hiring-agent

从简历PDF中自动提取结构化数据，结合GitHub仓库信号，利用本地LLM或Gemini进行公平可解释的评分。亮点在于完全本地可运行（Ollama），支持多种LLM后端，且内置公平性约束和证据驱动的评分规则，适合招聘场景下快速初筛。今日新增152星，反映其解决简历筛选痛点的实用价值。

README

Hiring Agent（招聘代理）

简历到评分管道：从 PDF 中提取结构化数据，借助 GitHub 信号进行丰富，并输出公平、可解释的评估。

概述

Hiring Agent 将简历 PDF 解析为 Markdown，利用本地或托管的 LLM 提取分节的 JSON，通过 GitHub 个人资料和仓库信号丰富数据，然后生成包含类别评分、证据、加分项和扣分项的客观评估。你可以使用 Ollama 完全本地运行，或使用 Google Gemini。

架构

流程

pymupdf_rag.py 将 PDF 页面转换为类似 Markdown 的文本。
pdf.py 使用 prompts/templates 下的 Jinja 模板按节调用 LLM。
github.py 获取个人资料和仓库，对项目进行分类，并要求 LLM 选出前 7 个。
evaluator.py 执行带有公平性约束的严格评分评估。
score.py 端到端编排所有步骤，并在开发模式下写入 CSV。

关键模块

models.py Pydantic 模式和 LLM 提供商接口。
llm_utils.py 提供商初始化和响应清理。
transform.py 将松散 LLM JSON 标准化为 JSON Resume 格式。
prompts/ 所有用于提取和评分的 Jinja 模板。

安装与设置

前提条件

Python 3.11+

代码仓库将 .python-version 固定为 3.11.13。
一个 LLM 后端（任选其一）
- Ollama 用于本地模型从官网安装，然后运行 ollama serve。
- Google Gemini 如果你有 API 密钥，可在此获取。

使用 pip 快速设置

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

$ python -m venv .venv
# Linux 或 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

如果你想要不同结果，可以拉取其他模型，例如：

# 适用于较高系统配置
$ ollama pull gemma3:12b

# 适用于较低系统配置
$ ollama pull gemma3:1b

配置

复制模板并设置你的环境变量。

$ cp .env.example .env

环境变量

变量	值	描述
`LLM_PROVIDER`	`ollama` 或 `gemini`	选择提供商，默认为 Ollama。
`DEFAULT_MODEL`	例如 `gemma3:4b` 或 `gemini-2.5-pro`	传递给提供商的模型名称。
`GEMINI_API_KEY`	字符串	当 `LLM_PROVIDER=gemini` 时必须设置。
`GITHUB_TOKEN`	可选	继承自 shell 环境，可提升 GitHub API 速率限制。

提供商映射位于 prompt.py 和 models.py 中。config.py 文件含有一个标志：

# config.py
DEVELOPMENT_MODE = True  # 启用缓存和 CSV 导出

你可以在迭代期间保持开启。详见下一节。

工作原理

1) PDF 提取

pymupdf_rag.py 和 pdf.py 使用 PyMuPDF 读取 PDF 并将页面转换为类似 Markdown 的文本。
to_markdown 函数处理标题、链接、表格和基本格式化。

2) 使用模板进行节解析

prompts/templates/*.jinja 为每个部分定义了严格指令：基本信息、工作经历、教育背景、技能、项目、获奖情况。
pdf.PDFHandler 按节调用 LLM 并组装出一个 JSONResume 对象（见 models.py）。

3) GitHub 丰富

github.py 从简历个人资料中提取用户名，获取个人资料和仓库，并对每个项目进行分类。
它要求 LLM 精确选出 7 个独特的项目，并设置最低作者提交阈值，优先考虑有意义的贡献。

4) 评估

evaluator.py 使用编码了公平性和评分规则的模板。
评分包括 open_source、self_projects、production 和 technical_skills，外加加分和扣分，然后给出证据说明。

5) 输出与 CSV 导出

score.py 向标准输出打印可读摘要。
当 DEVELOPMENT_MODE=True 时，它会创建或追加 resume_evaluations.csv，其中包含关键字段，并将中间 JSON 缓存到 cache/ 目录下。

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：

如果开发模式开启，PDF 提取结果将被缓存到 cache/resumecache_<basename>.json。
如果简历中找到 GitHub 个人资料，仓库将被获取并缓存到 cache/githubcache_<basename>.json。
评估器打印报告，并在开发模式下将一行 CSV 追加到 resume_evaluations.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 中的提供商封装器调用 ollama.chat

Gemini

设置 LLM_PROVIDER=gemini
将 DEFAULT_MODEL 设为一个受支持的 Gemini 模型，例如 gemini-2.0-flash
提供 GEMINI_API_KEY
models.GeminiProvider 中的封装器将响应适配为统一格式

贡献

请阅读 CONTRIBUTING.md 获取有关提报问题、提议变更和提交拉取请求的详细指南。关键原则包括：

保持提示词声明式且与提供商无关。
使用不同提供商下的几份真实简历验证更改。
添加或调整无单元烟雾测试，以最小输入调用每个阶段。

许可证

开源项目interviewstreet2026-06-24原文

打开互动版