wehub/interviewstreet--hiring-agent

Fork 0

Files

T

wehub-resource-sync 5c65df4c9a docs: make Chinese README the default

2026-07-13 10:19:39 +00:00

8.2 KiB

Raw Permalink Blame History

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

Hiring Agent

简历转评分流水线（Resume-to-Score pipeline），可从 PDF 提取结构化数据，结合 GitHub 信号进行增强，并输出公平、可解释的评价结果。

概述

Hiring Agent 将简历 PDF 解析为 Markdown，使用本地或托管 LLM 提取分节 JSON，并用 GitHub 个人资料与仓库信号增强数据，最终生成客观评价，包含分类得分、证据、加分项与扣分项。你可以通过 Ollama 完全在本地运行，或使用 Google Gemini。

架构

流程

pymupdf_rag.py 将 PDF 页面转换为类 Markdown 文本。
pdf.py 使用 prompts/templates 下的 Jinja 模板，按章节调用 LLM。
github.py 获取个人资料与仓库，对项目进行分类，并让 LLM 选出前 7 个。
evaluator.py 在公平性约束下执行严格评分评价。
score.py 端到端编排整个流程，并在开发模式开启时写入 CSV。

核心模块

models.py Pydantic 模式（schema）与 LLM 提供商接口。
llm_utils.py 提供商初始化与响应清理。
transform.py 将松散的 LLM JSON 规范化为 JSON Resume 风格。
prompts/ 用于提取与评分的全部 Jinja 模板。

安装与配置

前置要求

Python 3.11+

本仓库将 .python-version 固定为 3.11.13。
一个 LLM 后端（二选一）
- Ollama 用于本地模型从官方网站, 安装，然后运行 ollama serve。
- Google Gemini：如果你有 API 密钥，可从此处. 获取。

使用 pip 快速安装

$ git clone https://github.com/interviewstreet/hiring-agent
$ cd hiring-agent

$ python -m venv .venv
# Linux or macOS
$ source .venv/bin/activate
# Windows
# .venv\Scripts\activate

$ pip install -r requirements.txt

Ollama 模型

拉取你想使用的模型。例如：

$ ollama pull gemma3:4b

如果想要不同结果，可以拉取其他模型，例如：

# For higher system configuration
$ ollama pull gemma3:12b

# For lower system configuration
$ ollama pull gemma3:1b

配置

复制模板并设置环境变量。

$ cp .env.example .env

环境变量

Variable	Values	Description
`LLM_PROVIDER`	`ollama` or `gemini`	选择提供商。默认为 Ollama。
`DEFAULT_MODEL`	for example `gemma3:4b` or `gemini-2.5-pro`	传递给提供商的模型名称。
`GEMINI_API_KEY`	string	当 `LLM_PROVIDER=gemini` 时为必填项。
`GITHUB_TOKEN`	optional	继承自 shell 环境，可改善 GitHub API 速率限制。

提供商映射位于 prompt.py 与 models.py。config.py 文件包含一个标志：

# config.py
DEVELOPMENT_MODE = True  # enables caching and CSV export

迭代期间可保持开启。详见下一节。

工作原理

1) PDF 提取

pymupdf_rag.py 与 pdf.py 使用 PyMuPDF 读取 PDF，并将页面转换为类 Markdown 文本。
to_markdown 例程处理标题、链接、表格及基本格式。

2) 基于模板的章节解析

prompts/templates/*.jinja 为各章节定义严格指令 Basics、Work、Education、Skills、Projects、Awards。
pdf.PDFHandler 按章节调用 LLM，并组装 JSONResume 对象（见 models.py）。

3) GitHub 增强

github.py 从简历 profiles 中提取用户名，获取个人资料与仓库，并对每个项目进行分类。
它让 LLM 恰好选出 7 个不重复的项目，要求达到最低作者提交阈值，并优先选择有意义的贡献。

4) 评价

evaluator.py 使用编码了公平性与评分规则的模板。
得分包括 open_source、self_projects、production 与 technical_skills，以及加分与扣分，随后为证据提供说明。

5) 输出与 CSV 导出

score.py 向 stdout 打印可读摘要。
当 DEVELOPMENT_MODE=True 时，会创建或追加 resume_evaluations.csv（包含关键字段），并在 cache/ 下缓存中间 JSON。

CLI 用法

端到端评分

提供简历 PDF 的路径。

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

执行过程：

若开发模式开启，PDF 提取结果会缓存到 cache/resumecache_<basename>.json。
若在简历中找到 GitHub 个人资料，会获取仓库并缓存到 cache/githubcache_<basename>.json。
评价器打印报告；在开发模式下，会向 resume_evaluations.csv 追加一行 CSV。

目录结构

.
├── .env.example
├── .python-version
├── config.py
├── evaluator.py
├── github.py
├── llm_utils.py
├── models.py
├── pdf.py
├── prompt.py
├── prompts/
│   ├── template_manager.py
│   └── templates/
│       ├── awards.jinja
│       ├── basics.jinja
│       ├── education.jinja
│       ├── github_project_selection.jinja
│       ├── projects.jinja
│       ├── resume_evaluation_criteria.jinja
│       ├── resume_evaluation_system_message.jinja
│       ├── skills.jinja
│       ├── system_message.jinja
│       └── work.jinja
├── pymupdf_rag.py
├── requirements.txt
├── score.py
└── transform.py

提供商详情

Ollama

设置 LLM_PROVIDER=ollama
将 DEFAULT_MODEL 设为任意已拉取的模型，例如 gemma3:4b
models.OllamaProvider 中的提供商封装会调用 ollama.chat

Gemini

设置 LLM_PROVIDER=gemini
将 DEFAULT_MODEL 设为受支持的 Gemini 模型，例如 gemini-2.0-flash
提供 GEMINI_API_KEY
models.GeminiProvider 中的封装会将响应适配为统一格式

贡献

请阅读 CONTRIBUTING.md，了解提交 issue、提出变更与提交 pull request 的详细指南。核心原则包括：

保持 prompt 声明式且与提供商无关。
在不同提供商下用几份真实简历验证变更。
添加或调整无单元测试的冒烟测试（smoke test），以最小输入调用各阶段。

8.2 KiB Raw Permalink Blame History Unescape Escape