﻿---
title: "09. Resume Parser Agent: резюме в структуру"
description: LangChain-агент превращает резюме в JSON-профиль и оценивает соответствие вакансии; пример извлечения данных и его ограничений.
---

Агент читает резюме (TXT или PDF), извлекает поля в структурированный профиль и
при необходимости оценивает соответствие описанию вакансии. Наглядный пример того,
где заканчивается извлечение и начинается недопустимая оценка.

## Задача

Получить из неструктурированного текста: контакты, опыт, навыки, образование.
Затем — сравнить с требованиями вакансии. Граница: извлечение проверяемо,
оценка соответствия — субъективна и потенциально предвзята.

## Архитектура

```mermaid
flowchart LR
  R["Резюме (txt/pdf)"] --> X["Извлечение текста"]
  X --> P["Промпт: JSON-схема"]
  P --> J["parse_json_response"]
  J --> S["Профиль"]
  S --> F["Сверка с вакансией"]
  F --> O["Оценка"]
```

## Поток

1. Текст резюме читается из файла; PDF обрабатывается отдельным ридером.
2. Модель возвращает JSON с полями профиля.
3. Регулярка снимает обёртку и JSON парсится.
4. При наличии описания вакансии выполняется второй вызов — сверка.

## Что в коде

```python
def parse_resume(text: str) -> dict:
    response = llm.invoke([SystemMessage(content=RESUME_PROMPT), HumanMessage(content=text)])
    return parse_json_response(response.content)

def score_fit(profile: dict, job_desc: str) -> dict: ...
```

## Чему учит

- **Извлечение — правильная задача для модели.** Формализуемая, проверяемая по
  исходнику.
- **Два вызова вместо одного.** Извлечение и оценка разделены, и это правильно:
  их можно включать независимо.
- **JSON как контракт** позволяет сохранить профиль в базу, а не перечитывать текст.

## Где сломается

- **Потеря полей.** Модель пропускает раздел, который плохо размечен.
- **Придуманные данные.** Телефон или дата, которых нет в резюме.
- **Оценка как решение.** `score_fit` легко превращается в автоматический отказ —
  это юридический и этический риск.
- **Персональные данные в промпте.** Дата рождения, адрес, семейное положение не
  должны уходить в модель.

## Как улучшить

- Валидировать профиль схемой и сверять с исходником (каждое поле должно
  встречаться в тексте).
- Удалять лишние персональные данные до вызова — см.
  [21. PII Sanitization](https://wpcraft.ru/aia/examples/21-pii-sanitization-agent.md).
- Оценку соответствия оставить человеку или сделать объяснимой: список совпадений
  и расхождений вместо одного числа.
- Проверять на парах резюме с одинаковым опытом — см.
  [HR и подбор](https://wpcraft.ru/aia/use-cases/hr-and-recruiting.md).

## Связь с другими разделами

- [Структурированный вывод](https://wpcraft.ru/aia/patterns/structured-output.md) — схема и валидация.
- [HR и подбор](https://wpcraft.ru/aia/use-cases/hr-and-recruiting.md) — предвзятость и приватность.
- [LangChain](https://wpcraft.ru/aia/frameworks/langchain.md) — фреймворк.

## Материалы и источники

- [LangChain documentation](https://python.langchain.com) — извлечение и структурированный вывод.