interviewstreet/hiring-agent

해결하는 문제

매우 많은 수의 이력서(예: 50,000건 이상의 인턴십 지원서)를 효과적으로 순위 매기는 문제를 해결하여 채용 담당자가 먼저 검토할 후보자를 결정하는 데 도움을 줍니다. 이는 완전한 지원자 추적 시스템(ATS)이 아니라 공정하고 설명 가능하며 객관적인 평가 프로세스를 제공하는 것을 목표로 합니다.

작동 방식

이 프로젝트는 다단계 파이프라인을 구현합니다:

1. PDF 추출: PyMuPDF를 사용하여 이력서 PDF를 마크다운과 유사한 텍스트로 변환합니다.
2. 섹션 파싱: LLM과 Jinja 템플릿을 사용하여 특정 섹션(경력, 교육, 기술 등)의 구조화된 JSON 데이터를 추출합니다.
3. GitHub 강화: 이력서에서 GitHub 프로필을 식별하고, 리포지토리 데이터를 가져오며, 커밋 기준을 기반으로 가장 의미 있는 프로젝트 상위 7개를 LLM으로 선택합니다.
4. 평가: roles/ 내부의 JSON과 Jinja 템플릿으로 정의된 특정 역할용 평가 기준에 따라 후보자를 평가합니다. 이력서와 GitHub 데이터에서 발견된 증거를 바탕으로 카테고리 점수, 보너스 포인트, 감점 항목을 계산합니다.
5. 출력: 가독성 높은 보고서를 생성하고, 분석을 위해 CSV로 결과를 내보낼 수 있습니다.

대상 사용자

대량의 지원자 풀의 초기 순위 매김을 자동화하고자 하며, 평가 로직의 투명성과 설명 가능성을 유지하고자 하는 채용 담당자 및 채용 매니저에게 적합합니다.

주요 특징

• 로컬 또는 클라우드 LLM: Ollama(Gemma 등)를 통한 로컬 실행 또는 Google Gemini, OpenAI 등의 클라우드 API를 지원합니다.
• 역할 기반 평가 기준: 사용자가 자체적인 평가 카테고리, 가중치, 기준을 가진 사용자 정의 역할을 정의할 수 있습니다.
• GitHub 통합: GitHub에서의 실제 코드 활동 신호로 이력서 데이터를 보강합니다.
• 설명 가능한 평가: 모든 점수에 대한 근거를 제공하여 평가 과정을 투명하게 만듭니다.