AI agent that evaluates and scores resumes — PDF parsing, GitHub enrichment, and fair, explainable scoring. Runs locally on Ollama or on Google Gemini.이력서 PDF를 넣으면 구조화 데이터 추출 → GitHub 활동 보강 → 공정성 기반 평가·점수화까지 자동 수행하는 AI 에이전트. Ollama(로컬) 또는 Gemini로 동작하며, 카테고리별 점수·근거·보너스·감점을 설명 가능한 형태로 출력한다. HackerRank(interviewstreet)가 만들었다.
AI agent that evaluates and scores resumes — PDF parsing, GitHub enrichment, and fair, explainable scoring. Runs locally on Ollama or on Google Gemini.
Use “Copy original” above to copy the complete, unchanged entry. Switch to Korean to read the full curator notes.
한 줄
이력서 PDF를 넣으면 점수와 평가를 내주는 AI 에이전트. PDF → Markdown 변환 → 섹션별 JSON 추출(경력, 학력, 기술, 프로젝트) → GitHub 프로필·레포지토리 보강 → 공정성 규칙이 적용된 평가(오픈소스, 자기 프로젝트, 프로덕션 경험, 기술 역량)까지 자동으로 수행한다. HackerRank(코딩 테스트 플랫폼) 운영사인 interviewstreet가 만들었다.
언제 쓰는가
채용 담당자나 헤드헌터가 이력서를 객관적 기준으로 일관되게 평가해야 할 때
스타트업이 채용 시 인적 편향을 줄이고, GitHub 활동 같은 객관적 신호를 평가에 반영하고 싶을 때
다수의 이력서를 빠르게 스크리닝하여 후보를 좁혀야 할 때
Ollama(로컬 LLM 런타임)로 민감한 이력서 데이터를 외부 API에 보내지 않고 평가하고 싶을 때
74 커밋, 비교적 초기 프로젝트 — 기능은 단일(단일 이력서 평가)하고, 배치 처리·웹 UI 등은 직접 구현해야 한다.
Ollama 모델 선택에 따라 평가 품질이 크게 달라진다. gemma3:4b는 가볍지만 정확도가 낮을 수 있고, gemma3:12b는 더 나은 결과지만 더 많은 리소스가 필요.
## 한 줄
이력서 PDF를 넣으면 점수와 평가를 내주는 AI 에이전트. PDF → Markdown 변환 → 섹션별 JSON 추출(경력, 학력, 기술, 프로젝트) → GitHub 프로필·레포지토리 보강 → 공정성 규칙이 적용된 평가(오픈소스, 자기 프로젝트, 프로덕션 경험, 기술 역량)까지 자동으로 수행한다. HackerRank(코딩 테스트 플랫폼) 운영사인 interviewstreet가 만들었다.
## 언제 쓰는가
- 채용 담당자나 헤드헌터가 이력서를 객관적 기준으로 일관되게 평가해야 할 때
- 스타트업이 채용 시 인적 편향을 줄이고, GitHub 활동 같은 객관적 신호를 평가에 반영하고 싶을 때
- 다수의 이력서를 빠르게 스크리닝하여 후보를 좁혀야 할 때
- Ollama(로컬 LLM 런타임)로 민감한 이력서 데이터를 외부 API에 보내지 않고 평가하고 싶을 때
## 무엇을 하는가
| 단계 | 내용 |
|------|------|
| PDF 추출 | PyMuPDF로 PDF 페이지를 Markdown 텍스트로 변환 |
| 섹션 파싱 | Jinja 템플릿으로 Basics/Work/Education/Skills/Projects/Awards를 구조화 JSON으로 추출 |
| GitHub 보강 | 이력서에서 GitHub 사용자명 추출 → 프로필·레포 fetch → 프로젝트 분류 → LLM이 상위 7개 프로젝트 선정 |
| 평가 | 오픈소스, 자기 프로젝트, 프로덕션 경험, 기술 역량 카테고리별 점수 + 보너스 + 감점 + 근거 |
| 출력 | 터미널 요약 + CSV 내보내기(개발 모드) |
| 캐싱 | 중간 JSON 결과를 `cache/`에 저장하여 반복 실행 최적화 |
## 설치
```text
git clone https://github.com/interviewstreet/hiring-agent.git
cd hiring-agent
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt
# .env 설정
cp .env.example .env
# LLM_PROVIDER=ollama (또는 gemini)
# DEFAULT_MODEL=gemma3:4b
# Ollama 모델 풀
ollama pull gemma3:4b
# 실행
python score.py /path/to/resume.pdf
```
## 함정
- 평가 기준이 개발자 중심이다 — 오픈소스, 자기 프로젝트, 프로덕션, 기술 역량 4개 카테고리로, 비개발 직군(디자인, 영업, 마케팅) 이력서에는 적합하지 않다.
- LLM 기반 추출이므로, PDF 품질이 낮거나 비표준 레이아웃이면 섹션 파싱 오류가 발생할 수 있다.
- GitHub 보강은 이력서에 GitHub 사용자명이 명시된 경우에만 작동한다. 없으면 평가에서 GitHub 신호가 누락된다.
- 74 커밋, 비교적 초기 프로젝트 — 기능은 단일(단일 이력서 평가)하고, 배치 처리·웹 UI 등은 직접 구현해야 한다.
- Ollama 모델 선택에 따라 평가 품질이 크게 달라진다. `gemma3:4b`는 가볍지만 정확도가 낮을 수 있고, `gemma3:12b`는 더 나은 결과지만 더 많은 리소스가 필요.