Hiring Agent: 基于 AI 的简历评估与评分智能体

这是什么

interviewstreet/hiring-agent 是一个基于 Python 开发的开源招聘自动化管道（Pipeline），旨在通过大语言模型（LLM）和外部数据源信号，实现简历的自动化解析、增强与客观评估。该项目由 HackerRank 团队维护，在 GitHub 上已获得 1881+ Star。

其核心逻辑是将非结构化的简历 PDF 转化为结构化数据，结合候选人的 GitHub 活动信号，最终生成一份包含分类评分、证据支撑及加减分项的可解释性评估报告。系统支持完全本地化运行（通过 Ollama）或使用云端 API（如 Google Gemini），兼顾了数据隐私与灵活性。

解决的问题

传统简历筛选面临三大痛点：

1. 非结构化数据解析困难：PDF 简历格式千差万别，传统正则或简单 NLP 难以准确提取关键信息（如项目经历、技能栈）。
2. 评估主观性强：人工筛选容易受“光环效应”或隐性偏见影响，缺乏统一、可量化的评分标准。
3. 技术能力验证滞后：仅凭简历文字难以验证候选人的实际编码能力和开源贡献，往往需要后续多轮面试才能确认。

该工具通过自动化流程解决上述问题，将简历解析、背景增强和评分标准化，为招聘团队提供一份“公平、可解释”的初筛参考。

核心功能

1. PDF 到 Markdown 的结构化提取 利用 PyMuPDF 读取 PDF，并通过自定义逻辑将页面内容转换为 Markdown 格式文本。该过程处理了标题、链接、表格及基础排版，为后续 LLM 解析提供高质量输入。

2. 基于模板的分区 JSON 解析 系统不使用单一的 Prompt 处理整份简历，而是通过 prompts/templates/*.jinja 定义严格的指令模板，分别针对基础信息（Basics）、工作经历（Work）、教育（Education）、技能（Skills）、项目（Projects）和奖项（Awards）进行分段解析。LLM 将每部分输出为结构化的 JSON，最终组装成 JSONResume 对象。

3. GitHub 信号增强（Enrichment） 这是该项目的核心差异化功能。系统从简历中提取 GitHub 用户名，自动抓取其个人资料和仓库数据。

   • 项目筛选：调用 LLM 从候选人的仓库中精选出 7 个最具代表性的项目。
   • 贡献度验证：设定最低作者提交阈值，优先选择有实质性贡献的项目，而非仅作为 Fork 或无关项目。

4. 公平且可解释的评估引擎 evaluator.py 模块依据预设的公平性规则和评分标准生成最终报告。

   • 评分维度：包括开源贡献（open_source）、个人项目（self_projects）、生产环境部署经验（production）和技术技能（technical_skills）。
   • 证据链：每个分数都附带具体的证据说明（Evidence），并明确列出加分项（Bonus points）和扣分项（Deductions），确保评估结果透明可追溯。

5. 多后端支持与开发模式

   • LLM 后端：支持本地部署的 Ollama（如 gemma3:4b、gemma3:12b）或云端 Google Gemini。
   • 开发模式（Development Mode）：在 config.py 中启用后，系统会自动缓存 PDF 解析结果和 GitHub 数据至 cache/ 目录，并将每次评估结果追加导出到 resume_evaluations.csv，便于批量处理和迭代调试。

亮点 / 与同类相比

• 引入 GitHub 信号作为硬指标：大多数简历解析工具仅关注文本匹配，而 hiring-agent 通过接入 GitHub API，将“简历上写的”与“实际代码贡献”进行交叉验证，显著提高了对技术人员评估的准确性。
• 细粒度的分段解析策略：不同于端到端的黑盒解析，该项目采用分模块（Sectioned）的 Prompt 工程，每个部分使用独立的 Jinja 模板，提高了对简历特定区域（如技能列表 vs 项目描述）的理解精度。
• 完全可解释的评分体系：输出不仅是一个分数，还包含详细的证据引用和加减分理由。这种“白盒”特性对于 HR 和技术面试官建立信任至关重要。
• 隐私优先的本地化选项：通过支持 Ollama，企业可以在本地运行整个管道，无需将敏感的简历数据和候选人 GitHub 信息发送至第三方 LLM API，满足严格的数据合规要求。

适合谁用 / 上手

适合人群：

• 技术招聘团队（Recruiters）：需要快速初筛大量技术简历，希望借助自动化工具减少重复劳动，并获得更客观的候选人画像。
• CTO/技术负责人：希望快速验证候选人的开源贡献和技术实战能力，作为面试前的参考依据。
• 开发者/极客：对自动化工作流感兴趣，希望利用 LLM 和 Python 构建个人化的简历分析工具。

上手指南：

1. 环境准备：

   • Python 3.11+（项目锁定 .python-version 为 3.11.13）。
   • 安装依赖：pip install -r requirements.txt。

2. 选择 LLM 后端：

   • 本地模式（推荐用于隐私敏感场景）：安装 Ollama 并运行 ollama serve，拉取模型（如 ollama pull gemma3:4b）。
   • 云端模式：获取 Google Gemini API Key。

3. 配置环境变量：

   • 复制 .env.example 为 .env。
   • 设置 LLM_PROVIDER（ollama 或 gemini）。
   • 设置 DEFAULT_MODEL（如 gemma3:4b 或 gemini-2.0-flash）。
   • 若使用 Gemini，需设置 GEMINI_API_KEY。

4. 运行评估：

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

   系统将在终端输出详细的评估报告。若开启 DEVELOPMENT_MODE=True，结果还会保存至 CSV 文件以便后续分析。