AI帮你筛简历：开源Hiring Agent，一键评估候选人真实水平

输入一份PDF简历，自动提取结构化信息
结合GitHub代码信号，输出公平、可解释的评分
全程可本地运行，数据不外传

📋 先看痛点：招聘筛简历，为什么又慢又不准？

你是一个技术团队的招聘负责人、HR、或者技术面试官。

你收到100份简历，要从中找出合适的候选人。

问题来了：

• 每份简历5分钟 → 100份要花 8小时以上，还不一定能看完
• 简历里的“项目经历”可能夸大 → 你没法验证
• GitHub上写了“贡献过开源项目” → 你真的会去一个个查吗？
• 不同人的简历格式不同 → 比较起来很困难
• 评估标准不统一 → 不同面试官看法不同

核心矛盾：

简历太多，看不过来；简历里的信息不可验证；评估标准主观。但招聘又必须做——每个错过的优秀候选人和每个被误招的不合适的人，都代价巨大。

✅ Hiring Agent 的解法

Hiring Agent 是一个开源的、AI驱动的简历评估工具。

一句话：输入PDF简历 → AI提取结构化信息 + GitHub信号 → 输出公平、可解释的评分

它不做“简历是否通过”的武断判断。它做的是：

你可以完全本地运行（用Ollama），也可以用Google Gemini API。数据不需要上传到任何第三方。

🔥 它解决了什么？

1. 手工看简历 vs AI提取结构化信息

2. 简历内容 vs GitHub真实代码信号

3. 主观判断 vs 可解释评分

它不替你做决定。它帮你做决定前，把候选人的信息整理好、量化好、对比好。

📦 工作流程（五个步骤）

PDF简历 → 提取文本 → 分块提取结构化数据 → GitHub信号补充 → 评分输出

第1步：PDF转文本

用 pymupdf_rag.py 把PDF转换成Markdown格式的文本。

第2步：分块提取结构化信息

用LLM按模块提取：

• 基本信息（Basics）：姓名、邮箱、位置、个人链接
• 工作经历（Work）：公司、职位、时间、描述
• 教育背景（Education）：学校、专业、学历、时间
• 技能（Skills）：技术栈、工具、语言
• 项目（Projects）：项目名称、描述、技术栈、链接
• 获奖（Awards）：奖项名称、时间、级别

每个模块有独立的提示词模板（prompts/templates/*.jinja），确保提取的一致性和准确性。

第3步：GitHub信息补充

• 从简历里提取GitHub用户名
• 拉取个人资料和仓库列表
• 用LLM从候选人的所有仓库里选出最重要的7个
• 分类：开源项目 / 个人项目 / 课程项目 / 生产项目

第4步：综合评估

评估维度：

• 开源贡献（Open Source）：贡献了多少开源项目？影响力如何？
• 个人项目（Self Projects）：独立完成的项目质量和复杂度
• 生产项目（Production）：有没有在生产环境中使用过的项目？
• 技术技能（Technical Skills）：技术栈的广度和深度

加减分机制：

• 加分：有影响力的开源贡献、技术博客、专利、获奖
• 减分：GitHub活跃度低、项目描述模糊、技术栈过时

第5步：输出报告

• 控制台打印可读的评分报告
• CSV导出（开发模式）：resume_evaluations.csv，包含关键字段
• 中间结果缓存（开发模式）：cache/ 目录

输出示例：

📊 评估报告：候选人_X

开源贡献：72/100（3个活跃开源项目，7次贡献）
个人项目：58/100（2个项目，其中1个有技术深度）
生产项目：—（无生产级项目）
技术技能：65/100（Python/Go/React）

加分项：
+5 有技术博客，月访问1000+
+3 1个开源项目被50+人fork

减分项：
-5 GitHub活跃度低（近3个月无提交）
-3 项目描述缺少技术细节

综合推荐：★★★☆☆（3.5/5）
证据：详见评估详情…

🚀 怎么用？

前提条件

• Python 3.11+
• 一个LLM后端（任选）：
  • Ollama（本地免费）：ollama pull gemma3:4b
  • Google Gemini（需要API Key）

安装

git clone 项目地址
cd hiring-agent

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

pip install -r requirements.txt

配置

cp .env.example .env

在 .env 里设置：

LLM_PROVIDER=ollama # 或 gemini
DEFAULT_MODEL=gemma3:4b
GEMINI_API_KEY=your-key # 如果用Gemini
GITHUB_TOKEN=your-token # 可选，提升API配额

运行

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

输出：控制台打印评估报告 + CSV（开发模式）。

🎯 谁最适合用？

一个典型的“批量筛选”场景

问题：某科技公司收到300份技术岗简历。HR团队只有2个人，要在一周内筛出50份进入下一轮。

传统方式：每人分150份，每份5-8分钟，总计10-20小时。精神疲劳后判断质量下降。

Hiring Agent方式：

时间：300份简历，自动化跑完约30分钟（模型推理时间）。HR用2小时看完高分候选人的详细报告。

效率提升：10倍以上。

⚙️ 技术亮点

1. 模块化设计，可替换每个环节

2. 严格的评分约束

• 避免“套利”：不能用“我参与了Linux内核开发”拿高分，必须提供可验证的GitHub证据
• 保证公平：同样条件下，评分标准一致
• 证据驱动：每条分数都要有具体依据

3. 缓存机制（开发模式）

• PDF解析结果缓存，不用重复读文件
• GitHub数据缓存，不用重复拉取API
• 方便迭代调试和批量跑

⚠️ 注意事项

1. 它不是“决策工具”，是“信息工具”

• 它提供结构化的评分和证据
• 最终招不招，还是要看面试、文化匹配、团队需求

2. GitHub不是唯一的评估维度

• 候选人可能没有GitHub账号（尤其是非技术岗或资深专家）
• 没有GitHub信号时，评分会依赖其他维度

3. 本地运行需要足够的硬件

• 4B模型（如gemma3:4b）在普通笔记本上可跑
• 更大模型需要更多内存/显存

🔗 链接

• GitHub：github.com/interviewstreet/hiring-agent
• 许可证：MIT
• 作者：HackerRank

✅ 总结

Hiring Agent —— 让简历筛选，从“凭感觉”变成“看证据”。
MIT协议，开源免费，数据自托管。