09. Resume Parser Agent: резюме в структуру
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.
Получить из неструктурированного текста: контакты, опыт, навыки, образование. Затем — сравнить с требованиями вакансии. Граница: извлечение проверяемо, оценка соответствия — субъективна и потенциально предвзята.
Архитектура
Заголовок раздела «Архитектура»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"]
- Текст резюме читается из файла; PDF обрабатывается отдельным ридером.
- Модель возвращает JSON с полями профиля.
- Регулярка снимает обёртку и JSON парсится.
- При наличии описания вакансии выполняется второй вызов — сверка.
Что в коде
Заголовок раздела «Что в коде»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
Заголовок раздела «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
Заголовок раздела «Где сломается»- Потеря полей. Модель пропускает раздел, который плохо размечен.
- Придуманные данные. Телефон или дата, которых нет в резюме.
- Оценка как решение.
score_fitлегко 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
Заголовок раздела «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.
- 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.
Связь с другими разделами
Заголовок раздела «Связь с другими разделами»- Структурированный вывод — схема и валидация.
- HR и подбор — предвзятость и приватность.
- LangChain — фреймворк.
Материалы и источники
Заголовок раздела «Материалы и источники»- LangChain documentation — извлечение и структурированный вывод.