一个使用FastAPI和Groq LLM构建的端到端AI简历筛选系统，自动分析候选人简历与职位描述的匹配度，提供结构化评估报告。

• 原作者/维护者：Yogi1107
• 来源平台：github
• 原始标题：AI_Resume_Screener
• 原始链接：https://github.com/Yogi1107/AI_Resume_Screener
• 来源发布时间/更新时间：2026-06-04T08:44:21Z

AI简历筛选系统：基于大语言模型的智能招聘助手\n\n## 原作者与来源\n\n- 原作者/维护者: Yogi1107\n- 来源平台: GitHub\n- 原始标题: AI_Resume_Screener\n- 原始链接: https://github.com/Yogi1107/AI_Resume_Screener\n- 在线演示: https://llm-resume-screener.streamlit.app/\n- 发布时间: 2026年6月4日\n\n## 项目概述\n\nAI Resume Screener是一个端到端的AI驱动简历筛选系统，它利用大语言模型（LLM）自动评估候选人的简历与给定职位描述的匹配程度。这个系统为招聘流程提供了一个智能化的初筛工具，能够在几秒钟内生成结构化的分析报告，包括匹配度评分、优势分析、技能缺口识别以及最终的录用建议。\n\n传统的简历筛选往往依赖HR人工阅读，耗时且容易受主观因素影响。这个项目展示了如何利用现代AI技术将这一过程自动化，同时保持评估的专业性和一致性。对于需要处理大量简历的招聘团队来说，这是一个极具实用价值的开源工具。\n\n## 核心功能与技术特性\n\n### 智能PDF解析\n\n系统使用PyMuPDF（fitz）库从上传的PDF简历中提取文本内容。这一步骤是整个流程的基础，需要处理各种格式的简历文件，确保关键信息（如姓名、工作经历、技能列表）能够被准确提取。\n\n### LLM驱动的智能分析\n\n项目的核心是与Groq API的集成，默认使用llama-3.1-8b-instant模型进行简历评估。Groq以其极快的推理速度著称，这使得系统能够在秒级时间内完成复杂的自然语言理解任务。分析过程包括：\n\n- 理解职位描述中的关键要求\n- 从简历中提取相关技能和经验\n- 计算整体匹配度评分（0-100分）\n- 识别候选人的核心优势\n- 发现与职位要求相比的技能缺口\n- 生成最终的录用建议（Interview/Reject）\n\n### 高效的缓存机制\n\n系统集成了Valkey/Redis缓存层，对于相同的简历+职位描述组合，系统会直接返回缓存结果，避免重复调用LLM API。这不仅降低了API调用成本，也显著提升了响应速度。缓存默认TTL为24小时，同时系统具备优雅降级能力，即使缓存服务不可用也能正常工作。\n\n### 标准化的API接口\n\n基于FastAPI框架构建的RESTful API提供了清晰的接口契约：\n\n请求参数:\n- resume: PDF格式的简历文件（必填）\n- job_description: 纯文本格式的职位描述（必填）\n\n响应结构:\njson\n{\n \"candidate_name\": \"候选人姓名\",\n \"match_score\": 82,\n \"key_strengths\": [\"优势1\", \"优势2\"],\n \"missing_critical_skills\": [\"缺失技能1\"],\n \"recommendation\": \"Interview\",\n \"reasoning\": \"评估理由...\",\n \"cache\": \"MISS\",\n \"model\": \"llama-3.1-8b-instant\"\n}\n\n\n## 技术架构与实现细节\n\n### 系统架构流程\n\n整个系统的工作流程设计清晰：\n\n1. 接收请求: FastAPI服务器接收包含PDF简历和职位描述的POST请求\n2. 文本提取: 使用PyMuPDF从PDF中提取文本内容\n3. 内容预处理: 对提取的文本进行规范化处理，截断至4000字符以内\n4. 缓存检查: 基于简历内容和职位描述生成SHA-256哈希作为缓存键\n5. LLM推理: 如果缓存未命中，调用Groq API进行智能分析\n6. 结果缓存: 将LLM返回的结构化JSON结果存入缓存\n7. 