interviewstreet/hiring-agent

解决的问题

解决处理海量求职申请（例如 50,000+ 份实习生申请）的挑战，通过为简历排名，帮助招聘人员决定优先阅读哪些简历。旨在提供一种公平、可解释的评估流程，仅筛选掉最低分的候选人，而将大多数候选人留给人工评审。

工作原理

该系统使用多阶段管道评估候选人：

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：通过 Jinja 模板使用 LLM 提示，提取工作经历、教育背景、技能等章节的结构化 JSON 数据。
3. GitHub 增强：从简历中识别 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：根据特定职位的评分标准（在 role.json 和 Jinja 模板中定义）对提取的数据进行评分，计算类别分数、加分项和扣分项。
5. 输出：生成可读报告，并在开发模式下将结果导出为 CSV 文件。

适用人群

需要基于客观、职位特定评分标准优先处理大量简历的招聘人员和招聘经理，以及希望构建或研究自动化简历评分系统的开发者。

亮点

• 本地或云端 LLM：支持通过 Ollama（如 Gemma）进行本地执行，或通过 Google Gemini 使用云端模型。
• 职位特定评分标准：允许用户定义自定义职位，包含各自的评分类别、权重和标准。
• GitHub 集成：通过 GitHub 的实际代码贡献信号增强简历数据。
• 可解释评分：为每个评分提供依据，使评估过程透明而非“黑箱”。