# smart-hiring-pipeline

**Repository Path**: hacker__007/smart-hiring-pipeline

## Basic Information

- **Project Name**: smart-hiring-pipeline
- **Description**: No description available
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-30
- **Last Updated**: 2026-05-30

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 多Agent智能招聘管道系统

> **Smart Hiring Pipeline** - 企业级5-Agent协作招聘自动化系统
>
> Python (CrewAI + LangGraph) / Java (Spring AI Alibaba) / Go (Eino) 三种语言实现
>
> 附完整面试指南：简历模板 + STAR法话术 + 八股文35题 + 项目问答30题

---

## 这个项目是什么？

这是一个**企业级多Agent智能招聘管道系统**，用5个AI Agent自动完成招聘全流程：

```
招聘需求(JD) → 搜索候选人 → 筛选简历 → 安排面试 → 生成面试题 → 通知候选人
```

**适合谁用这个项目：**
- 正在找工作，想在简历上写一个**有含金量的AI项目**
- 想学习**多Agent系统**的架构设计和实现
- 想掌握 **Python / Java / Go** 三种语言实现同一系统的方法
- 想准备**AI Agent方向的面试**，需要项目经历和八股文

---

## 目录

- [项目亮点](#项目亮点)
- [系统架构](#系统架构)
- [5个Agent介绍](#5个agent介绍)
- [快速开始](#快速开始)
  - [Python版（推荐新手）](#python版推荐新手)
  - [Java版（企业级）](#java版企业级)
  - [Go版（高性能）](#go版高性能)
  - [Docker一键启动](#docker一键启动)
- [项目结构](#项目结构)
- [面试指南](#面试指南)
- [技术栈](#技术栈)
- [常见问题FAQ](#常见问题faq)
- [参考资料](#参考资料)

---

## 项目亮点

| 特性 | 说明 |
|------|------|
| **5-Agent Pipeline** | 搜索/筛选/排期/面试/沟通，覆盖招聘全流程 |
| **三种语言实现** | Python + Java + Go，对照学习，适配不同岗位 |
| **多模型支持** | MiniMax / OpenAI / Ollama 一键切换，改配置不改代码 |
| **完整面试指南** | 简历模板 + STAR法 + 八股文35题 + 项目问答30题 |
| **面向小白** | 从零开始，每一步都有详细说明 |
| **企业级架构** | Pipeline编排 + 状态管理 + 错误隔离 + 条件路由 |
| **低成本** | 完整Pipeline一次运行 < $0.10 (Token费用) |

---

## 系统架构

```
┌─────────────────────────────────────────────────────────┐
│                     JD 输入                              │
└────────────────────────┬────────────────────────────────┘
                         ▼
  ┌──────────┐   ┌───────────┐   ┌────────────┐   ┌──────────┐
  │ Sourcing │──▶│ Screening │──▶│ Scheduling │──▶│Interview │
  │ 搜索候选人│   │ 筛选评分   │   │ 面试排期    │   │ 生成面试题│
  └──────────┘   └───────────┘   └────────────┘   └──────────┘
       ↕              ↕               ↕                ↕
  ┌──────────────────────────────────────────────────────────┐
  │          Communication Agent (全程并行发送邮件)            │
  └──────────────────────────────────────────────────────────┘
                         │
                         ▼
                 ┌──────────────┐
                 │  招聘决策报告  │
                 └──────────────┘
```

**编排模式：** Pipeline（主流程顺序执行）+ 并行（Communication Agent贯穿全程）

**条件路由：** 如果筛选阶段没有候选人通过（全部 < 60分），Pipeline自动终止，不浪费后续Token。

> 详细架构文档见 [docs/architecture.md](docs/architecture.md)

---

## 5个Agent介绍

### 1. Sourcing Agent（简历搜索）
- **做什么：** 根据JD从多渠道搜索匹配候选人
- **输入：** JobDescription
- **输出：** 候选人列表（含基本信息）
- **实际对接：** LinkedIn API / Boss直聘 / 拉勾（本项目用LLM模拟）

### 2. Screening Agent（简历筛选）
- **做什么：** 解析简历，与JD匹配评分
- **输入：** 候选人 + JD
- **输出：** 评分报告（0-100分 + 推荐意见 + 理由）
- **评分权重：** 技能60% + 经验30% + 学历10%

### 3. Scheduling Agent（面试排期）
- **做什么：** 协调候选人和面试官日历，安排面试
- **输入：** 通过筛选的候选人 + 面试官信息
- **输出：** 面试时间表（含会议链接）
- **实际对接：** Google Calendar API（本项目支持mock和live模式）

