Agent 与自动化工作流

AI Recruiter Copilot：基于 Google ADK 与 Gemini 的自动化招聘流程工具

avisihvam-eng/ai-recruiter-copilot · 2-agent AI recruiter pipeline - Google ADK + Gemini - JD cleanup, Boolean strings, outreach, LinkedIn post

GitHub原文发布未知首次收录 2026-09-28上架 2026-09-28 07:01

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

该项目是一个面向招聘场景的多智能体工作流，用户粘贴原始职位描述后，可一次性生成整理后的 JD、Strict/Balanced/Broad 三档布尔搜索字符串、外联文案与 LinkedIn 招聘帖，并由 recruiter_advisor_agent 输出筛选问题与招聘注意事项。后端采用 Python、Google ADK、FastAPI 与 Gemini 2.5 Flash，前端为单文件 HTML。

# Gemini # 招聘 # 多智能体系统 # llm-workflow # Boolean 搜索

核心能力与快速开始

★ 0 · Python

能做什么: 基于 Google ADK SequentialAgent 串联四个智能体：role_brief_agent 在保留原始 JD 不变的前提下生成招聘简报；sourcing_strategy_agent 构建 Strict / Balanced / Broad 三档布尔搜索串；outreach_linkedin_agent 撰写简短外联、详细外联与 LinkedIn 招聘帖；recruiter_advisor_agent 生成筛选问题与招聘 intake 注意事项。入口为 FastAPI 服务，用户粘贴 JD 后点击“Build my recruiting plan”一次性完成整条流程。
适用场景: 招聘人员或用人经理需要将零散职位描述快速转化为可直接使用的招聘方案时，可用于生成规范化 JD 要点、多档布尔搜索条件用于候选人检索、求职者外联文案与 LinkedIn 招聘帖，以及面试筛选问题与招聘启动前的风险提示。
项目形态: 可直接使用的工具
部署方式: 需自行部署：安装 backend/requirements.txt 依赖，在 backend/.env 中配置 GOOGLE_API_KEY，通过 uvicorn backend.main:app --port 8000 启动后端，并在浏览器打开 http://localhost:8000 使用。仓库另有 Vercel 部署的 homepage。
主要依赖: Python 环境；需要 Google Gemini API Key（README 提及可在 aistudio.google.com/app/apikey 获取，并标注 free）；使用 Gemini 2.5 Flash 模型；前端为单文件 HTML。硬件要求未说明。
使用限制: README 未说明模型调用的配额、速率或费用限制，也未说明数据隐私、结果准确性等约束；仓库 license 元数据为空，未说明许可与商用条件。
许可证: 未说明
最近推送: 2026-09-27 08:20

官方入门核对 README 依据 ↗

资料检查：2026-09-28 07:00 · 卡片整理：2026-09-28 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

职业应用

HR

招聘人员可将原始职位描述粘贴到该工具中，一次性生成整理后的 JD、Strict/Balanced/Broad 三档布尔搜索字符串、外联文案与 LinkedIn 招聘帖，并获得筛选问题与招聘注意事项，用于招聘流程中的职位发布、候选人搜寻和初步筛选准备。

查看内容依据

Paste a raw job description → get a clean JD, Boolean search strings, outreach copy, and a LinkedIn hiring post in one run.

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

HR-Recruitment-AI-System：AI 智能体驱动的招聘全流程平台

这是一个基于 AI 智能体的招聘平台，覆盖写职位描述、简历解析与筛选、候选人面试、录用推荐等环节，最终由人工招聘官做决定。系统包含多角色评审小组、对比视图、AI 面试评分卡、候选人问答机器人、招聘官收件箱、外联邮件（含日历文件）、Ask-HR、技能差距教练、实时 Agent 图、仪表盘漏斗与活动时间线、内置评测页与 PDF 候选人报告，并提供演示数据集和 5 分钟演示脚本。技术栈为 Next.js + TypeScript 前端、Python 3.11 + FastAPI + SQLAlchemy(SQLite) 后端，LLM 通过 Groq 的 OpenAI 兼容 API（也可用本地 Ollama）。

Insurance-Policy-RAG：基于 Gemini 与 ChromaDB 的保单 PDF 问答助手

该项目是一个面向单一保险保单 PDF 的检索增强生成（RAG）问答助手，能够用自然语言回答保险条款问题，并基于文档内容给出页码引用，在文档未覆盖时明确回答“我不知道”。系统使用 Gemini 嵌入模型生成向量，存入 ChromaDB，通过 Streamlit 提供可在线试用的界面，同时也提供 FastAPI 后端和可导入的 Python 管道。项目包含评估工具，覆盖拒答、检索命中率、引用准确性等指标，并支持上传自己的保单 PDF 进行问答。

cv-agent：基于 Gemini 的简历与职位要求匹配评估工具

cv-agent 是一个小型 Python 应用，读取本地 .txt 格式的简历文本和职位要求文本，调用 Google Gemini 生成结构化的辅助性评估，包括优势、技能缺口、可能未满足的硬性要求和指示性匹配分数，并依据“分数不低于 70 且无关键缺口”的演示规则给出推荐。项目使用 Pydantic 校验模型输出，自带模拟 Gemini 响应的单元测试，不包含数据库或网页界面；其说明明确强调结果仅供人工参考，不能作为招聘决策的唯一依据。

AI Recruiting Copilot：基于 Azure AI 的招聘简历筛选、候选人匹配与投标响应工作流

AI Recruiting Copilot 是一个部署在 Azure 上的招聘辅助系统。它使用 Azure Content Understanding 从 PDF、Word 和扫描图片格式的简历中提取结构化候选人档案，并用 Azure AI Search 混合检索与透明评分公式把候选人与职位描述匹配。项目基于 Microsoft Agent Framework 构建招聘 Agent，让模型只看到匿名档案，只能依据代码计算的匹配得分作答，并拒绝基于年龄、婚姻状况等受保护属性的筛选请求。它还提供针对公共部门 Requests for Resumes 的核对流程：从 PDF 读取强制性与评分要求，按日期化工作经历核对证据，起草匿名响应表格和摘要，最后由招聘人员审批并导出 Word。仓库包含 Terraform 基础设施、合成数据集、离线测试与提取、搜索、Agent 和投标流程的评测脚本。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。