响应返回: 向客户端返回完整的评估报告\n\n### 技术栈选择\n\n| 组件 | 技术选型 | 选择理由 |\n|------|----------|----------|\n| Web框架 | FastAPI | 高性能异步支持、自动生成API文档 |\n| LLM服务 | Groq API | 极快的推理速度、成本效益高 |\n| 默认模型 | llama-3.1-8b-instant | 平衡性能与成本、支持结构化输出 |\n| PDF解析 | PyMuPDF | 快速准确、支持多种PDF格式 |\n| 缓存层 | Valkey/Redis | 高性能键值存储、广泛部署支持 |\n| 部署 | Streamlit | 快速构建演示界面 |\n\n### 环境配置与部署\n\n#### 本地开发环境\n\n系统要求:\n- Python 3.9+\n- Groq API密钥（从https://console.groq.com/获取）\n- 可选：Valkey或Redis实例用于缓存\n\n安装步骤:\n\nbash\n# 克隆仓库\ngit clone https://github.com/Yogi1107/AI_Resume_Screener.git\ncd AI_Resume_Screener\n\n# 安装依赖\npip install fastapi uvicorn groq pymupdf redis python-dotenv python-multipart\n\n# 配置环境变量\ncp .env.example .env\n# 编辑.env文件，填入GROQ_API_KEY等配置\n\n# 启动服务\npython main.py\n# 或使用uvicorn\nuvicorn main:app --host 127.0.0.1 --port 5000 --reload\n\n\n环境变量配置:\n\nbash\n# 必需\nGROQ_API_KEY=your_groq_api_key_here\n\n# 可选 - 模型选择\nGROQ_MODEL=llama-3.1-8b-instant\n\n# 可选 - 缓存配置\nVALKEY_HOST=localhost\nVALKEY_PORT=6379\nCACHE_TTL=86400 # 24小时\n\n\n## API使用示例\n\n### cURL调用示例\n\n```bash\ncurl -X POST http://127.0.0.1:5000/screen \\

-F "resume=@/path/to/resume.pdf" \
-F "job_description=我们正在寻找一位具有FastAPI经验的Python后端工程师..."\n\n\n### Python调用示例\n\npython\nimport requests\n\nwith open("resume.pdf", "rb") as f:\n response = requests.post(\n "http://127.0.0.1:5000/screen\",\n files={"resume": ("resume.pdf", f, "application/pdf")},\n data={"job_description": "寻找资深Python工程师..."}\n )\n\nresult = response.json()\nprint(f"匹配度: {result['match_score']}%")\nprint(f"建议: {result['recommendation']}")\n\n\n### 健康检查端点\n\nbash\ncurl http://127.0.0.1:5000/health\n```\n\n返回示例:\n```json\n{\n "status": "ok",\n "model": "llama-3.1-8b-instant",\n "cache": "connected"\n}\n```\n\n## 应用场景与价值\n\n### 招聘团队效率提升\n\n对于每天需要处理数十甚至上百份简历的招聘团队，这个系统可以：\n\n- 快速初筛: 在几秒钟内获得候选人的匹配度评分\n- 标准化评估: 消除人工筛选的主观偏差\n- 聚焦优质候选人: 优先处理高匹配度的申请\n- 发现隐藏人才: LLM可能发现人工筛选容易忽略的技能关联\n\n### 技术实现参考价值\n\n这个项目展示了几个值得学习的工程实践：\n\n- LLM应用架构: 如何构建生产级的LLM调用流程\n- 成本优化: 通过缓存减少重复API调用\n- 错误处理: 优雅降级和错误边界设计\n- API设计: 清晰的接口契约和文档\n\n## 局限性与注意事项\n\n### 当前局限\n\n- PDF格式依赖: 系统仅支持PDF格式的简历\n- 文本截断: 超长简历可能会被截断，影响评估完整性\n- 模型局限: LLM可能产生幻觉或误解特定领域的专业术语\n- 隐私考虑: 简历数据需要传输到Groq API进行处理\n\n### 使用建议\n\n- 将此系统作为初筛工具，而非最终决策依据\n- 对于高匹配度候选人，仍建议人工复核\n- 考虑在内部部署以更好地控制数据隐私\n- 定期评估和调整系统输出的准确性\n\n## 扩展可能性\n\n这个项目为更复杂的招聘自动化系统奠定了基础。可能的扩展方向包括：\n\n- 多格式支持: 扩展支持Word、纯文本等简历格式\n- 批量处理: 添加批量上传和异步处理功能\n- 历史追踪: 集成数据库记录筛选历史和候选人状态\n- 自定义评分: 允许配置不同职位类型的评分权重\n- 面试问题生成: 基于简历和职位描述自动生成面试问题\n\n## 总结\n\nAI Resume Screener是一个实用且设计良好的开源项目，它展示了如何将大语言模型技术应用于实际的业务场景。对于希望了解LLM应用开发、构建AI驱动工具的开发者和团队来说，这是一个值得研究和借鉴的参考实现。