### 4. Interview Agent（面试辅助）
- **做什么：** 根据JD和候选人画像生成个性化面试题
- **输入：** 候选人画像 + JD + 筛选报告
- **输出：** 面试题包（技术题/行为题/系统设计题/编程题）
- **特色：** 针对候选人弱项重点出题

### 5. Communication Agent（沟通）
- **做什么：** 全流程自动发送6类邮件
- **邮件类型：** 简历收到 / 筛选通过 / 筛选未通过 / 面试邀请 / 面试反馈 / Offer或婉拒
- **特色：** 并行运行，不阻塞主Pipeline

---

## 快速开始

### 前置条件

你需要准备一个LLM的API Key（三选一）：

| 模型 | 费用 | 推荐度 | 说明 |
|------|------|--------|------|
| **MiniMax M2.7** | 付费（有免费额度） | 推荐 | 国内速度快，成本低 |
| **OpenAI GPT-4o** | 付费 | 好 | 质量最高 |
| **Ollama (本地)** | 免费 | 适合学习 | 需要本地安装，数据不出境 |

---

### Python版（推荐新手）

**Step 1: 克隆项目**
```bash
git clone https://github.com/bcefghj/smart-hiring-pipeline.git
cd smart-hiring-pipeline/python
```

**Step 2: 创建虚拟环境**
```bash
python -m venv venv

# Mac/Linux:
source venv/bin/activate

# Windows:
venv\Scripts\activate
```

**Step 3: 安装依赖**
```bash
pip install -r requirements.txt
```

**Step 4: 配置API Key**
```bash
# 复制示例配置
cp .env.example .env

# 编辑 .env 文件，填入你的API Key
# 例如使用MiniMax:
# LLM_PROVIDER=minimax
# LLM_BASE_URL=https://api.minimax.chat/v1
# LLM_MODEL=MiniMax-M2.7
# LLM_API_KEY=你的API Key
```

**Step 5: 运行**
```bash
python main.py
```

**Step 6: 运行测试（可选）**
```bash
# 不需要API Key的单元测试
pytest tests/test_models.py -v

# 需要API Key的集成测试
pytest tests/test_pipeline.py -v
```

---

### Java版（企业级）

**Step 1: 克隆项目**
```bash
git clone https://github.com/bcefghj/smart-hiring-pipeline.git
cd smart-hiring-pipeline/java
```

**Step 2: 配置API Key**

编辑 `src/main/resources/application.yml`：
```yaml
spring:
  ai:
    openai:
      base-url: https://api.minimax.chat/v1  # 或 https://api.openai.com/v1
      api-key: 你的API Key
      chat:
        options:
          model: MiniMax-M2.7  # 或 gpt-4o
```

**Step 3: 编译运行**
```bash
# 需要 Java 17+ 和 Maven
mvn spring-boot:run
```

---

### Go版（高性能）

**Step 1: 克隆项目**
```bash
git clone https://github.com/bcefghj/smart-hiring-pipeline.git
cd smart-hiring-pipeline/go
```

**Step 2: 配置环境变量**
```bash
export LLM_PROVIDER=minimax
export LLM_BASE_URL=https://api.minimax.chat/v1
export LLM_MODEL=MiniMax-M2.7
export LLM_API_KEY=你的API Key
```

**Step 3: 运行**
```bash
cd cmd/server
go run main.go
```

---

### Docker一键启动

```bash
git clone https://github.com/bcefghj/smart-hiring-pipeline.git
cd smart-hiring-pipeline

# 编辑 .env 文件配置API Key
cp python/.env.example .env

# 一键启动Python版
docker-compose up python-app

# 一键启动Java版
docker-compose up java-app

# 一键启动Go版
docker-compose up go-app
```

