Ещё недавно подготовка CV занимала 40 минут. Теперь — 30 секунд и помощь ИИ в анализе кандидатов.
Рекрутер «Технократии» Идрис Садриев рассказывает, как с помощью вайб-кодинга сделал парсер, из которого выросла внутренняя HR-платформа с искусственным интеллектом для создания резюме и оценки кандидатов.
С чего всё началось?
HR-отдел работает с большим количеством резюме подрядчиков. Их нужно оформлять в брендированном шаблоне компании: взять исходный файл, перенести опыт, проекты, стек технологий, иногда переписать формулировки. На первый взгляд просто, но муторно: один документ отнимал от 20 до 40 минут. Когда таких резюме десятки — это превращается в бесконечный «копипаст- конвейер».
Задача была очевидна: сократить время подготовки CV и убрать рутину.
Первый шаг: классический парсер
Началось все с простого: я объяснил ChatGPT проблему и спросил, как это можно автоматизировать. Решение — написать парсер, который принимает исходное резюме и заполняет готовый корпоративный шаблон, и сделать это на Python и Flask.
Я попросил ChatGPT пошагово объяснить, как это реализовать, что установить, изучил документацию API нашей базы с резюме. ChatGPT в стиле «репетитора» вел меня от настройки среды до написания кода.
Первая версия классического парсера была готова за неделю.
Все выглядело достаточно просто: по ID кандидата через API возвращался JSON, из которого вытаскивались только нужные поля. Отфильтрованная информация сразу же подставлялась в фирменный шаблон, а готовый документ автоматически сохранялся в Google Drive.
То, что раньше занимало полчаса, теперь делалось за 30 секунд.
Второй шаг: ИИ-парсер
Проблема возникла при загрузке резюме в виде файлов. Опыт кандидата оказывался в одном сплошном «description» — несколько страниц текста без разбивки. Для такого формата классический парсер был бесполезен. Тогда и появилась идея подключить искусственный интеллект.
В «Технократии» у нас есть LLMBox — инструмент, позволяющий подключать любую языковую модель к сервису. Я показал свой проект техническому директору, и он выдал мне авторизационный токен для доступа к LLMBox. Через Cursor написал код, вставил токен и написал промпт.
В результате получился ИИ-парсер. Он так же работает через базу кандидатов. «Сырые» тексты теперь отправляются в LLMBox, а модель, в нашем случае ChatGPT, возвращает аккуратный JSON со структурой: ФИО, опыт, стек, проекты. Дальше всё привычно: JSON обрабатывается, данные подставляются в шаблон.
Важно: в систему загружается только профессиональная часть резюме — опыт, проекты, стек технологий. Персональные данные кандидатов (контакты, паспортные данные и т. п.) не передаются в ИИ и остаются вне обработки.
Из парсера в HR-платформу
На парсере история не закончилась. Работа рекрутера — это не только оформление резюме, но и постоянный анализ: кто лучше подходит под вакансию, какие вопросы задать на собеседовании, как не потерять важные детали среди десятков кандидатов.
Так появилась идея превратить работающий парсер в полноценную ИИ-платформу для HR.
К парсеру добавился модуль анализа кандидатов. А чтобы пользоваться системой было удобно, постепенно дорабатывался интерфейс — с помощью readdy.ai удалось собрать рабочее пространство, в котором можно создавать вакансии, загружать резюме и сразу видеть аналитику.
Система позволяет анализировать кандидатов несколькими способами:
-
по ID из базы кандидатов — для стандартного анализа одного кандидата;
-
загрузка документов — для прямой обработки резюме файлами.
ИИ сравнивает резюме с требованиями вакансии и выдает процент соответствия, а также сильные и слабые стороны кандидата. Если нужных данных не хватает, ИИ может сгенерировать уточняющие вопросы.
Как это было сделано
Вся разработка — чистый вайб-кодинг. Не имея опыта профессионального разработчика, работая в спокойном темпе, на проект ушел примерно месяц.
ИИ – инструменты: ChatGPT, Cursor, readdy.ai, LLMBox
Backend: Python, Flask, SQLAlchemy, SQLite, Pandas
Frontend: Next.js, React, TypeScript, Tailwind CSS
Результаты
За несколько недель «копипаст-конвейер» превратился во внутреннюю HR-платформу с ИИ, которая закрывает сразу несколько задач:
-
автоматическое создание брендированных CV;
-
анализ кандидатов по вакансиям с оценкой релевантности;
-
генерация уточняющих вопросов, чтобы не упустить важное на собеседовании.
Если раньше одно CV отнимало до 40 минут, то теперь готовый документ появляется за 30 секунд, а рекрутеры экономят часы работы каждую неделю.
Читайте также:
Как мы собрали генератор тест-кейсов с GenAI под капотом
Что происходит на рынке LegalTech, и как в него интегрируют искусственный интеллект
«Голос Технократии» — Telegram-канал с новостями про AI.
Автор: madballer34
