Hiring Agent

Hiring Agent是什么？

Hiring Agent利用LLM（大型语言模型）实现端到端简历评估流程：

• 将PDF转为Markdown文本；
• 按章节（基础信息、工作经历、教育、技能、项目、奖项）提取结构化JSON；
• 自动拉取简历中的GitHub信息，筛选高质量项目；
• 基于公平准则进行多维度打分（开源贡献、自建项目、生产经验、技术技能等），附带加分项、扣分项和自然语言解释。

支持完全本地运行（Ollama）或使用Google Gemini API，兼顾隐私与性能。开发模式下还会生成CSV批量评估报告，适合团队批量处理简历。

Hiring Agent 网站截图

核心特色与优势

• 客观公平：使用结构化提示模板和评分准则，减少主观偏差，支持证据溯源。
• GitHub信号增强：自动识别GitHub用户名，拉取仓库、分类项目，并让LLM选出最具代表性的7个项目。
• 灵活部署：本地Ollama零成本，或Gemini快速响应。
• 缓存与导出：自动缓存中间结果，支持CSV批量导出，便于后续分析。
• 开源可扩展：MIT协议，提示模板可自定义，适合HR、科技公司或个人开发者优化。

部署准备

环境要求：

• Python 3.11+（推荐使用项目指定的3.11.13）
• 一个LLM后端：Ollama（本地）或Google Gemini API
• GitHub Token（可选，提升API限额）

步骤1：克隆仓库

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

步骤2：创建虚拟环境并安装依赖

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

pip install -r requirements.txt

步骤3：配置环境变量

cp .env.example .env

编辑.env文件，关键配置：

• LLM_PROVIDER=ollama 或 gemini
• DEFAULT_MODEL=gemma3:4b（Ollama示例）或 gemini-2.0-flash
• GEMINI_API_KEY=你的密钥（使用Gemini时必填）
• GITHUB_TOKEN=你的GitHub Token（可选）

步骤4：准备LLM（推荐Ollama本地运行）

1. 从官网下载安装Ollama。
2. 启动服务：ollama serve
3. 拉取模型：
   Bash

   ollama pull gemma3:4b   # 平衡性能
   # 或 gemma3:12b（更高配置）、gemma3:1b（轻量）

步骤5：修改config.py（可选） 将DEVELOPMENT_MODE = True保持开启，便于缓存和CSV导出。

操作使用指南

核心命令（端到端评估）：

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

运行后，工具会：

1. 解析PDF → Markdown，并按模板提取各章节JSON。
2. 如果检测到GitHub链接，自动拉取并丰富项目数据。
3. 执行评分，输出详细报告，包括各维度分数、证据、加分/扣分理由。
4. 开发模式下，在resume_evaluations.csv追加记录，在cache/目录保存中间JSON。

批量处理建议：

• 编写简单脚本循环调用score.py处理文件夹内所有PDF。
• 分析导出的CSV，进行排序、筛选或进一步数据处理。

常见Tips：

• 首次运行会自动缓存，重复评估同一简历速度更快。
• 简历质量越高（清晰PDF、包含GitHub链接），评估效果越好。
• 可自定义prompts/templates/下的Jinja模板，调整评分标准。
• 遇到问题可查看CONTRIBUTING.md或提交Issue。

注意事项

• 隐私安全：本地Ollama模式下数据不离开本地；使用Gemini时注意API密钥保护。
• 模型选择：本地模型受硬件限制，建议至少8GB内存；Gemini适合快速测试。
• 法律合规：用于合法招聘场景，请遵守数据隐私法规（如GDPR）。
• 持续更新：项目活跃，建议Star仓库并定期pull最新代码。

总结：AI助力招聘智能化

Hiring Agent将繁重的简历筛选工作转化为结构化、可解释的AI流程，大幅提升招聘效率和公平性。无论你是HR、招聘经理还是技术团队，都能通过简单部署快速上手，批量评估候选人。