夜雨聆风招过人的朋友应该都懂这种崩溃，几十份简历堆在邮箱里，每份都要翻一遍工作经历、项目经历，看看技术栈对不对，看看有没有摆烂凑数的项目，看一天眼睛都花了。
前几天刷到一个叫hiring-agent的开源项目，是HackerRank旗下团队做的，思路挺直接，把一份PDF简历喂给它，它自己用AI把简历拆解成结构化信息，再顺着简历里的GitHub链接去翻这个人的开源项目，挑出最有说服力的几个，最后给出一份带评分、带理由的评估报告。
但，有件事需要提前说清楚。
这份评估报告是AI给出的参考意见，不是终审结论。大模型本身是有局限的，对项目的判断也可能带着它自己的偏向，一个人值不值得进面试，这事最后还是得由人来把关，不能让一个分数说了算。
如果你以后真打算拿它去筛选别人投来的简历，记得对候选人说清楚用了AI辅助评估，很多地方对自动化招聘工具其实也有相关的合规要求，用之前最好查一查。这篇教程接下来的所有演示，我都建议你先拿自己的简历练手，既安全，也最容易感受出这工具到底准不准。
把话说清楚了，开始正式动手。
先看看这工具到底是怎么干活的。
一份简历PDF进去，它先把PDF转成文字，按基本信息、工作经历、教育背景、技能、项目、获奖这几块拆开，一块一块喂给大模型去结构化提取。简历里如果留了GitHub主页链接，它会顺着这个链接去抓这个人的仓库列表，再让AI从里面挑出最有分量的七个项目。
信息备齐之后，由打分这一步出场，会从开源贡献、个人项目、有没有做过真正上线的产品、技术能力这四个维度分别打分，再加上一些额外的加分扣分项，最后配一段理由说明为什么打这个分。
整个跑完，命令行里会直接打印出一份看得懂的报告。
怎么安装呢？
首先，确认电脑上装了Python，版本要3.11以上，没装的话Windows去python.org下载安装包，安装时记得勾选下面那个把Python加入PATH的选项，Mac和Linux一般自带，没有的话用brew install python或者对应系统的包管理器装一下都行。
接下来要给这工具选一个驱动它的大模型，有两条路，二选一就行。
第一条路是用Ollama在自己电脑本地跑模型，完全免费，前提电脑别太老旧。
第二条路是用Google Gemini的云端API，免费额度够日常测试用，但要联网调用，得去注册拿一个Key。
新手没有强烈偏好的话，要选哪条路？我建议走Ollama这条路，本地跑着踏实，不用管网络和额度。当然，你的电脑也得能够上点强度才行。
走Ollama这条路的话，先去ollama.com把它装好，装完打开终端跑一下这条，让它常驻后台。
ollama serve装好之后，把这工具需要的模型拉下来，命令行敲这个。
ollama pull gemma3:4b如果你的电脑配置比较高，显存宽裕，可以换成效果更好的12b版本，配置比较紧张的话换成更轻量的1b版本，三选一，命令是一样的格式，换个尾巴上的数字就行。
模型准备好了，开始拉取hiring-agent这个项目本身。打开终端，依次敲下面这几行。
git clone https://github.com/interviewstreet/hiring-agentcd hiring-agent
接下来给这个项目单独建一个干净的Python环境，不跟你电脑上其他项目的依赖混在一起。
python -m venv .venv# 激活这个环境，Mac和Linux敲这条。source .venv/bin/activate# Windows敲这条。.venv\Scripts\activate
激活成功的标志，是终端命令行最前面会多出一个.venv的小标记。接下来装这个项目需要的所有依赖包。
pip install -r requirements.txt依赖装好，接下来配置。把示例配置文件复制一份出来。
cp .env.example .env用文本编辑器打开这份.env文件，里面有几个关键字段。
LLM_PROVIDER这一项填ollama，意思是告诉它用本地跑的模型。DEFAULT_MODEL这一项填你刚才拉下来的那个模型名字，比如gemma3:4b。
如果你走的是Gemini那条路，LLM_PROVIDER就填gemini，DEFAULT_MODEL填类似gemini-2.5-pro这样的型号，再多填一行GEMINI_API_KEY，把你申请到的那串Key粘进去。
还有一项GITHUB_TOKEN是可选的，填了之后抓取GitHub项目信息时不容易被限流，没有的话留空也能跑，只是遇到的人多了可能会被GitHub那边卡一下速度。
配置弄好，准备一份简历试试效果，强烈建议第一次先拿自己的简历练手。把简历存成PDF，放到一个你记得住路径的地方，然后回到终端跑这条，把路径换成你自己的文件位置。
python score.py /path/to/resume.pdf跑起来之后，它会先把PDF啃一遍转成文字，再分块抽取结构化信息，如果检测到简历里有GitHub主页，还会停一下去抓取项目数据，整个过程视模型大小和网络情况，可能要几十秒到几分钟，跑完会在命令行里打印出一份完整的评估报告，能看到刚才提到的那几个分项评分，还有具体的加分扣分理由。
这个项目还有个小细节值得说一下，打开config.py这个文件，里面有一个DEVELOPMENT_MODE的开关，默认是开着的，开着的时候除了在屏幕上打印报告，还会把每次的关键结果追加写进一份叫resume_evaluations.csv的表格里，方便你一份一份攒起来用表格软件横向对比，同时还会把中间结果缓存到cache文件夹下面，下次跑同一份简历不用重新走一遍提取流程，省时间。
如果你想看看这工具打分的标准到底是怎么写的，去翻一下prompts/templates这个文件夹，里面是一堆.jinja文件，basics、education、skills、projects这些每一块抽取逻辑都有自己对应的模板文件，打分那部分的标准也写在里面，全是用自然语言描述的规则，不是写死在代码里的死板逻辑。
也就是说，如果你觉得某个评分维度的权重不合理，直接改这些模板文件里的文字描述就行，不需要会写代码，这一点对非程序员出身的招聘从业者来说还挺友好。
讲完怎么安装和基础使用，再简单说一下可能会遇到的几个小bug。
第一个是PDF解析出来一团乱，常见原因是简历本身是图片扫描版而不是文字版PDF，这工具走的是文字提取路线，扫描件它读不出来，换一份文字版的PDF基本能解决。
第二个是跑起来卡在GitHub那一步很久，大概率是没填GITHUB_TOKEN，被限流了，去GitHub的Settings里申请一个免费的Personal Access Token填进.env，速度能明显好转。
第三个是评分看着不太靠谱，前后矛盾，是不是模型选错了？先看看选的模型是不是太小了，gemma3:1b这种轻量模型为了省资源会牺牲一些判断力，换成4b甚至12b的版本，评分的稳定性通常会好不少。
招聘这件事本来高度依赖人的主观判断，看一份简历顺不顺眼，很大程度上取决于看的人那天心情好不好、精力够不够。
这类工具想做的事情，是把第一轮筛选里那些可以量化的部分先交给AI算清楚，省下来的精力留给人去做真正需要人情味判断的部分，至于这个算法到底公平不公平，值不值得信，这事还得每个用的人自己心里掂量。
人来筛选简历会出现的一些“随机性”，在AI的控制下会大大减少，但，也因此过于“程序化/标准化”，也容易遗漏人才。我个人认为，人机结合，各自取长补短，不失为一种办法。
最后，再强调一句开头那句话，这工具给出的是参考分，真正决定要不要见一个人，最后这一步交给人，别交给一个分数。
如果喜欢我的文章，可以随手点个赞、在看、转发三连哦，也可以给我个⭐星标⭐，能够第一时间收到推送哟～