---

## 项目结构

```
smart-hiring-pipeline/
│
├── README.md                           ← 你正在看的这个文件
├── LICENSE                             ← MIT开源协议
├── .gitignore
├── docker-compose.yml                  ← Docker一键启动
│
├── docs/                               ← 文档
│   ├── plan.md                         ← 项目计划
│   ├── architecture.md                 ← 架构设计详解
│   └── interview-guide/               ← 面试指南（重点!）
│       ├── resume-template.md          ← 简历怎么写
│       ├── star-method.md              ← STAR法面试话术
│       ├── baguwen.md                  ← 八股文35题
│       └── project-qa.md              ← 项目问答30题
│
├── python/                             ← Python版 (CrewAI + LangGraph)
│   ├── README.md
│   ├── requirements.txt
│   ├── .env.example                    ← 配置模板
│   ├── main.py                         ← 入口文件
│   ├── src/
│   │   ├── agents/                     ← 5个Agent实现
│   │   │   ├── sourcing_agent.py
│   │   │   ├── screening_agent.py
│   │   │   ├── scheduling_agent.py
│   │   │   ├── interview_agent.py
│   │   │   └── communication_agent.py
│   │   ├── pipeline/
│   │   │   ├── orchestrator.py         ← LangGraph编排器（核心!）
│   │   │   └── state.py                ← Pipeline状态定义
│   │   ├── tools/                      ← 工具集
│   │   │   ├── resume_parser.py        ← 简历解析(PDF/Word/OCR)
│   │   │   ├── calendar_tool.py        ← 日历集成
│   │   │   ├── email_tool.py           ← 邮件发送
│   │   │   └── search_tool.py          ← 候选人搜索
│   │   ├── models/                     ← Pydantic数据模型
│   │   │   ├── candidate.py            ← 候选人模型
│   │   │   ├── job_description.py      ← JD模型
│   │   │   └── interview.py            ← 面试相关模型
│   │   └── config/
│   │       └── llm_config.py           ← 多模型配置
│   ├── tests/                          ← 测试
│   └── examples/
│       └── sample_jd.json              ← 示例JD
│
├── java/                               ← Java版 (Spring AI Alibaba)
│   ├── pom.xml
│   ├── src/main/java/com/hiring/
│   │   ├── HiringApplication.java      ← Spring Boot入口
│   │   ├── agent/                      ← 5个Agent
│   │   ├── pipeline/                   ← Pipeline编排
│   │   ├── model/                      ← 数据模型
│   │   └── config/                     ← LLM配置
│   └── src/main/resources/
│       └── application.yml             ← 配置文件
│
└── go/                                 ← Go版 (Eino框架)
    ├── go.mod
    ├── cmd/server/main.go              ← 入口
    └── internal/
        ├── agent/                      ← 5个Agent
        ├── pipeline/orchestrator.go    ← Pipeline编排
        ├── model/types.go             ← 数据模型
        └── config/config.go           ← 配置
```

---

## 面试指南

> 这是本项目最有价值的部分！从简历到面试全覆盖。

### 简历模板 → [docs/interview-guide/resume-template.md](docs/interview-guide/resume-template.md)

教你怎么把这个项目写进简历：
- 通用写法（适用所有岗位）
- Python版差异化亮点
- Java版差异化亮点
- Go版差异化亮点
- 量化指标怎么写（招聘周期缩短42%、效率提升3倍...）

### STAR法话术 → [docs/interview-guide/star-method.md](docs/interview-guide/star-method.md)

5个核心STAR故事（必背）：
1. 项目整体介绍
2. 技术选型决策（为什么选LangGraph）
3. 最大技术挑战（评分一致性问题）
4. 并行Communication设计
5. 多模型切换实现

6个高频追问应对（为什么5个Agent、如何保证可靠性...）

### 八股文 → [docs/interview-guide/baguwen.md](docs/interview-guide/baguwen.md)

35道核心题目，覆盖7大方向：
1. 基础概念（Agent/Tool/Memory/Planning）
2. 框架对比（CrewAI vs LangGraph vs AutoGen）
3. 架构设计（Pipeline/DAG/状态管理）
4. Prompt工程（设计方法/Temperature/格式保证）
5. 生产化（错误处理/成本控制/监控/人工兜底）
6. 数据模型（Pydantic/状态机）
7. 系统设计（扩展性/安全性/多租户）

### 项目问答 → [docs/interview-guide/project-qa.md](docs/interview-guide/project-qa.md)

30道最常被问到的项目问题：
- 架构设计类（整体架构、状态管理、Agent数量选择...）
- 技术实现类（评分算法、简历解析、多模型切换...）
- 性能优化类（延迟优化、瓶颈分析、streaming...）
- 对比选型类（vs ChatGPT、vs传统ATS、三语言对比...）
- 扩展思考类（V2改进、多行业支持、局限性...）

