开源AI Agent：解析简历PDF、结合GitHub信号、用LLM给出公平评分 | hiring-agent

📌 项目地址：interviewstreet/hiring-agent | ⭐ 2,026 颗星 | 🔧 Python | 📜 未标注

项目核心价值

传统的简历筛选依赖关键词匹配或人工初审，容易忽略候选人的实际技能和开源贡献。Hiring Agent 提供了一条完整的流水线：将 PDF 简历转成 Markdown，用本地或云端 LLM 按章节提取结构化数据，再从 GitHub 获取个人档案和仓库信息，最后给出带分类分数、证据、加分/扣分项的客观评估。整个过程可解释、可复现，并且可以完全在本地运行（通过 Ollama），避免简历数据外传。

对于需要批量处理简历的招聘团队或技术面试官，这个项目可以直接替换掉付费 ATS 系统的初筛环节，或者作为二次筛选的辅助工具。

安装与配置

项目依赖 Python 3.11+，并需要选择一个 LLM 后端（本地 Ollama 或云端 Google Gemini）。

克隆并创建虚拟环境

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

python -m venv .venv
# Linux/macOS
source .venv/bin/activate
# Windows
# .venvScriptsactivate

pip install -r requirements.txt

拉取本地模型（以 Ollama 为例）

# 低配置机器可用 1B 模型
ollama pull gemma3:1b

# 推荐 4B 模型
ollama pull gemma3:4b

# 高配置机器可用 12B 模型获得更好结果
ollama pull gemma3:12b

设置环境变量

cp .env.example .env

编辑 .env 文件，根据你使用的 LLM 后端配置 OLLAMA_MODEL 或 GEMINI_API_KEY 等变量。

如何使用

目前项目没有在 README 中给出完整的 CLI 调用示例，但根据架构描述，主要流程由 score.py 调度：

1. 简历解析：pymupdf_rag.py 将 PDF 转为类似 Markdown 的文本。
2. 结构化提取：pdf.py 按章节（教育、工作经历、技能等）调用 LLM，使用 prompts/templates/ 下的 Jinja 模板。
3. GitHub 增强：github.py 获取候选人的 GitHub 档案和仓库，分类项目，让 LLM 选出最佳 7 个。
4. 评分：evaluator.py 执行带有公平性约束的严格评分。
5. 输出：score.py 组织全流程，在开发模式下输出 CSV。

要运行整个流程，需要准备一份候选人的简历 PDF 和 GitHub 账户（可选）。具体调用命令建议参考项目的 scripts/ 目录或 score.py 的 __main__ 部分。如果你希望直接试用，可以在项目根目录执行 python score.py --help 或阅读源码中的 argparse 定义。

设计亮点与注意事项

亮点

• 完全本地可运行：使用 Ollama 加载模型后，所有数据不离开你的机器，适合处理敏感简历信息。
• GitHub 信号纳入评分：通过分析候选人的个人主页和实际代码仓库，能衡量其开源贡献、代码质量和项目活跃度，弥补传统简历的盲区。
• 可解释的评分：评分不是黑箱，而是给出分类分数（如技能、经验、项目）、证据摘要、加分和扣分理由。招聘者可以直接引用输出结果与候选人沟通。
• 模块化架构：解析、提取、增强、评分各模块独立，方便替换或扩展（例如支持其他简历来源、使用不同 LLM 提供商）。

注意事项

• LLM 质量直接影响结果：使用较小的本地模型（如 1B）可能提取不准确，建议至少使用 4B 模型。如果追求高准确度，可以考虑 Google Gemini（需要 API Key 和网络）。
• 处理 PDF 的局限性：pymupdf_rag 对复杂排版（多栏、图表、非标准字体）可能产生乱序或丢失信息，建议先对简历做简单转换测试。
• 公平性约束：evaluator.py 虽然内置公平性逻辑，但无法完全消除模型自身的偏见。建议在批量使用前对一小批样本进行人工校准。
• 当前缺少完整的 CLI 文档：项目尚在早期（Star 数 2000+），README 中 CLI 部分未展开。如果需要快速上手，需要阅读 score.py 和 cli.py 等源码。

适合谁用

• 招聘团队：希望自动化简历初筛，减少人工偏见，特别是需要结合候选人 GitHub 贡献的岗位（如软件开发、数据科学）。
• 技术面试官：在面试前快速了解候选人的过往项目和代码特点。
• 个人求职者：用自己的简历运行此工具，提前获得客观评分，发现简历中可改进的地方（例如缺少开源项目、项目描述不清晰等）。
• AI/LLM 应用开发者：可以作为 PDF 解析 + LLM 结构化提取 + 多源信号融合的参考案例，学习如何用 Pydantic 定义 Schema、用 Jinja 模板管理 Prompt、用 Ollama 做本地推理。