interviewstreet/hiring-agent

何を解決するか

50,000件以上のインターン応募（例）のような大量の求職応募書類を処理する課題に対処し、採用担当者が最初に読むべき応募書類をランキング化することで、採用担当者が優先順位をつけるのを支援します。最低スコアの候補者だけを除外し、大多数の候補者は人間によるレビューに残す、公正で説明可能な評価プロセスを提供することを目指しています。

動作方法

このシステムは、候補者を評価するためのマルチステージパイプラインを使用しています：

1. PDF抽出: PyMuPDF を使用して、履歴書のPDFをMarkdownに似たテキストに変換します。
2. セクション解析: Jinjaテンプレートを介したLLMプロンプトを使用して、職務経験、教育、スキルなどのセクションの構造化されたJSONデータを抽出します。
3. GitHubの拡張: 履歴書からGitHubプロフィールを特定し、リポジトリデータを取得し、コミット数の閾値に基づいて最も意味のあるプロジェクト上位7件を選定するためのLLMを使用します。
4. 評価: role.json とJinjaテンプレートで定義された特定の役割の評価基準に従って、抽出されたデータをスコア付けし、カテゴリスコア、ボーナスポイント、減点を計算します。
5. 出力: 読みやすいレポートを生成し、開発モードでは結果をCSVファイルにエクスポートします。

対象ユーザー

客観的で役割固有の評価基準に基づいて大量の履歴書を優先順位付けする必要がある採用担当者や採用マネージャー、また自動化された履歴書スコアリングシステムの構築や学習を希望する開発者。

特徴

• ローカルまたはクラウドLLM: Ollama（例：Gemma）を介したローカル実行またはGoogle Geminiを介したクラウドベースのモデルをサポートします。
• 役割固有の評価基準: ユーザーが独自のスコア付けカテゴリ、重み、基準を持つカスタム役割を定義できます。
• GitHub統合: GitHubからの実際のコード貢献信号で履歴書データを拡張します。
• 説明可能なスコアリング: 各スコア付けに根拠を提示し、評価を「ブラックボックス」ではなく透明なものにします。