原作者与来源

• 原作者/维护者：Yogi1107
• 来源平台：github
• 原始标题：AI_Resume_Screener
• 原始链接：https://github.com/Yogi1107/AI_Resume_Screener
• 来源发布时间/更新时间：2026-06-04T08:44:21Z AI简历筛选系统：基于大语言模型的智能招聘助手\n\n原作者与来源\n\n- 原作者/维护者: Yogi1107\n- 来源平台: GitHub\n- 原始标题: AI_Resume_Screener\n- 原始链接: https://github.com/Yogi1107/AI_Resume_Screener\n- 在线演示: https://llm-resume-screener.streamlit.app/\n- 发布时间: 2026年6月4日\n\n项目概述\n\nAI Resume Screener是一个端到端的AI驱动简历筛选系统，它利用大语言模型（LLM）自动评估候选人的简历与给定职位描述的匹配程度。这个系统为招聘流程提供了一个智能化的初筛工具，能够在几秒钟内生成结构化的分析报告，包括匹配度评分、优势分析、技能缺口识别以及最终的录用建议。\n\n传统的简历筛选往往依赖HR人工阅读，耗时且容易受主观因素影响。这个项目展示了如何利用现代AI技术将这一过程自动化，同时保持评估的专业性和一致性。对于需要处理大量简历的招聘团队来说，这是一个极具实用价值的开源工具。\n\n核心功能与技术特性\n\n智能PDF解析\n\n系统使用PyMuPDF（fitz）库从上传的PDF简历中提取文本内容。这一步骤是整个流程的基础，需要处理各种格式的简历文件，确保关键信息（如姓名、工作经历、技能列表）能够被准确提取。\n\nLLM驱动的智能分析\n\n项目的核心是与Groq API的集成，默认使用llama-3.1-8b-instant模型进行简历评估。Groq以其极快的推理速度著称，这使得系统能够在秒级时间内完成复杂的自然语言理解任务。分析过程包括：\n\n- 理解职位描述中的关键要求\n- 从简历中提取相关技能和经验\n- 计算整体匹配度评分（0-100分）\n- 识别候选人的核心优势\n- 发现与职位要求相比的技能缺口\n- 生成最终的录用建议（Interview/Reject）\n\n高效的缓存机制\n\n系统集成了Valkey/Redis缓存层，对于相同的简历+职位描述组合，系统会直接返回缓存结果，避免重复调用LLM API。这不仅降低了API调用成本，也显著提升了响应速度。缓存默认TTL为24小时，同时系统具备优雅降级能力，即使缓存服务不可用也能正常工作。\n\n标准化的API接口\n\n基于FastAPI框架构建的RESTful API提供了清晰的接口契约：\n\n请求参数:\n- resume: PDF格式的简历文件（必填）\n- job_description: 纯文本格式的职位描述（必填）\n\n响应结构:\njson\n{\n \"candidate_name\": \"候选人姓名\",\n \"match_score\": 82,\n \"key_strengths\": [\"优势1\", \"优势2\"],\n \"missing_critical_skills\": [\"缺失技能1\"],\n \"recommendation\": \"Interview\",\n \"reasoning\": \"评估理由...\",\n \"cache\": \"MISS\",\n \"model\": \"llama-3.1-8b-instant\"\n}\n\n\n技术架构与实现细节\n\n系统架构流程\n\n整个系统的工作流程设计清晰：\n\n1. 接收请求: FastAPI服务器接收包含PDF简历和职位描述的POST请求\n2. 文本提取: 使用PyMuPDF从PDF中提取文本内容\n3. 内容预处理: 对提取的文本进行规范化处理，截断至4000字符以内\n4. 缓存检查: 基于简历内容和职位描述生成SHA-256哈希作为缓存键\n5. LLM推理: 如果缓存未命中，调用Groq API进行智能分析\n6. 结果缓存: 将LLM返回的结构化JSON结果存入缓存\n7. 