auto resume
1.0.0
"Verbessern Sie" Ihre Erfahrung, um Ihre Chancen auf Interviews zu erhöhen und gleichzeitig wertvolle Zeit für Nebenprojekte und Lernen zu sparen.
Dieses Repository versucht, die Fähigkeiten von ChatGPT bei der Erzeugung von faszinierenderen und berufsbeschreibungsbereiteten Lebensläufen aus Ihrem Basis-Lebenslauf zu nutzen. Ich erkannte, dass die Konversionsrate vom Versenden von Lebensläufen zur Sicherung von Interviews außerordentlich niedrig war (etwa 2-3% pro 100 Anwendungen). Durch die Verbesserung Ihrer Chancen auf ein Interview müssen Sie Ihren Lebenslauf anpassen, um der Stellenbeschreibung zu entsprechen (z. B. relevante Schlüsselwörter wie 'Python' für eine Python -Entwicklerrolle). Ich fand diese Aufgabe "Lebensläufe passend" äußerst nervig und bedeutungslos. Als Softwareentwickler würden Sie es wahrscheinlich vorziehen, Ihre Zeit für die Erstellung Ihres nächsten wirkungsvollen Projekts zu widmen, um reale Probleme anzugehen-und Ihre Fähigkeiten im Bereich Software-Engineering zu nutzen, um das Leben anderer zu verbessern.
Infolgedessen bin ich motiviert, eine Lösung zu entwickeln, die die Wahrscheinlichkeit einer Interview verstärkt und gleichzeitig die wertvolle Zeit jedes Entwicklers bewahrt.
Ich stellte fest, dass der Auto -Modus keinen guten Job gemacht hat. Meistens machte die erzeugten Kugelpunkte keinen Sinn. Daher habe ich für den Moment eine Dash -App erstellt, um die Version zu steuern, um Ihren Lebenslauf zu steuern. Ich benutze einfach die Chatgpt -Weboberfläche, um Kugelpunkte zu generieren, und habe diese gute Generation in meiner Datenbank nur gespeichert. Zu diesem Zweck können Sie add experience in der App verwenden.
Verwenden Sie Poesie, um die Umgebung einzustellen
poetry install.env -Datei unter Bezugnahme auf .env.sample #
python seed.py # add this line in your .zshrc / .bashrc
export OPENAI_API_KEY= " your-openai-api-key "python generate_resume.py --resume your-base-resume-json.json --jd your-job-description.txtLetztes Update: 2023-11-17
Dieser Agent analysiert eine bestimmte Stellenbeschreibung, um Schlüsselinformationen zu extrahieren: die Berufsbezeichnung, die erforderlichen Fähigkeiten und andere wichtige Schlüsselwörter. Der Agent verwendet Jobbeschreibungen als Eingabe und formatiert die extrahierten Daten in ein DICT.
Job_Description : STR, die tatsächliche Stellenbeschreibung.
Dieser Agent verbessert eine Reihe von Berufserfahrungen, indem bestimmte Schlüsselwörter aus einer Stellenbeschreibung enthält. Ziel ist es, die Erfahrungen mehr auf die bereitgestellte Stellenbeschreibung zugeschnitten zu machen. Der Agent überprüft die Erfahrungen des Benutzers, die Auswahl relevanter Schlüsselwörter und schriftlich diese Erfahrungen mit den ausgewählten Schlüsselwörtern um.
Erfahrungen : STR, die Berufserfahrungen des Benutzers. Schlüsselwörter : Liste, die Liste der Schlüsselwörter, die aus einer Stellenbeschreibung extrahiert wurden
Dieser Agent überarbeitet eine Reihe von Berufserfahrungen, indem bestimmte erforderliche Fähigkeiten einbezogen werden. Der Agent zielt darauf ab, die Erfahrungen an die Anforderungen an die Arbeitsanforderungen zu passen, indem relevante Fähigkeiten aufgenommen werden. Der Agent überprüft die Erfahrungen, wählt die relevantesten Fähigkeiten aus und schreibe die Erfahrungen mit diesen Fähigkeiten um.
Erfahrungen : STR, die Berufserfahrungen des Benutzers. Fähigkeiten : STR, die Liste der erforderlichen Fähigkeiten.
Dieser Agent verbessert die Arbeitserfahrungen aus dem Jobverlauf eines Benutzers. Ziel ist es, diese Erfahrungen nach festgelegten Kriterien zu verfeinern, um die Leistungen und Fähigkeiten des Benutzers möglicherweise besser widerzuspiegeln. Der Agent stellt sicher, dass die Erfahrungen handlungsorientiert, berufsfähig, klare, Fähigkeiten und Leistungen mit quantifizierbaren Ergebnissen sind.
Erfahrungen : STR, die Berufserfahrungen des Benutzers.
Die engine_v1.py verwendet ein Multi-Agent-System, um den Lebenslauf eines Benutzers gemäß einer bestimmten Stellenbeschreibung zu verfeinern. Die start() -Methode verkauft die Logik des Erstellens des Lebenslaufs und die Methode create_agents() initialisiert alle Agenten. So interagieren die Agenten und tragen zum Lebenslaufverbesserungsprozess bei:
Alle Agenten werden mit derselben LLM -Konfiguration (Sprachmodell) initialisiert.
Der JDParsingagent liest die Stellenbeschreibung und extrahiert wesentliche Details wie erforderliche Fähigkeiten und Schlüsselwörter.
Für jede Berufserfahrung im Basis -Lebenslauf enthält das SkillinjectingAgent relevante Fähigkeiten aus der Stellenbeschreibung in die Beschreibung der Berufserfahrung.
Anschließend enthält das KeywordinjectingAgent relevante Schlüsselwörter aus der Stellenbeschreibung in die Beschreibung der erweiterten Berufserfahrung.
Schließlich verfeinert die ExperienceDancingAgent die Beschreibungen der Arbeitserfahrung weiter, indem sie sicherstellen, dass sie actionorientiert, klar, mit Fähigkeiten und Leistungen mit quantifizierbaren Ergebnissen ausgerichtet sind.
Die aktualisierten Berufserfahrungen werden zusammengestellt und verwendet, um den ursprünglichen Basis -Lebenslauf zu aktualisieren. Anschließend wird eine Versorgungsfunktion create_resume() verwendet, um den aktualisierten Lebenslauf in eine DOCX -Datei zu formatieren, die in den angegebenen Ausgabedateipfad gespeichert wird.
Ihr Feedback zur Qualität und Effektivität dieser Lösung wird sehr geschätzt. Ich bin gespannt darauf, aus Ihren Einsichten zu lernen und zu verbessern! Sie können außerdem gerne Pull -Anfragen stellen - was zusammenarbeiten, um den Einstellungsprozess gemeinsam zu verbessern!
