大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

# 智能简历筛选系统 (Resume Screener)

这是一个基于大型语言模型（LLM）的智能简历筛选系统。它旨在通过自动化和智能化的方式，提高招聘流程中简历筛选环节的效率和准确性。 备注：需求来源：实战案例：从 0 到 1 搭建 LLM 智能简历筛选 Agent 系统（设计+实现）

功能特性

• 自然语言交互: 理解HR以自然语言形式提出的筛选需求。
• 智能信息提取: 利用LLM从PDF简历和JD中提取结构化信息。
• 量化匹配算法: 结合语义理解和结构化信息，对候选人进行多维度量化评估。
• 多层次筛选: 实施语义初筛 -> 硬性条件过滤 -> 综合评分排序的漏斗式流程。
• 候选人分析: 为HR提供候选人匹配度分析与建议。
• RESTful API接口: 提供易于集成的Web API接口

项目结构

resume_screening/ ├── app/ # 主应用代码 │ ├── api/ # API路由和接口定义 │ ├── core/ # 核心业务逻辑 (如解析、检索、评分) │ ├── models/ # 数据模型 (Pydantic/SQL) │ ├── utils/ # 工具函数和辅助类 │ └── main.py # 应用入口点 ├── data/ # 数据文件 (如简历样本、模型缓存) ├── cache/ # 缓存文件 ├── chroma_db/ # 向量数据库 ├── config/ # 配置文件 (如环境变量、系统设置) ├── notebooks/ # 探索性数据分析和原型开发 Jupyter Notebook ├── tests/ # 单元测试和集成测试 ├── requirements.txt # Python 依赖包列表 ├── Dockerfile # Docker配置文件 ├── .env.example # 环境变量示例文件 └── README.md # 项目说明文件 (即本文件) 

快速开始

环境准备

1. 克隆项目代码 (如果适用)
2. 创建虚拟环境:

   python -m venv venv # Windows venvScriptsactivate # macOS/Linux # source venv/bin/activate 

3. 安装依赖:

   pip install -r requirements.txt 

配置环境变量

复制 .env.example 文件并重命名为 .env，然后填写相应的配置信息：

cp .env.example .env 

编辑 .env 文件，填写你的OpenAI API密钥和其他配置：

OPENAI_BASE_URL=https://api.openai.com/v1 OPENAI_API_KEY=your_openai_api_key 

运行应用

# 开发模式运行 uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload # 生产模式运行 uvicorn app.main:app --host 0.0.0.0 --port 8000 

运行测试

# 运行所有测试 python -m pytest tests/ -v # 运行特定测试 python -m pytest tests/test_core_modules.py -v 

使用Docker部署

构建Docker镜像

docker build -t resume-screening . 

运行Docker容器

docker run -d --name resume-screening -p 8000:8000 -v $(pwd)/data:/app/data -v $(pwd)/cache:/app/cache -v $(pwd)/chroma_db:/app/chroma_db --env-file .env resume-screening 

API接口

健康检查

GET /api/v1/health 

检查系统是否正常运行。

响应示例：

{ "status": "ok" } 

上传简历

POST /api/v1/resumes 

上传一份简历文件（PDF格式）进行处理和索引。

请求参数：

• file (form-data): 简历文件，支持PDF格式

响应示例：

{ "resume_id": "a1b2c3d4-e5f6-7890-g1h2-i3j4k5l6m7n8", "message": "简历 'zhangsan_resume.pdf' 上传成功" } 

提交筛选查询

POST /api/v1/queries 

提交自然语言形式的筛选查询。

请求体：

{ "query_text": "寻找3年以上经验的Python后端工程师，熟悉Django框架，有互联网公司工作经验，期望薪资20K以上" } 

响应示例：

{ "query_id": "q1w2e3r4-t5y6-7890-u1i2-o3p4q5r6s7t8", "message": "查询提交成功" } 

获取筛选结果

GET /api/v1/results/{query_id} 

根据查询ID获取筛选结果。

路径参数：

• query_id (string): 查询ID

响应示例：

{ "query_id": "q1w2e3r4-t5y6-7890-u1i2-o3p4q5r6s7t8", "query_text": "寻找3年以上经验的Python后端工程师，熟悉Django框架，有互联网公司工作经验，期望薪资20K以上", "total_candidates": 1, "candidates": [ { "id": "a1b2c3d4-e5f6-7890-g1h2-i3j4k5l6m7n8", "rank": 1, "name": "张三", "email": "", "phone": "", "overall_score": 0.95, "skill_scores": [ { "name": "Python", "score": 0.9 } ], "work_experience": [ { "company": "互联网公司", "title": "软件工程师", "start_date": "2020-01", "end_date": "2023-12", "description": "负责后端开发工作" } ], "education": [ { "institution": "清华大学", "major": "计算机科学与技术", "degree": "本科", "start_date": "2016-09", "end_date": "2020-06" } ], "skills": ["Python", "Django", "MySQL"], "expected_salary": "20K-30K", "preferred_locations": ["北京"], "analysis": "这是一位经验丰富的Python开发者..." } ], "created_at": "2025-08-11T10:30:00" } 

获取简历详情

GET /api/v1/resumes/{resume_id} 

根据简历ID获取简历详细信息。

路径参数：

• resume_id (string): 简历ID

响应示例：

{ "id": "a1b2c3d4-e5f6-7890-g1h2-i3j4k5l6m7n8", "filename": "zhangsan_resume.pdf", "text": "张三的简历内容...", "metadata": { "name": "张三", "email": "", "skills": ["Python", "Django"] }, "created_at": "2025-08-11T10:30:00" } 

配置

系统配置项应定义在 config/ 目录下。通常包括：

• LLM API 密钥
• 向量数据库连接信息
• 文件存储路径
• 日志级别

开发指南

添加新的核心模块

1. 在 app/core/ 目录下创建新的模块文件
2. 实现模块功能
3. 添加相应的测试文件到 tests/ 目录
4. 更新API路由以集成新模块

扩展API接口

1. 在 app/api/models.py 中添加新的数据模型
2. 在 app/api/routes.py 中添加新的路由
3. 添加相应的测试

遵循的开发规范

• 遵循 PEP 8 Python 代码风格指南。
• 为新功能编写单元测试。
• 使用类型提示 (Type Hints)。
• 通过 Pull Request 进行代码贡献。

许可证

MIT License