interviewstreet/hiring-agent

解决的问题

解决大规模简历（例如 50,000+ 份实习生申请）的排序挑战，帮助招聘人员决定优先审查哪些候选人。目标是提供一个公平、可解释且客观的评估流程，而非作为完整的申请人跟踪系统（ATS）。

工作原理

该项目实现了一个多阶段流水线：

1. PDF 提取：使用 PyMuPDF 将简历 PDF 转换为类似 Markdown 的文本。
2. 章节解析：使用 LLM 和 Jinja 模板提取特定章节（工作经历、教育背景、技能等）的结构化 JSON 数据。
3. GitHub 增强：识别简历中的 GitHub 账户，获取仓库数据，并使用 LLM 根据提交阈值筛选出最具意义的前 7 个项目。
4. 评估：根据 roles/ 中定义的特定角色评分标准（通过 JSON 和 Jinja 模板）对候选人进行评分。系统基于简历和 GitHub 数据中发现的证据，计算类别分数、加分项和扣分项。
5. 输出：生成可读性高的报告，并可将结果导出为 CSV 以供分析。

适用人群

需要自动化处理大量申请者池的初始排序，同时保持评分逻辑透明性和可解释性的招聘人员和招聘经理。

亮点

• 本地或云 LLM：支持通过 Ollama（如 Gemma）进行本地执行，或使用 Google Gemini 和 OpenAI 等云 API。
• 角色导向评分标准：允许用户定义自定义角色，包含各自的评分类别、权重和标准。
• GitHub 集成：通过 GitHub 的真实编码信号增强简历数据。
• 可解释评分：为每个评分提供证据，使评估过程透明化。