CandidateMatcher

Для кода ревью в проекте использовался CodeRabbit и Copilot.
Документация на Sphinx: Docs

Описание

Проект предназначен для автоматической обработки резюме, извлечения ключевых данных и оценки соответствия кандидата вакансиям с использованием языковых моделей. Сначала происходит извлечение данных из резюме, затем осуществляется сопоставление кандидатов с вакансиями на основе их навыков и требований вакансий. Для работы проекта вместе с Ollama требуется как минимум 4гб видеопамяти. Для работы контейнера с gpu для быстрой работы необходим Nvidia Toolkit. Если нет возможности использовать GPU, то в файле docker-compose нужно удалить строчку: runtime: nvidia. В будущем для улучшения масштабирования вместо ollama можно будет использовать vllm.

Дополнительная настройка запуска

Пример извлечённых данных из резюме представлен в файле data/example.json.
Предоставленные вакансии представлены в файле data/vacancies.json.
Чтобы добавить новые вакансии, в json файле должны быть указаны следующие поля: название вакансии, описание и компетенции. Компетенции должны содержать как минимум один блок навыков (например, общие_компетенции), в котором будет список из компетенций, содержащий название компетенции и необходимый уровень. Например:
{"название": "Методы машинного обучения", "уровень": 2},.
В docker-compose файле можно изменить модель, которая будет использоваться.
Для интеграции с frontend необходимо указать токен для cloudflare туннеля и в frontend сервере указать новый адрес. Либо, если сервер будет работать в локальной сети с ML-сервисом, то можно указать адрес без cloudflare туннеля по localhost.

Запуск

Для запуска проекта достаточно выполнить команду:

docker-compose up --build

После этого порту 8000 и с эндпоинтом /candidate_match можно отправлять запрос с резюме в виде docx, pdf и txt форматах, после чего будет возвращён json с результатами. Результат будет содержать два поля: поле с подходящей вакансией (если хоть одна подходит) vacancy, поле, на сколько процентов кандидат подходит: percentage. За отсутствующие навыки будут вычитаться проценты. поле с описанием и рассуждением explaining и рекомендации recommendations. Кроме того, возвращает full_name с именем, email с email (если есть) и phone с номером телефона.

Более подробное описание технологий

Основные функции

• Парсинг резюме (PDF/DOCX/TXT):
  • Извлечение контактов (email, телефон, соцсети)
  • Автоматическое определение блоков (навыки, опыт, образование)
  • Распознавание базовой информации (ФИО, возраст, город)
• Анализ данных:
  • Извлечение ключевых слов с помощью YAKE
  • Нейросетевая оценка соответствия вакансиям (Ollama)
  • Генерация рекомендаций по обучению

Технологии

Обработка документов:

• pdfplumber
• python-docx

NLP:

• spaCy + ru_core_news_md (NER)
• YAKE (ключевые слова)
• RapidFuzz (fuzzy-сопоставление)

ML/LLM:

• Ollama (локальные LLM)
• Кастомные промпты
• JSON Schema валидация

Инфраструктура:

• Poetry
• Логирование
• Конфигурация через ENV