interviewstreet/hiring-agent

해결하는 문제

예를 들어 50,000건 이상의 인턴십 지원서와 같은 막대한 양의 채용 지원서를 처리하는 문제를 해결하며, 채용 담당자가 먼저 읽어야 할 지원서를 순위 매김함으로써 우선순위를 정하는 데 도움을 줍니다. 최저 점수를 받은 지원자만 제외하고 대부분의 지원자는 인간의 검토를 위해 남기며 공정하고 설명 가능한 평가 과정을 제공하는 것을 목표로 합니다.

작동 방식

이 시스템은 다단계 파이프라인을 사용하여 지원자를 평가합니다:

1. PDF 추출: PyMuPDF를 사용하여 이력서 PDF를 마크다운과 유사한 텍스트로 변환합니다.
2. 섹션 파싱: Jinja 템플릿을 통해 LLM 프롬프트를 사용하여 직무 경험, 교육, 기술 등의 섹션에 대한 구조화된 JSON 데이터를 추출합니다.
3. GitHub 확장: 이력서에서 GitHub 프로필을 식별하고, 리포지토리 데이터를 가져오며, 커밋 기준을 기반으로 가장 의미 있는 프로젝트 상위 7개를 LLM을 사용해 선택합니다.
4. 평가: role.json과 Jinja 템플릿에 정의된 특정 역할의 평가 기준에 따라 추출된 데이터를 평가하여 카테고리 점수, 보너스 포인트, 감점 항목을 계산합니다.
5. 출력: 읽기 쉬운 보고서를 생성하며, 개발 모드에서는 결과를 CSV 파일로 내보냅니다.

대상 사용자

객관적이고 역할에 특화된 평가 기준에 따라 대량의 이력서를 우선순위 매길 필요가 있는 채용 담당자 및 채용 매니저, 또는 자동화된 이력서 평가 시스템을 구축하거나 공부하고자 하는 개발자입니다.

주요 특징

• 로컬 또는 클라우드 LLM: Ollama(Gemma 등)를 통해 로컬 실행 또는 Google Gemini를 통해 클라우드 기반 모델을 지원합니다.
• 역할 기반 평가 기준: 사용자가 자체 스코어링 카테고리, 가중치, 기준을 가진 사용자 정의 역할을 정의할 수 있습니다.
• GitHub 통합: GitHub에서 실제 코드 기여 신호를 통해 이력서 데이터를 보강합니다.
• 설명 가능한 평가: 각 점수에 대한 근거를 제공하여 평가를 '블랙박스'가 아닌 투명하게 만듭니다.