Hiring Agent

在传统的招聘流程中，简历筛选往往充满主观性，且难以验证候选人的实际工程能力。Hiring Agent 是一个开源的自动化评估工具，它通过将 PDF 简历解析为结构化数据，并结合 GitHub 仓库信号进行深度丰富，最终生成一份客观、可解释且注重公平性的评分报告。该工具支持完全本地化运行（通过 Ollama），确保候选人数据的隐私安全。

核心工作流：从 PDF 到多维评分

Hiring Agent 的处理流程分为五个关键步骤，旨在将非结构化的简历转化为可量化的工程能力指标：

1. PDF 提取与标准化：
   使用 PyMuPDF 将简历 PDF 转换为类 Markdown 格式，保留标题、表格和基本格式，为后续的结构化提取奠定基础。
2. 分段结构化解析：
   利用 Jinja 模板提示词，调用 LLM 按部分（基本信息、工作经历、教育背景、技能、项目等）提取数据，并组装成标准的 JSON Resume 格式。这种分段处理提高了提取的准确性和容错率。
3. GitHub 信号丰富：
   这是该工具的核心亮点。它自动从简历中提取 GitHub 用户名，获取其个人资料和公开仓库。通过分类算法和 LLM 辅助，筛选出最具代表性的 7 个独特项目（设有最低提交阈值以确保贡献真实性），从而验证候选人的实际编码能力和开源参与度。
4. 公平性约束评估：
   evaluator.py 模块运行严格的评分逻辑，内置了公平性约束以减少偏见。评分维度包括：
   • Open Source：开源贡献的质量与活跃度。
   • Self Projects：个人项目的复杂度与完整性。
   • Production：生产环境相关的经验与技能。
   • Technical Skills：技术栈的深度与广度。
   • 加分/扣分项：基于具体证据的量化调整。
5. 输出与缓存：
   生成包含分数、详细证据及解释的可读报告。在开发模式下，所有中间 JSON 数据和最终评分会导出为 CSV 文件，便于批量处理与回溯分析。

技术架构与隐私保护

• 本地优先：默认支持通过 Ollama 运行本地模型（如 Gemma 3 系列），确保敏感的简历数据不会上传至第三方云端 API。
• 灵活后端：同时也支持 Google Gemini API，用户可根据性能需求和本地硬件条件自由选择。
• 模块化设计：基于 Pydantic 模式定义数据结构，通过 llm_utils.py 统一不同 LLM 提供者的接口，易于扩展和维护。

快速开始

1. 环境准备

git clone https://github.com/interviewstreet/hiring-agent
cd hiring-agent
python -m venv .venv
source .venv/bin/activate  # Linux/macOS
pip install -r requirements.txt

2. 配置 LLM

• 本地模式 (Ollama)：

  ollama pull gemma3:4b  # 或根据显存选择 1b/12b
  

• 云端模式 (Gemini)：
  获取 API Key 并在 .env 文件中配置。

3. 设置环境变量

cp .env.example .env
# 编辑 .env，设置 LLM_PROVIDER, DEFAULT_MODEL 等

4. 运行评估

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

适用场景

• 技术团队招聘：快速筛选大量工程师简历，通过 GitHub 真实代码贡献验证技术实力。
• 开源社区招募：客观评估贡献者的项目质量与技术匹配度。
• 公平招聘实践：通过标准化的评分维度和证据链，减少人为偏见，提升招聘过程的透明度。

Hiring Agent 不仅是一个简历解析器，更是一个连接“纸面经历”与“实际代码”的桥梁。它让招聘决策建立在可验证的工程信号之上，为构建高效、公平的技术团队提供了有力的工具支持。