ResumeAgent —— 请芙小娜帮你筛简历

缘起

招聘是一个经典的信息不对称场景。

HR 看不懂技术栈，技术负责人又没时间逐份细读。大量简历躺在邮箱里，其中可能有合适的人，但”找到他们”的成本高得不成比例。

ResumeAgent（芙小娜简历助手）就是为这个痛点而生的——一个完全用自然语言驱动的简历筛选工具。你只需要告诉它岗位要求是什么、简历在哪里，剩下的解析、匹配、评分、报告全由它自动完成。

技术栈

层级	技术选型
语言	Python 3.10+
Agent 框架	LangChain (LangGraph)
LLM	DeepSeek V4 Flash（OpenAI 兼容端点）
数据模型	Pydantic v2
文档解析	pdfplumber + python-docx
配置管理	python-dotenv

核心理念

ResumeAgent 并不是一个传统的”关键词匹配”工具。它让 LLM 扮演招聘初筛官的角色——理解岗位描述中的隐性需求、评估简历中的项目含金量、动态分配各维度的评分权重，最后给出有推理过程的打分而不是一个黑盒数字。

工作流程

整个筛选过程被设计为五个步骤的流水线：

加载 JD → 解析简历 → 匹配 → 评分 → 生成报告

每一步都有对应的 LangChain 工具，由 Agent 根据用户的自然语言指令自动编排调用。

1. 解析（Parser）

支持 PDF 和 DOCX 两种格式。先用 pdfplumber / python-docx 提取原始文本，再通过 LLM 将非结构化的简历文本转换为结构化的字段：姓名、学历、技能列表、工作经历、项目经验等。对格式怪异的简历也有很好的鲁棒性。

2. 匹配（Matcher）

将结构化后的简历数据与 JD 文本一同发送给 LLM。LLM 会：

逐技能比对：每个 JD 要求是否被满足
动态分配权重：技能匹配、工作经验、教育背景、项目质量各占多少
标注缺失项：候选人缺什么、差多远

3. 评分（Scorer）

基于匹配结果中的权重分析，LLM 在各维度上打分，汇总为 0-100 的总分，并给出四档建议：强烈推荐 / 推荐 / 待定 / 不推荐。每一项都附带推理过程，让你知道这个分数是怎么来的。

4. 报告（Reporter）

生成一份结构化的 Markdown 报告：

排名概览表
每位候选人的完整档案（简历摘要 → 匹配详情 → 评分明细 → 工作经历 → 项目经验）
按总分降序排列
文件名使用内容哈希避免覆盖

5. 对话（Conversation）

报告生成后，你还可以继续追问：

“把排名前三的候选人对比一下”
“第二位候选人的项目经验具体是什么？”
“有没有 Java 经验特别突出的？”

Agent 会记住上下文，调用对应的工具来回答。

架构亮点

9 个 LangChain 工具，覆盖了从文件查找、解析、匹配、评分到报告生成的完整链路。每个工具职责单一，可被 Agent 灵活组合
LLM 承担核心逻辑：与传统的规则引擎或嵌入向量方案不同，ResumeAgent 把理解、比对、打分全交给 LLM——这意味着它能捕捉 JD 中的”隐性偏好”，而不仅仅是关键词命中
内存态对话：所有状态（JD、候选人列表、报告路径）保持在 ConversationState 这个 Pydantic 模型中，无数据库依赖，启动零成本
可插拔 LLM 后端：通过 .env 即可切换模型或 API 提供商，架构与 OpenAI 生态完全兼容
批量优先：单份和批量操作都有专用工具，处理几十份简历也只需一句话

快速开始

# 安装依赖
pip install -r requirements.txt

# 配置 .env
# DEEPSEEK_API_KEY=your-key
# DEEPSEEK_BASE_URL=https://api.deepseek.com
# DEEPSEEK_MODEL=deepseek-v4-flash

# 把 JD 放到 jd/ 目录，简历放到 resume/ 目录

# 启动对话
python main.py

然后你只需要说：

“加载 Java 后端开发的 JD，把 resume 文件夹里的简历都解析了，帮我全部匹配一遍，然后评分出报告。”

剩下的事，芙小娜会帮你做完。

后记

ResumeAgent 的灵感来自一个朴素的观察：第一轮简历筛选其实是一道阅读理解题——而 LLM 天生擅长阅读理解。

它不是要取代 HR 的判断力，而是把那些机械的、重复的、需要逐字比对的初筛工作自动化，让人的精力能花在更值得的地方：面试、沟通、判断一个人是否真的适合团队。

从这个意义上说，ResumeAgent 不是”筛选器”，它是一个”放大器”——放大那些真正重要的信号，过滤掉格式和措辞的噪声。

—— March7th-OvO