Agentic AI Recruitment Platform：本地 LLM + RAG 的简历解析与岗位匹配招聘平台

DIVYANSHGUPTA-5/agentic-ai-recruitment-platform

GitHub原文发布未知首次收录 2026-10-03上架 2026-10-03 07:02

ELI5：它是什么，解决什么问题

该平台将上传的简历（PDF、DOC/DOCX 或 ZIP 批量）通过本地 LM Studio 提供的 LLM 解析为结构化候选人档案，并对简历文本分块、生成 768 维嵌入存入 PostgreSQL + pgvector；匹配时把岗位需求嵌入后做余弦相似度检索，取最相关的简历片段作为证据交给 LLM 评估，LLM 返回技能、经验、教育、领域四个子分数与说明，最终加权总分由代码计算，70 分以上自动进入短名单。配套 GraphQL/REST API、JWT 与 RBAC 角色权限、异步上传处理、React 前端以及可选的 GitHub/LinkedIn/Twitter 外部档案补充。

# GraphQL # Spring Framework # AI 面试 # 混合检索 # local-ai

核心能力与快速开始

★ 1 · Java

能做什么: 简历摄入与解析：支持 PDF、DOC/DOCX 单份或 ZIP 批量上传，使用 Apache PDFBox / Apache POI 提取文本，识别空文档或纯扫描件并标记失败。AI 结构化分析：由 LLM 抽取姓名、邮箱、电话、技能、领域知识、教育、经验摘要、工作年限与社交链接。向量化与检索：简历文本按空行和句子边界分块，使用 nomic-embed-text 生成 768 维向量，存入 PostgreSQL 的 pgvector 列（resume_embeddings 表），支持按余弦距离检索。RAG 匹配：把岗位标题、必需技能、学历、领域要求与描述合并为查询文本嵌入，检索候选人最相似的前 3 个片段且相似度阈值 0.5（均可配置），作为匹配提示中的证据。确定性评分：LLM 仅返回技能、经验、教育、领域四个子分数（0–100）及推荐、优势、短板与解释，应用按 0.40/0.25/0.20/0.15 权重计算最终得分，覆盖 LLM 写入的分数；70 分及以上自动进入短名单；LLM 不可用或输出无效时匹配失败而非存 0 分。岗位与流程管理：岗位需求与技能管理、候选人短名单/录用选择、匹配审计历史，以及 INITIATED 到 COMPLETED 的处理进度跟踪。接口与安全：GraphQL（含 GraphiQL）加 REST（认证与文件上传），JWT 无状态认证与 BCrypt 密码哈希，ADMIN、RECRUITER、HIRING_MANAGER、HR 角色访问控制。异步处理：上传经 @Async 处理，并可选启用数据库作业队列与调度器。外部补充：可选的 GitHub、LinkedIn、Twitter/X 与网络搜索档案富化。前端与部署：React 18 + TypeScript + Redux Toolkit/Saga + Vite 前端，Docker Compose 编排 PostgreSQL（pgvector/pgvector:pg15）、应用与 Nginx。
适用场景: 招聘方希望在本地处理简历、避免简历数据离开本机的场景。需要按岗位对候选人做可解释排序与评分拆解，而不是只靠关键词筛选的场景。需要把简历语义检索（RAG）与结构化档案结合、给评估器提供原始简历证据的场景。需要在团队内按 ADMIN、RECRUITER、HIRING_MANAGER、HR 区分简历上传与访问权限的场景。需要批量上传简历并异步处理、查看处理进度的场景。希望借助外部公开档案（GitHub、LinkedIn、Twitter/X）补充匹配上下文的场景。
项目形态: 可直接使用的工具
部署方式: 本地部署。需 PostgreSQL 并启用 pgvector 扩展，LM Studio 在主机上运行并加载聊天与嵌入模型（默认端口 1234，OpenAI 兼容 API）。前端为 Vite 开发服务器，Docker Compose 路径可选，其中 PostgreSQL 使用 pgvector/pgvector:pg15 镜像，LM Studio 仍运行在主机。README 注明 Docker 路径在最近改动后未重新验证。
主要依赖: Java 21、Maven 3.9+、Node.js 20+（前端曾用 Node 22）、npm、带 pgvector 扩展的 PostgreSQL、已下载并加载聊天模型 mistralai/mistral-7b-instruct-v0.3 与嵌入模型 text-embedding-nomic-embed-text-v1.5 的 LM Studio。通过环境变量配置数据库账号密码（DB_USERNAME、DB_PASSWORD）、JWT_SECRET 及 LM Studio 地址与模型名（LLM_STUDIO_BASE_URL、LLM_STUDIO_MODEL、LLM_STUDIO_EMBEDDING_MODEL）。
使用限制: README 明确说明该实现是带可选 LLM“来源选择器”和边界分数二次匹配的检索增强评估，并非完全自主的多 Agent 系统。LLM 只输出子分数，最终分数由代码加权计算；得分由模型输出与固定权重决定，材料未说明模型选择对评分的影响。已知问题：CandidateMatchingServiceTest 有 7 个测试因 mock 设置过时而失败，早于 RAG 相关工作。前端 Vitest 与 Playwright 测试套件在本文档中未重新运行；Docker 部署路径在最近变更后未重新验证。默认管理员账号由 docker/init-rbac.sql 播种，README 要求在任何真实使用前修改。未说明许可证、API 成本或商用条件。数据库表由 Hibernate ddl-auto: update 管理，没有 Flyway/Liquibase，db/migration/V2__add_job_queue.sql 仅作参考、不会自动执行。
许可证: 未说明
最近推送: 2026-10-02 07:31

