auto resume
1.0.0
"Améliorez" votre expérience pour augmenter vos chances d'atterrir des entretiens, tout en économisant un temps précieux pour les projets secondaires et l'apprentissage.
Ce référentiel cherche à exploiter les capacités de Chatgpt pour générer plus de curriculum vitae captivante et de description de travail à partir de votre CV de base. J'ai réalisé que le taux de conversion de l'envoi de curriculum vitae à la sécurisation des entretiens était extrêmement faible (environ 2 à 3% pour 100 demandes). L'amélioration de vos chances d'une entrevue nécessite d'adapter votre CV pour correspondre à la description de poste (par exemple, incorporant des mots clés pertinents comme «Python» pour un rôle de développeur Python). J'ai trouvé que cette tâche "ajustée" était extrêmement ennuyeuse et dénuée de sens. En tant que développeur de logiciels, vous préférez probablement consacrer votre temps à créer votre prochain projet percutant pour résoudre les problèmes du monde réel - utiliser vos compétences en génie logiciel pour améliorer la vie des autres.
Par conséquent, je suis motivé à développer une solution qui amplifie la probabilité de décrocher une interview tout en préservant le temps précieux de chaque développeur.
J'ai trouvé que le mode automatique n'avait pas fait du bon travail. La plupart du temps, les puces générées n'avaient pas de sens. Par conséquent, pour le moment, j'ai créé une application Dash pour contrôler votre CV. J'utilise simplement l'interface Web ChatGPT pour générer des puces et je n'ai stocké cette bonne génération dans ma base de données. Vous pouvez utiliser add experience sur l'application pour le faire.
Utiliser la poésie pour configurer l'environnement
poetry install.env en référence à .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.txtDernière mise à jour: 2023-11-17
Cet agent analyse une description de travail donnée pour extraire les informations clés: le titre du poste, les compétences requises et d'autres mots clés importants. L'agent utilisera les descriptions de travail en entrée et formatera les données extraites dans un dict.
Job_description : Str, La description réelle du poste.
Cet agent améliore un ensemble d'expériences professionnelles en incorporant des mots clés spécifiques dérivés d'une description de poste. L'objectif est de rendre les expériences plus adaptées à la description de travail fournie. L'agent examinera les expériences de l'utilisateur, la sélection des mots clés pertinents, puis réécrira ces expériences avec les mots clés choisis.
Expériences : STR, les expériences professionnelles de l'utilisateur. Mots-clés : liste, la liste des mots clés extraits d'une description de travail
Cet agent révise un ensemble d'expériences professionnelles en incluant certaines compétences requises. L'agent vise à adapter les expériences pour mieux répondre aux exigences du travail en incluant les compétences pertinentes. L'agent examinera les expériences, sélectionnera les compétences les plus pertinentes et réécrira les expériences avec ces compétences incluses.
Expériences : STR, les expériences professionnelles de l'utilisateur. Compétences : STR, La liste des compétences requises.
Cet agent améliore les expériences professionnelles fournies à partir de l'historique du travail d'un utilisateur. L'objectif est d'affiner ces expériences en fonction des critères spécifiés pour potentiellement refléter les réalisations et les compétences de l'utilisateur. L'agent garantit que les expériences sont orientées vers l'action, le service d'emploi clair, inclusive des compétences et axé sur les résultats avec des résultats quantifiables.
Expériences : STR, les expériences professionnelles de l'utilisateur.
Le engine_v1.py utilise un système multi-agents pour affiner le curriculum vitae d'un utilisateur en fonction d'une description de travail donnée. La méthode start() résume la logique de la construction du CV et la méthode create_agents() initialise tous les agents. Voici comment les agents interagissent et contribuent au processus d'amélioration du CV:
Tous les agents sont initialisés avec la même configuration LLM (modèle de langue).
Le JDParsingAgent lit la description du travail et extrait les détails essentiels comme les compétences et les mots clés requis.
Pour chaque expérience professionnelle dans le CV de base, le SkillInjectingAgent intègre les compétences pertinentes de la description du travail dans la description de l'expérience du travail.
Par la suite, la clé de touche clé intègre des mots clés pertinents de la description du travail dans la description de l'expérience de travail améliorée.
Enfin, l'expérience en Agentent affine en outre les descriptions de l'expérience de travail en s'assurant qu'elles sont orientées vers l'action, claire, inclusive des compétences et axée sur les résultats avec des résultats quantifiables.
Les expériences d'emploi mises à jour sont rassemblées et utilisées pour mettre à jour le CV de base d'origine. Une fonction utilitaire create_resume() est ensuite utilisée pour formater le curriculum vitae mis à jour dans un fichier docx, qui est enregistré sur le chemin du fichier de sortie spécifié.
Vos commentaires sur la qualité et l'efficacité de cette solution sont très appréciés. J'ai hâte d'apprendre et de m'améliorer de vos idées! De plus, n'hésitez pas à faire des demandes de traction - Collaborez pour améliorer le processus d'embauche ensemble!
