智能招聘面试评估Agent系统【附带源码】

传统招聘面试评估流程面临效率低、主观性强、标准不统一等痛点。HR需手动筛选大量简历、主观判断候选人匹配度，易造成优秀人才流失或人岗不匹配。

智能招聘面试评估Agent系统基于多Agent协作架构，实现从简历解析、岗位匹配、多维评估到面试决策的全流程自动化。系统通过5个专业Agent协同工作，从技术能力、软技能、文化匹配等维度量化评估候选人，自动生成结构化评估报告和面试问题清单。该系统可显著降低HR重复劳动，提升评估客观性和一致性，缩短招聘周期，助力企业精准识人、高效引才，为人才战略决策提供数据支撑。

从简历到面试全流程自动化，减少HR重复劳动，提升评估客观性

系统架构

简历文档(PDF/DOCX)
    │
    ▼
┌──────────────┐
│  简历解析     │  ← PDF(MinerU)/DOCX(python-docx) + LLM结构化
│  Agent       │
└──────┬───────┘
       │ 结构化简历JSON
       ▼
┌──────────────┐
│  岗位匹配     │
│  Agent       │  ← JD(PDF/DOCX/MD) + 简历 → 匹配度评分(0-100)
└──────┬───────┘
       │ 匹配结果
       ├─────────────┬─────────────┐
       ▼             ▼             ▼
┌────────────┐ ┌────────────┐ ┌────────────┐
│ 技术能力    │ │ 软技能     │ │ 文化匹配   │  ← 并行执行
│ 评估Agent  │ │ 评估Agent  │ │ 评估Agent  │
└─────┬──────┘ └─────┬──────┘ └─────┬──────┘
      └──────────────┼──────────────┘
                     ▼
            ┌──────────────┐
            │  面试决策     │
            │  Agent       │  → 综合评分 + 面试问题清单
            └──────────────┘

协作模式：串行流水线 + 并行评估

LLM调用：约8-12次（解析1次 + 匹配1次 + 评估3次 + 决策1次 + 搜索N次）

5个Agent说明

项目结构

interview-evaluator-mas/
├── main.py                          # 入口文件：命令行参数解析，启动评估流水线
├── orchestrator.py                  # 主编排器：串行+并行流程控制，HTML报告生成
├── config.py                        # 全局配置：LLM后端/MinerU/搜索/评分阈值
│
├── core/                            # 核心基础设施层
│   ├── __init__.py
│   ├── llm_client.py                # LLM客户端：千帆+Ollama双后端路由，重试/降级/统计
│   ├── search_client.py             # 百度AI搜索客户端：单条/批量搜索，结果文本提取
│   ├── mineru_parser.py             # MinerU PDF解析：上传→轮询→下载ZIP→提取Markdown
│   ├── docx_parser.py               # Word文档解析：python-docx提取段落+表格文本
│   └── document_parser.py           # 统一文档解析入口：按扩展名自动路由(.pdf/.docx/.md/.txt)
│
├── agents/                          # Agent业务逻辑层
│   ├── __init__.py
│   ├── resume_parser_agent.py       # 简历解析Agent：PDF/DOCX→文本→LLM→结构化JSON
│   ├── job_matcher_agent.py         # 岗位匹配Agent：6维度加权评分，0-100分匹配度
│   ├── tech_evaluator_agent.py      # 技术能力评估Agent：深度/复杂度/广度/成长/影响力
│   ├── softskill_evaluator_agent.py # 软技能评估Agent：5维度+百度搜索验证公开信息
│   └── interview_decider_agent.py   # 面试决策Agent：综合4维评分+STAR面试问题清单
│
├── prompt/                          # 提示词文件（各Agent独立markdown，运行时动态加载）
│   ├── resume_parser.md             # 简历解析提示词：7维度提取规则+JSON输出格式
│   ├── job_matcher.md               # 岗位匹配提示词：6维度评分规则+量化标准
│   ├── tech_evaluator.md            # 技术评估提示词：深度推断方法+技能分析框架
│   ├── softskill_evaluator.md       # 软技能评估提示词：行为推断+搜索结果甄别规则
│   └── interview_decider.md         # 面试决策提示词：加权公式+4级推荐+问题设计原则
│
├── data/                            # 输入数据目录
│   └── jd_llm_engineer.md           # 示例岗位描述（高级大模型算法工程师）
│
└── output/                          # 评估报告输出目录（HTML格式，自动按时间戳命名）

文件职责速查

快速开始

环境准备

# 安装依赖
pip install requests python-docx

# （可选）Ollama本地运行
ollama serve
ollama pull qwen2.5:7b

运行方式

# 方式1: PDF简历 + Markdown JD
python main.py 简历.pdf data/jd_llm_engineer.md

# 方式2: Word简历 + Word JD
python main.py 简历.docx 岗位描述.docx

# 方式3: Word简历 + PDF JD
python main.py 简历.docx jd.pdf

# 方式4: 使用Ollama后端
LLM_PROVIDER=ollama python main.py 简历.pdf data/jd_llm_engineer.md

# 方式5: 无参数运行（使用data目录中的示例文件）
python main.py

支持的文件格式：

• 简历：.pdf（MinerU解析） / .docx（python-docx解析）
• JD：.pdf / .docx / .md / .txt

配置说明

通过环境变量或修改 config.py 进行配置：

评估维度详情

岗位匹配 (权重30%)

技术能力 (权重30%)

软技能 (权重20%)

文化匹配 (权重20%)

面试建议等级

软技能搜索策略

软技能评估Agent会智能拆分搜索关键词，通过百度AI搜索获取候选人公开信息：

1. 姓名 + 公司名
   
   ：验证职业经历
2. 姓名 + 技术领域
   
   ：查找技术影响力（博客、开源）
3. 姓名 + 行业活动
   
   ：查找公开分享、演讲
4. 姓名 + 学校
   
   ：学术背景验证

搜索结果会与简历信息交叉验证，仅采纳能确认与候选人相关的内容。

输出报告

系统生成HTML可视化报告，包含：

• 综合评分概览（四维雷达图）
• 评估摘要（一句话总结 + 优势/关注点）
• 各维度详细评分表
• 技能分析（核心技能 + 缺失技能）
• 面试问题清单（技术类 + 软技能类 + 文化适配类）
• 面试建议和注意事项

报告保存在 output/ 目录下。

通过网盘分享的文件：interview-evaluator-mas.zip

链接: https://pan.baidu.com/s/1Yhph1V9emc8QfIwPNog_Ng?pwd=6cwy 提取码: 6cwy 

–来自百度网盘超级会员v4的分享