每天一个开源项目#20 HackerRank 出品的 AI 简历评分引擎:2492 Stars,本地 LLM 驱动,自动解析 PDF + GitHub 画像 +

94 阅读5分钟

每天一个开源项目#20 HackerRank 出品的 AI 简历评分引擎:2492 Stars,本地 LLM 驱动,自动解析 PDF + GitHub 画像 + 公平打分

日期:2026-06-25
仓库:interviewstreet/hiring-agent
今日 Trending 排名:#4 / 13


📋 项目概览

项目详情
名称Hiring Agent
作者InterviewStreet (HackerRank 旗下)
Stars⭐ 2,492
Forks🍴 619
Open Issues229
语言Python (84.4%) + Jinja (15.6%)
LicenseMIT
创建时间2025-07-29
最近更新2026-06-22
仓库大小106 KB (轻量级)

🎯 一句话总结

HackerRank 官方开源的 AI 简历评估流水线 —— 输入 PDF 简历,输出结构化评分报告。支持完全本地运行(Ollama),自动解析简历各节、关联 GitHub 仓库画像、生成带证据的公平打分。


✨ 核心特性

1. 全流程自动化

  • PDF → Markdown → 结构化 JSON → 评分报告,一条命令完成
  • 支持 Basics、Work、Education、Skills、Projects、Awards 六大节的独立解析
  • Jinja 模板驱动,每个节有独立的 prompt 策略

2. 双 LLM 后端

后端适用场景配置
Ollama完全本地,零 API 费用LLM_PROVIDER=ollama,支持 gemma3:1b/4b/12b
Google Gemini云端高质量LLM_PROVIDER=gemini,需 API Key

3. GitHub 画像增强

  • 从简历中自动提取 GitHub 用户名
  • 获取全部仓库并分类(开源贡献 vs 个人项目)
  • LLM 筛选 Top 7 项目(基于 commit 阈值 + 贡献质量)

4. 公平评估体系

  • 分类评分:open_source、self_projects、production、technical_skills
  • 支持 Bonus 加分和 Deduction 扣分
  • 每项评分附带 Evidence(证据说明),可解释、可审计

5. 开发模式

  • DEVELOPMENT_MODE=True 时自动缓存中间 JSON 到 cache/
  • 评分结果追加到 resume_evaluations.csv,方便批量分析

🏗️ 技术架构分析

┌─────────────┐     ┌──────────────┐     ┌─────────────┐
│  Resume PDF │────▶│  PyMuPDF     │────▶│  Markdown   │
└─────────────┘     │  (pymupdf_rag)│     │  Text       │
                    └──────────────┘     └──────┬──────┘
                                                │
                           ┌────────────────────┘
                           ▼
                    ┌──────────────┐     ┌─────────────┐
                    │  Jinja       │────▶│  Per-Section │
                    │  Templates   │     │  LLM Calls   │
                    │  (6 sections)│     └──────┬──────┘
                    └──────────────┘            │
                                                ▼
                    ┌──────────────┐     ┌─────────────┐
                    │  GitHub API  │────▶│  Enriched   │
                    │  (repos +    │     │  JSON Resume │
                    │   profile)   │     └──────┬──────┘
                    └──────────────┘            │
                                                ▼
                    ┌──────────────┐     ┌─────────────┐
                    │  Evaluator   │────▶│  Score      │
                    │  (fairness   │     │  Report     │
                    │   + evidence)│     │  + CSV      │
                    └──────────────┘     └─────────────┘

关键模块职责

模块职责
pymupdf_rag.pyPDF 转 Markdown,处理标题、链接、表格
pdf.py按节调用 LLM,组装 JSONResume 对象
github.py提取 GitHub 用户名,获取仓库,分类项目
evaluator.py公平评分引擎,输出分类分数 + 证据
score.py端到端编排,CSV 导出
models.pyPydantic 数据模型 + Provider 接口
transform.pyLLM 输出 → JSON Resume 标准格式

📖 README 核心内容摘要

设计理念

Hiring Agent 的核心目标是可解释的公平评估。不同于黑箱 AI 打分,每个分数都附带具体证据(如"候选人在 X 项目中有 150+ commits"),确保评估结果可审计。

技术选型

  • PyMuPDF:高性能 PDF 解析,支持复杂布局
  • Jinja2 模板:将 prompt 工程化,每个简历节独立优化
  • Pydantic:严格的数据验证,确保 LLM 输出可解析
  • Ollama 集成:降低部署门槛,支持离线场景

实际应用

# 一条命令评估简历
python score.py /path/to/resume.pdf

输出包括:

  • 分类评分(开源贡献、个人项目、生产经验、技术技能)
  • Bonus/Deduction 明细
  • 总体评估解释
  • CSV 行记录(开发模式下)

🚀 快速上手指南

1. 克隆 & 安装

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

2. 配置环境

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

3. 准备 LLM

# 方式一:本地 Ollama(推荐)
ollama pull gemma3:4b
ollama serve

# 方式二:Google Gemini
# 在 .env 中设置 GEMINI_API_KEY

4. 运行评估

python score.py ~/resumes/candidate.pdf

📈 增长速度评估

指标数据评价
Star 增长2,492 Stars(创建 11 个月)🟢 稳健增长,HackerRank 品牌背书
Fork 率619 / 2,492 = 24.8%🟢 高 Fork 率说明实际使用多
Issue 活跃度229 Open Issues🟡 社区反馈活跃,需持续维护
最近 Push3 天前 (06-22)🟢 持续维护中
仓库大小106 KB🟢 轻量级,易于 fork 和定制

增长趋势判断

  • 品牌效应:InterviewStreet/HackerRank 是技术招聘领域知名品牌,开源 AI 招聘工具自带流量
  • 实用场景:简历筛选是 HR Tech 核心痛点,市场刚需
  • 本地化优势:支持 Ollama 完全本地运行,满足数据隐私需求

🔥 社区热度数据

今日 Trending 表现

  • 排名:#4 / 13 个热门项目
  • 同榜竞争者:flutter/flutter、apple/container、NousResearch/hermes-agent 等重量级项目
  • 突出重围:在众多知名项目中排名第四,说明社区关注度高

技术亮点分析

  1. HackerRank 背书:招聘领域头部公司开源,可信度高
  2. 完整流水线:不是简单的 PDF 解析器,而是完整的评估系统
  3. 公平性设计:有专门的 fairness constraints,这在 AI 招聘工具中罕见
  4. 本地优先:Ollama 支持让小团队也能用上 AI 简历筛选

潜在改进方向

  • 229 个 Open Issues 说明社区需求旺盛,但也需要更多维护者
  • 可以考虑增加更多 LLM 后端支持(如 DeepSeek、Qwen)
  • 评分标准的可视化和调优工具会是不错的扩展

💡 使用建议

  1. HR 团队:批量处理简历时,开启 DEVELOPMENT_MODE 积累 CSV 数据,用于分析候选人画像
  2. 求职者:可以用这个工具自评简历,了解 AI 会如何解读你的经历
  3. 开发者:Jinja 模板可高度定制,可以针对特定岗位调整评分权重
  4. 数据科学家:结合 CSV 输出做进一步的数据分析和可视化

🔗 相关资源


报告生成时间:2026-06-25 | 数据来源:GitHub Trending