hiring-agent

AI 自动读简历打分，几秒筛完一批候选人

开源 free 行业应用

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 7296

维护状态活跃

是否开源是

定价模式 free

项目预览

项目数据

分类行业应用

开发团队interviewstreet

所属国家

官网地址

GitHubhttps://github.com/interviewstreet/hiring-agent

定价模式free

价格说明开源项目，免费使用

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型

GitHub 星标★ 7296

30天Star增速

HF 下载量

上线时间2025-07-29 00:00:00

代码更新—

仓库体积—

本站数据更新—

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-10-11

浏览次数0

项目介绍

hiring-agent 是一个用 Python 编写的开源 AI 招聘助手，核心用途是自动评估和给简历打分。它把招聘流程中最耗时的初筛环节交给 AI：读取候选人简历后，结合岗位要求进行解析、匹配与评分，输出结构化的评价结果，帮助 HR 和招聘团队快速筛掉明显不合适的简历，把精力集中在高分候选人身上。项目以 agent 形式组织，通常可接入大模型完成语义理解和打分，并支持批量处理多份简历。相比人工逐份阅读，它能显著缩短初筛时间、减少主观偏差，适合需要处理大量投递的招聘场景。项目在 GitHub 上已有约七千星标，属于成长中的热门工具，语言为 Python，便于二次开发和集成到现有招聘系统。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

正在加载星标数据…

技术标签

使用教程

—

难度：入门约 10 分钟部署方式：命令行工具 5 步

环境要求

Python 3.11（README 徽章指向 Python 3.11.0）
本地已安装并运行 Ollama（用于拉取 gemma3 模型）
可选：Gemini 或 OpenAI 的 API Key（按所用模型决定）
可选：GITHUB_TOKEN，用于提升 GitHub API 速率限制

安装与启动步骤

1克隆仓库

从 GitHub 拉取 hiring-agent 源码到本地，确保网络可访问 github.com。
```
git clone https://github.com/interviewstreet/hiring-agent
```
2进入项目目录

切换到刚克隆下来的 hiring-agent 目录，后续命令都在此目录执行。
```
cd hiring-agent
```
3创建虚拟环境

用 venv 创建隔离环境 .venv，避免污染系统 Python 依赖。
```
python -m venv .venv
```
4拉取 Ollama 模型

按机器配置二选一：高配置拉 12b，低配置拉 1b；需本机已装 Ollama。
```
ollama pull gemma3:12b
ollama pull gemma3:1b
```
5生成配置文件

复制 .env.example 为 .env，随后按需填写模型名与各家 API Key。
```
cp .env.example .env
```

关键配置

配置项	必填	说明	示例
`DEFAULT_MODEL`	否	指定使用的模型，必须能在 providers.json 中找到对应 provider；缺省取 providers.json 的 default_model。	`gemma4:latest`
`GEMINI_API_KEY`	否	使用 Gemini 模型时必填的 API Key。	`AIzaSyxxxxxxxxxxxxxxxxxxxxxx`
`OPENAI_API_KEY`	否	使用 OpenAI 模型时必填的 API Key。	`sk-xxxxxxxxxxxxxxxx`
`GITHUB_TOKEN`	否	可选，继承 shell 环境变量，可提升 GitHub API 调用速率限制。	`ghp_xxxxxxxxxxxxxxxxxxxx`

如何确认成功

README 未提供启动或运行命令，无法直接验证；CLI usage 章节为空，请以仓库完整文档为准。

常见问题

Q：机器配置不高，能用吗？

A：可以。README 给出了低配置方案，执行 ollama pull gemma3:1b 使用较小的 1b 模型；高配置机器则拉取 gemma3:12b。

Q：DEFAULT_MODEL 应该填什么？

A：必须是 providers.json 中已声明的模型，provider 由哪个 provider 列出该模型来推断；不填时默认使用 providers.json 里的 default_model。

Q：需要准备哪些 API Key？

A：使用 Gemini 模型需设置 GEMINI_API_KEY，使用 OpenAI 模型需设置 OPENAI_API_KEY；用本地 Ollama 模型则按需配置。

Q：GITHUB_TOKEN 是必须的吗？

A：不是必填项。它是可选的，会继承 shell 环境变量，主要用于提升 GitHub API 的速率限制。

Q：这个工具会替代 ATS 吗？

A：不会。README 明确说明它不是 ATS，也不用于 HackerRank 对外产品，其目的是对大量简历进行排序，决定先读哪些。

注意事项

README 未给出依赖安装的 pip 命令和 CLI 具体用法，需参考仓库完整文档补充。
命令中的 $ 提示符已去掉，可整行复制执行；示例值请替换为你自己的密钥。
Provider 映射写在 providers.json 中，含 base_url、API Key 环境变量名和模型参数，由 config.py 加载解析。

核心亮点

用 AI 对简历做结构化解析和评分，替代人工逐份初筛，大幅提升招聘效率
Python 实现，代码可读性和可扩展性较好，方便接入自有大模型或招聘系统
已有约 7000 星标，社区关注度较高，属于活跃成长中的项目

不足之处

简历评分依赖大模型判断，可能存在偏差，需要人工复核关键决策
作为较新的项目，文档和长期维护稳定性仍待观察

适用场景

HR 面对数百份投递，需要快速筛出匹配岗位的候选人
招聘平台或 ATS 系统集成自动简历评分能力
技术团队搭建内部招聘工具，用 AI 辅助简历初筛

替代项目

Resume-Matcher、OpenResume

上一篇：DojoAgents

下一篇：scientific-agent-skills