最规整的样板。
扫描件与图片型文件是另一类。它们没有可提取的文本层，需要走识别路径，识别结果的不确定性远高于直接抽取。测试时要给这类输入一个明确的预期：要么成功识别并进入同一条后处理流程，要么被明确标记为需要人工处理，而不是静默产出一份内容残缺的记录。
选择测试样本时，覆盖格式的多样性比增加同样格式的样本数量更有价值。三份格式不同的履历能暴露的问题，往往比三十份排版一致的履历更多。
候选人数据要不要做去重?
要做，但判断依据不能只看邮箱。同一个人可能用不同的邮箱投递同一个岗位，也可能用同一个邮箱投递不同岗位，前者是重复投递，后者是有意为之。把两者混为一谈，要么漏掉真正的重复，要么把正常的多次投递合并掉。
可行的做法是分层判断：先用强标识做确定性匹配，例如账号标识或者经过验证的联系方式；再用弱标识做相似度判断，例如姓名、电话尾号与工作经历的交叉比对。命中强标识直接合并，只命中弱标识则标记为疑似并交给人工或者后续流程处理。
测试这一类逻辑时，样本要成对准备。一对只有邮箱不同的同一人记录，用来验证合并；一对姓名相同但经历完全不同的不同人记录，用来验证不被误合并。这两种情况在真实数据里都会出现，而且前者比后者更容易被漏掉。
还有一条与合规相关：用于去重的比对字段应当尽量少，比对完成之后不要长期保留原始副本。去重是目的，堆积个人数据不是，相关边界见人力资源数据的保留规则。
怎么验证简历解析器的准确率?
要先定义什么算对。解析器的输出是一组结构化字段，逐字段比较才有意义：姓名是否完整、联系方式是否拆到正确字段、每段经历的起止时间是否落在原始文本给出的范围内、职位与公司是否对号入座。整份简历只有一半字段对，不能算「大致正确」。
基准则来自你事先标注好的固定样本，而不是让另一个人凭印象判断。每份样本标注一次、进版本控制，之后每次改动解析规则都跑同一批，才能看出准确率是升了还是降了。这也是为什么合成履历特别适合这一场景：样本本身是你生成的，正确答案天然已知。
评估时区分两类错误。漏字段是解析器没提取到，错了位是把内容放进了错误的字段，后者的危害更大，因为它会静默污染下游的筛选与统计。按错误类型分开统计，比只看一个总体准确率更能指导改进。
合成履历的隐私边界
合成履历不属于任何真人，这一点是它最大的价值。它不来自真实简历的改写，也不是把真名替换掉的版本，因此不存在通过字段组合还原到某个具体个人的可能。
但这并不等于完全没有约束。第一，不要用真实人士的姓名与经历去构造样本，即使后面标注了「仅测试」。第二，联系方式要用不会指向真实用户的取值域，避免测试脚本真的往那儿发邮件或者打电话。第三，履历属于个人数据，即使是合成的，也不应当在生产环境里长期留存，测试结束后按计划清理。相关的留存规则见人力资源数据留存，合成数据与匿名化的区别见合成数据与匿名化。
要一批结构完整、时间线自洽的履历样本，打开简历数据生成器，指定数量与行业即可批量导出。这些履历全部是合成出来的测试数据，不对应任何真实候选人，只能用于开发、测试与预发布环境，不能用于冒充他人求职、伪造资历或者欺骗任何核验流程。