interviewstreet/hiring-agent

解決的問題

解決處理大量求職申請（例如 50,000+ 份實習生申請）的挑戰，透過為履歷排名，協助招聘人員決定哪些履歷應優先閱讀。目標是提供一種公平、可解釋的評估流程，僅篩除最低分的候選人，而將大多數候選人留給人工審核。

工作原理

此系統使用多階段管道評估候選人：

1. PDF 提取：使用 PyMuPDF 將履歷 PDF 轉換為類似 Markdown 的文字。
2. 章節解析：透過 Jinja 模板使用 LLM 提示，提取工作經驗、教育背景、技能等章節的結構化 JSON 數據。
3. GitHub 增強：從履歷中識別 GitHub 帳戶，取得倉儲資料，並使用 LLM 根據提交門檻篩選出最具意義的前 7 個專案。
4. 評估：根據特定職位的評分標準（於 role.json 和 Jinja 模板中定義）對提取的資料進行評分，計算類別分數、加分項與扣分項。
5. 輸出：產生可讀報告，並在開發模式下將結果匯出為 CSV 檔案。

適用對象

需要根據客觀、職位特定評分標準優先處理大量履歷的招聘人員與招聘經理，以及希望建構或研究自動化履歷評分系統的開發者。

亮點

• 本地或雲端 LLM：支援透過 Ollama（如 Gemma）進行本地執行，或透過 Google Gemini 使用雲端模型。
• 職位特定評分標準：允許使用者定義自訂職位，包含各自的評分類別、權重與標準。
• GitHub 整合：透過 GitHub 的實際程式碼貢獻訊號增強履歷資料。
• 可解釋評分：為每個評分提供依據，使評估過程透明而非「黑箱」。