技能介绍

解决简历筛选中的结构解析与标准化评分问题

在招聘流程中，从海量简历中快速提取关键信息并评估其质量是一项重复性高且易受主观影响的工作。不同候选人使用的文档格式各异，排版风格也大相径庭，导致人工提取教育背景、工作经历和技术栈时效率低下，且评分标准难以统一。

工作原理与核心能力

该技能通过本地运行的 LLM 分析器（默认为 Ollama 上的 Qwen2.5:7b，亦可替换为任意 OpenAI 兼容接口）将非结构化文本转化为标准化的 JSON 数据。

多格式解析与双语分段：利用 PyMuPDF 和 python-docx 提取纯文本，通过中英双语正则表达式识别教育、经验、技能、项目等核心区块。
结构化信息提取：输出包含联系方式、工作年限、当前职位、STAR 格式完整性检测、技能标签（技术/语言/软技能/工具）及项目经历的结构化数据。
六维度百分制评分：从格式结构（15分）、经验质量（25分）、技能匹配度（25分）、教育背景（10分）、项目与附加项（15分）以及可读性（10分）六个维度进行量化打分。
JD 匹配与可视化报告：若提供职位描述（JD），可计算技能重叠率，并生成包含半圆形仪表盘、六维雷达图、进度条及优先级改进建议的自包含 HTML 报告。

适用边界与注意点

该工具仅用于读取与评分，不包含简历排版或生成功能。它无法处理图片或扫描版 PDF（无 OCR 功能），也不支持命令行批量处理。若本地 LLM 后端不可用，系统会触发基于正则的降级策略，此时提取精度和建议质量会有所下降，但仍能生成基础报告。评分模型基于规则启发式算法（如动作动词频率、量化成果比例），提供的是方向性指导而非绝对评价。