hiring-agent：让AI简历评估像资深HR一样公正可解释

hiring-agent这个项目做的事情很具体：把候选人简历（PDF）喂给 AI，AI 输出"是否值得面试"的评分报告，而且每一条打分都能追到具体证据。

对很多 HR 团队来说，AI 评估简历一直有两个老问题："HR 主观判断"标准不透明、"ATS 关键词匹配"刷掉一堆真人才。这个项目恰好踩在两者之间的真空地带。

榜上的 OpenMontage、hermes-agent、harness 之前都聊过。今天重点聊第 4 名——hiring-agent，因为它的"评分可解释性"思路，和其他纯生成式 Agent 不太一样。

一、hiring-agent 是什么？

1.1 一句话定义

它是一个本地运行的 AI 简历评估代理——把 PDF 简历喂进去，输出一个标准化的 JSON 评分报告，同时附带可读的候选人总结。

它和市面上常见的"AI 简历筛选器"最大的区别是：评分维度是固定的、可解释的、每一项都能追到原文档的引用。

1.2 它做了哪些具体的事

PDF 转 Markdown：
用 PyMuPDF（一个 Python 的 PDF 解析库）把简历 PDF 转换成结构化的 Markdown 文本。这一步解决了"AI 看不懂扫描件/排版乱"的老问题。
JSON 数据提取：
用 Jinja 模板（一种文本替换工具）配合本地大模型（Ollama）或 Gemini，按简历的各个章节提取出标准 JSON——遵循 JSON Resume 这个开源简历数据规范。意味着你之后可以把候选人数据喂给任何支持该规范的系统。
GitHub 信号增强：
通过 GitHub API 抓取候选人 profile 和公开仓库，让 LLM 挑出最有代表性的 7 个项目。这一步很多人忽略了——很多技术简历只写项目名，但有了 GitHub 数据佐证，分量完全不同。
四维严格评分系统：
- open_source：开源贡献
- self_projects：个人项目
- production：生产环境经验（最值钱的一档）
- technical_skills：技术广度
每一维都带 bonus（加分项）和 deductions（扣分项），不是简单打分。
双格式输出：
终端 stdout 一份人类可读的摘要 + 一份 CSV 方便后续数据处理。

1.3 怎么跑起来？

整个流程都是本地的，不依赖任何云服务：

git clone https://github.com/interviewstreet/hiring-agent
cd hiring-agent
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
ollama pull gemma3:4b   # 下载本地模型（约 3GB）
python score.py your_cv.pdf

最低门槛：装好 Python、装好 Ollama（一个让你在本地跑开源大模型的工具）、下个 3GB 的小模型。然后丢一份 PDF 进去就行了。

二、和同类项目比一比

工具	技术栈	核心优势	本地化
hiring-agent	Python + PyMuPDF + LLM	GitHub 信号增强、JSON Resume 标准化、四维可解释评分	✅ 全本地 Ollama
firecrawl/firecrawl	Node.js + Playwright	网页爬取 + LLM 解析	✅
microsoft/markitdown	Python + LLM	文档转 Markdown，支持 20+ 格式	✅

Firecrawl 偏"网页爬取"，markitdown 是"文档转 Markdown 通用工具"，hiring-agent 是把这两步加上"评分决策"打包成了一条端到端管线。它的差异化在"评分可解释 + GitHub 增强"，这是其他两个没有的。

三、可借鉴的 3 个核心思路

无论你用不用 hiring-agent，下面这三点都值得抄作业：

GitHub 信号作为能力证据：
技术岗位简历只写项目名等于没写。自动抓取 GitHub 数据让"做了什么"变成"被多少人看过 / star 过 / 解决过什么 issue"，证据密度高一个数量级。
评分可解释性（evidence 链）：
所有 AI 决策都应该"每一条都能追到原文"。这是 2026 年所有 AI Agent 项目的基本要求——不管你是做招聘、客服还是审核，输出都必须可被审计。
JSON Resume 标准化：
候选人数据不应该锁死在某个 AI 工具里。用开源 schema 提取数据，今天的 AI 评估工具明天可以无痛替换到另一个，后端数据不动。