响应返回: 向客户端返回完整的评估报告\n\n技术栈选择\n\n| 组件 | 技术选型 | 选择理由 |\n|------|----------|----------|\n| Web框架 | FastAPI | 高性能异步支持、自动生成API文档 |\n| LLM服务 | Groq API | 极快的推理速度、成本效益高 |\n| 默认模型 | llama-3.1-8b-instant | 平衡性能与成本、支持结构化输出 |\n| PDF解析 | PyMuPDF | 快速准确、支持多种PDF格式 |\n| 缓存层 | Valkey/Redis | 高性能键值存储、广泛部署支持 |\n| 部署 | Streamlit | 快速构建演示界面 |\n\n环境配置与部署\n\n本地开发环境\n\n系统要求:\n- Python 3.9+\n- Groq API密钥（从https://console.groq.com/获取）\n- 可选：Valkey或Redis实例用于缓存\n\n安装步骤:\n\nbash\n克隆仓库\ngit clone https://github.com/Yogi1107/AI_Resume_Screener.git\ncd AI_Resume_Screener\n\n安装依赖\npip install fastapi uvicorn groq pymupdf redis python-dotenv python-multipart\n\n配置环境变量\ncp .env.example .env\n编辑.env文件，填入GROQ_API_KEY等配置\n\n启动服务\npython main.py\n或使用uvicorn\nuvicorn main:app --host 127.0.0.1 --port 5000 --reload\n\n\n环境变量配置:\n\nbash\n必需\nGROQ_API_KEY=your_groq_api_key_here\n\n可选 - 模型选择\nGROQ_MODEL=llama-3.1-8b-instant\n\n可选 - 缓存配置\nVALKEY_HOST=localhost\nVALKEY_PORT=6379\nCACHE_TTL=86400 24小时\n\n\nAPI使用示例\n\ncURL调用示例\n\n```bash\ncurl -X POST http://127.0.0.1:5000/screen \\

-F "resume=@/path/to/resume.pdf" \
-F "job_description=我们正在寻找一位具有FastAPI经验的Python后端工程师..."\n\n\nPython调用示例\n\npython\nimport requests\n\nwith open("resume.pdf", "rb") as f:\n response = requests.post(\n "http://127.0.0.1:5000/screen\",\n files={"resume": ("resume.pdf", f, "application/pdf")},\n data={"job_description": "寻找资深Python工程师..."}\n )\n\nresult = response.json()\nprint(f"匹配度: {result['match_score']}%")\nprint(f"建议: {result['recommendation']}")\n\n\n健康检查端点\n\nbash\ncurl http://127.0.0.1:5000/health\n```\n\n返回示例:\n```json\n{\n "status": "ok",\n "model": "llama-3.1-8b-instant",\n "cache": "connected"\n}\n```\n\n应用场景与价值\n\n招聘团队效率提升\n\n对于每天需要处理数十甚至上百份简历的招聘团队，这个系统可以：\n\n- 快速初筛: 在几秒钟内获得候选人的匹配度评分\n- 标准化评估: 消除人工筛选的主观偏差\n- 聚焦优质候选人: 优先处理高匹配度的申请\n- 发现隐藏人才: LLM可能发现人工筛选容易忽略的技能关联\n\n技术实现参考价值\n\n这个项目展示了几个值得学习的工程实践：\n\n- LLM应用架构: 如何构建生产级的LLM调用流程\n- 成本优化: 通过缓存减少重复API调用\n- 错误处理: 优雅降级和错误边界设计\n- API设计: 清晰的接口契约和文档\n\n局限性与注意事项\n\n当前局限\n\n- PDF格式依赖: 系统仅支持PDF格式的简历\n- 文本截断: 超长简历可能会被截断，影响评估完整性\n- 模型局限: LLM可能产生幻觉或误解特定领域的专业术语\n- 隐私考虑: 简历数据需要传输到Groq API进行处理\n\n使用建议\n\n- 将此系统作为初筛工具，而非最终决策依据\n- 对于高匹配度候选人，仍建议人工复核\n- 考虑在内部部署以更好地控制数据隐私\n- 定期评估和调整系统输出的准确性\n\n扩展可能性\n\n这个项目为更复杂的招聘自动化系统奠定了基础。可能的扩展方向包括：\n\n- 多格式支持: 扩展支持Word、纯文本等简历格式\n- 批量处理: 添加批量上传和异步处理功能\n- 历史追踪: 集成数据库记录筛选历史和候选人状态\n- 自定义评分: 允许配置不同职位类型的评分权重\n- 面试问题生成: 基于简历和职位描述自动生成面试问题\n\n总结\n\nAI Resume Screener是一个实用且设计良好的开源项目，它展示了如何将大语言模型技术应用于实际的业务场景。对于希望了解LLM应用开发、构建AI驱动工具的开发者和团队来说，这是一个值得研究和借鉴的参考实现。