RecuriterIQ：基于语义搜索和大模型的智能简历筛选系统

RecuriterIQ是一款结合NLP、句子嵌入和Llama3大模型的智能招聘工具，核心目标是通过语义匹配替代传统关键词匹配，解决简历筛选中的耗时费力、人才遗漏、隐性偏见等痛点，实现公平高效的人才评估。

传统ATS（申请人追踪系统）依赖关键词匹配，存在三大问题：1. 候选人使用同义词或不同表达方式易被遗漏；2. 过度依赖关键词引发“简历优化”军备竞赛；3. 无法识别跨领域可迁移技能。此外，人工筛选耗时且存在隐性偏见，难以捕捉语义层面的能力匹配。

RecuriterIQ采用**句子嵌入（Sentence Embeddings）**技术，使用all-MiniLM-L6-2模型将简历和职位描述转换为高维向量，通过余弦相似度计算语义匹配度。该方法能识别：

• “项目管理”与“项目协调”的语义相近性
• “Python开发”与“Django后端工程师”的能力重叠
• 跨行业的可迁移技能组合 相比关键词匹配，有效避免了表达差异导致的人才遗漏。

在语义匹配分数基础上，系统调用Llama3-70B（通过Groq API）进行深度分析，输出：

• 技能提取：自动识别技术栈、软技能、行业经验
• 优势识别：突出候选人核心竞争力
• 岗位建议：推荐最适合的职位方向
• 改进建议：简历缺陷的具体优化方案
• 面试提示：针对性的HR面试问题
• 综合评分：0-100分的量化评估 系统架构采用前后端分离设计：用户→Streamlit前端→FastAPI后端→PDF提取/NLP预处理/嵌入/相似度计算/LLM分析→JSON响应→前端可视化，确保扩展性与模块化。

技术栈选择

层级	技术	选择理由
后端框架	FastAPI	高性能异步支持，自动生成API文档
前端框架	Streamlit	快速构建数据应用界面，Python原生
嵌入模型	all-MiniLM-L6-v2	轻量级但效果出色，适合生产部署
相似度计算	余弦相似度	业界标准，计算高效
大模型	Llama3-70B via Groq	开源可商用，Groq提供高速推理
PDF解析	pdfplumber	纯Python，表格和文本提取效果好
开发语言	Python 3.12	类型提示支持更好，性能优化

实现亮点

• 模块化设计：清晰的前后端职责分离，便于测试维护
• 异步处理：FastAPI异步特性支持并发处理多份简历
• 可配置性：通过环境变量调整相似度阈值、LLM温度参数等

核心功能

1. 简历上传解析：支持PDF格式，提取文本、表格及格式化信息
2. 语义匹配评分：0-100%分数+颜色编码（绿色≥80%，黄色60-80%，红色<60%）
3. AI驱动分析：解释匹配/不匹配原因，挖掘候选人潜在优势
4. 双向建议：为HR提供面试提示，为候选人提供简历改进与职业发展建议

应用场景

• 招聘团队：批量初筛、跨部门统一评估、激活历史人才库
• 求职者：简历诊断、岗位匹配推荐、技能缺口明确

当前版本仅支持PDF格式简历，未来计划扩展：

• Word文档解析
• 图片简历OCR识别
• 多语言简历处理
• 批量文件夹上传
• 主流ATS系统集成

RecuriterIQ并非取代HR，而是通过AI技术增强其决策能力：语义搜索发现被关键词过滤遗漏的人才，大模型提供深度洞察，最终实现更公平、高效的招聘流程。作为开源解决方案，它可直接部署且易于定制，适合希望提升招聘质量的团队。