官方入门项目文档核对 README 依据 ↗

资料检查：2026-10-03 07:00 · 卡片整理：2026-10-03 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

程序员

程序员可以研究或复用该仓库中基于 Spring Boot、Spring AI、pgvector 和 LM Studio 的本地 LLM + RAG 实现，包括简历文本分块与 768 维嵌入、余弦相似度检索、GraphQL/REST API、JWT 与 RBAC 权限、异步上传处理等代码结构，用于构建类似的 AI 应用。

查看内容依据

配套 GraphQL/REST API、JWT 与 RBAC 角色权限、异步上传处理、React 前端以及可选的 GitHub/LinkedIn/Twitter 外部档案补充。

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

HR

HR 或招聘人员可以用该平台上传 PDF、DOC/DOCX 或 ZIP 批量简历，由本地 LLM 解析为结构化候选人档案，并针对岗位需求进行 RAG 语义匹配，获得技能、经验、教育、领域四个子分数与说明，70 分以上自动进入短名单，从而辅助简历筛选和候选人排序。

查看内容依据

该平台将上传的简历（PDF、DOC/DOCX 或 ZIP 批量）通过本地 LM Studio 提供的 LLM 解析为结构化候选人档案，并对简历文本分块、生成 768 维嵌入存入 PostgreSQL + pgvector；匹配时把岗位需求嵌入后做余弦相似度检索，取最相关的简历片段作为证据交给 LLM 评估，LLM 返回技能、经验、教育、领域四个子分数与说明，最终加权总分由代码计算，70 分以上自动进入短名单。

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

CitationNeeded：可引用来源的混合检索 RAG 引擎

CitationNeeded 是一个面向生产风格的检索增强生成（RAG）服务，采用类型化、可替换的流水线阶段，支持 Markdown/HTML/PDF/文本加载、结构感知分块并保留精确字符偏移，稀疏 BM25 与向量检索混合并可用 cross-encoder 重排，输出带原文引用和 Pydantic 校验结构的答案。项目提供 FastAPI 只读索引服务及 Docker 配置，并附带基于 SciFact（BEIR）的可复现检索评测，报告 Recall@K、MRR、nDCG 等指标及逐阶段延迟。

CogStack：为 AI 编程助手提供持久上下文记忆与混合检索的引擎

CogStack（仓库名 mcp-context-chronicler）是一个面向 AI 辅助开发的持久上下文引擎。它把编码会话中的决策、经验与工具用法分层记录为记忆，通过 FAISS 语义向量与 BM25 文本检索的加权混合搜索进行召回，并以 SQLite 本地持久化，同时提供 MCP 服务器接口供 AI 编程助手接入。README 还描述了 OpenAI、Claude 的嵌入与摘要集成、Web 可视化面板、多语言支持及文件导入导出的团队共享方式。

DeepScreen：AI 驱动的招聘与候选人评估平台前端

DeepScreen 是一个基于 Next.js 构建的全栈招聘平台前端，连接 Django 主后端、Rocket 简历解析微服务和 LiveKit 视频服务，提供候选人、招聘方和机构管理三类门户。功能涵盖职位浏览与投递、AI 简历解析、带 Monaco 编辑器和自动评分的编程测评、带语音识别与自然语言评估的 AI 面试、基于 LiveKit 的实时视频面试、AI 评分候选人筛选、招聘方与候选人即时消息，以及基于角色的仪表盘和招聘分析。仓库为客户端代码，许可证限定教育与非商业用途。

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。