【hiring-agent】自动化简历评估：让 PDF 筛选变透明、可解释

这是一个将简历 PDF 自动转化为结构化评分的自动化流水线。它通过大语言模型精准提取简历信息，并融合公开的 GitHub 贡献信号，最终输出一份公平、可追溯的综合技术评估报告，有效解决了传统简历筛选中主观性强、信息难以量化的问题。

核心特性
– 多模块结构化提取：内置专业提示词模板，自动将 PDF 简历解析为 Markdown，并严格按基础信息、工作/教育经历、技能、项目等维度调用大模型提取，输出标准化 JSON。
– GitHub 实战数据增强：自动识别简历中的 GitHub 账号，拉取个人资料与仓库列表，由模型智能筛选出 7 个最具代表性的项目，补充真实编码贡献与技术栈维度。
– 公平透明的评分体系：基于预设的公平性约束与评分规则进行自动化打分，涵盖开源贡献、自研项目、生产经验及专业技能等类别，并明确列出加分项、扣分项与支撑证据。
– 双引擎灵活切换：完整支持完全本地化的 Ollama 部署，也兼容云端 Google Gemini 服务，用户可根据数据隐私要求与算力条件自由切换。
– 友好的调试与批量机制：开启开发模式后，系统会自动缓存中间解析数据，并将最终评估结果自动追加至 CSV 文件，便于迭代测试与批量归档。

安装与快速使用
项目基于 Python 3.11+ 构建，依赖管理简单，配置后即可一键运行：

# 1. 获取代码并创建独立环境
git clone https://github.com/interviewstreet/hiring-agent
cd hiring-agent
python -m venv .venv
source .venv/bin/activate  # Windows 请使用 .venv\Scripts\activate

# 2. 安装依赖并初始化配置文件
pip install -r requirements.txt
cp .env.example .env

# 3. 准备大模型（以本地 Ollama 为例）
ollama pull gemma3:4b

在 .env 文件中按需配置 LLM_PROVIDER、模型名称及 API Key 后，即可通过命令行对任意简历进行端到端打分：

python score.py /path/to/resume.pdf

适用场景与目标用户
该工具主要面向技术岗位招聘的初筛环节、开源项目贡献者资质审核，以及团队内部的技术人才盘点。目标用户为追求筛选效率与决策透明度的技术招聘负责人、HR 团队以及中小型研发团队。其架构设计允许数据完全在本地闭环流转，因此特别适合对候选人隐私保护要求严格、或希望将简历筛选流程集成到内部 DevOps/HR 系统的技术管理者。

总结
该项目以清晰的模块化架构打通了“文档解析-信息提取-外部信号增强-量化评分”的完整链路，将依赖人工经验的简历审阅转化为可追溯的客观指标体系。其兼顾本地部署灵活性与评分规则严谨性的设计，为 AI 辅助招聘流程提供了一个轻量且务实的工程实践参考。建议访问其主页获取更详细的提示词调优指南与企业级集成示例。