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 Issues | 229 |
| 语言 | Python (84.4%) + Jinja (15.6%) |
| License | MIT |
| 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.py | PDF 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.py | Pydantic 数据模型 + Provider 接口 |
transform.py | LLM 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 Push | 3 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
- HackerRank 背书:招聘领域头部公司开源,可信度高
- 完整流水线:不是简单的 PDF 解析器,而是完整的评估系统
- 公平性设计:有专门的 fairness constraints,这在 AI 招聘工具中罕见
- 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
- 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 - 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
- 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
- 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
- 仓库:github.com/interviewst…
- License:MIT
- Python 版本:3.11+
- Ollama 下载:ollama.com/
- Gemini API Key:aistudio.google.com/api-keys
报告生成时间:2026-06-25 | 数据来源:GitHub Trending