---

## 技术栈

### Python版
| 技术 | 用途 | 版本 |
|------|------|------|
| Python | 主语言 | 3.10+ |
| LangGraph | Pipeline编排 | 0.2+ |
| LangChain | LLM接入 | 0.3+ |
| CrewAI | Agent设计理念 | 0.80+ |
| Pydantic | 数据模型 | 2.0+ |
| PyPDF2 | PDF解析 | 3.0+ |
| Rich | 终端美化输出 | 13.0+ |

### Java版
| 技术 | 用途 | 版本 |
|------|------|------|
| Java | 主语言 | 17+ |
| Spring Boot | 框架 | 3.3 |
| Spring AI Alibaba | Agent编排 | 1.0 |
| Apache Tika | 简历解析 | 2.9 |
| Lombok | 代码简化 | - |

### Go版
| 技术 | 用途 | 版本 |
|------|------|------|
| Go | 主语言 | 1.22+ |
| Eino | Agent框架 | 0.3 |
| go-openai | LLM接入 | 1.28+ |
| Hertz | HTTP框架 | 0.9 |

### 通用
| 技术 | 用途 |
|------|------|
| MiniMax M2.7 / OpenAI / Ollama | LLM（三选一） |
| Google Calendar API | 日历集成 |
| SendGrid / SMTP | 邮件发送 |
| Docker Compose | 容器化部署 |

---

## 常见问题FAQ

### Q: 我是纯小白，该从哪个语言版本开始？

**A:** 推荐Python版。Python版代码最简洁，社区资源最多，LangGraph/CrewAI文档丰富。学完后再看Java/Go版对照学习。

### Q: 没有API Key能运行吗？

**A:** 部分功能可以。测试用例中有不需要API Key的单元测试（数据模型测试、工具测试）。完整Pipeline需要LLM API Key。推荐用Ollama本地模型（免费）。

### Q: MiniMax的免费额度够用吗？

**A:** 够。一次完整Pipeline运行大约消耗20-30次模型调用。4500次额度可以运行约150次Pipeline。

### Q: 这个项目能真的用于生产环境吗？

**A:** 项目架构是生产级的，但一些细节需要补充：
- Sourcing Agent需要对接真实招聘平台API
- 需要加入持久化存储（数据库）
- 需要加入用户认证和权限控制
- 需要更完善的错误处理和监控

### Q: 面试时怎么说不会被拆穿？

**A:** 关键是**真正理解代码**，不要只背答案。建议：
1. 亲自运行一遍完整Pipeline
2. 修改一个Agent的Prompt，观察输出变化
3. 尝试加一个新的Agent（比如Background Check Agent）
4. 读懂每个文件的代码逻辑

### Q: 三种语言版本有什么区别？

**A:**
- **Python版**：代码最完整，功能最丰富（异步/测试/CLI界面）
- **Java版**：Spring生态企业级架构，适合Java岗位面试
- **Go版**：高性能设计，利用goroutine并发，适合Go岗位

三个版本的**业务逻辑和架构设计完全一致**，只是语言和框架不同。

---

## 参考资料

### 项目灵感来源
- [CrewAI Recruitment Example](https://github.com/crewAIInc/crewAI-examples/tree/main/crews/recruitment) - CrewAI官方招聘示例
- [HireGenAI](https://github.com/chakrikaguttameedi/hiregenai-ai-hiring-intelligence) - AI招聘智能平台
- [Talent-Acquisition-Agent](https://github.com/ahmedeltaher/Talent-Acquisition-Agent) - 自动化招聘Agent

### 框架文档
- [LangGraph 文档](https://python.langchain.com/docs/langgraph) - Pipeline编排引擎
- [CrewAI 文档](https://docs.crewai.com/) - Agent角色定义
- [Spring AI Alibaba](https://github.com/alibaba/spring-ai-alibaba) - Java Agent框架
- [Eino 文档](https://www.cloudwego.io/docs/eino/overview/) - Go Agent框架

### 学习资源
- [Multi-Agent AI in 2026](https://dev.to/ottoaria/multi-agent-ai-in-2026-build-production-systems-with-crewai-langgraph-autogen-5e40) - 2026多Agent系统综述
- [Agentic AI面试题](https://agenticcareers.co/blog/agentic-ai-interview-questions-2026) - 2026最新面试题
- [如何在ML面试中谈多Agent系统](https://interviewnode.com/post/how-to-talk-about-multi-agent-systems-and-orchestrations-in-ml-interviews)

---

## Star / Fork

如果这个项目对你有帮助，请给一个 Star，让更多人看到！

有问题可以提 Issue，欢迎 PR 贡献！

---

## License

[MIT License](LICENSE) - 随意使用，注明出处即可。