iam-epiphany/resume-agent
面试官可以随便问简历,AI没证据时不瞎编,而是明说自己在猜
ResumeMind 把简历、项目介绍、证书等个人资料整理成可检索的知识库,让面试官能自由提问,系统以第一人称作答。数字、日期这类硬事实必须来自检索到的证据,证据不足时系统会标注这是推测而不是编造。项目自带480项测试,并在30题评测集上展示了延迟优化的结果。
它做什么
- 把简历、证书、项目介绍等原始材料按主题重新整理成 Markdown 文档,再切块存入可检索的知识库
- 把问题分成自我介绍、项目深挖、通用技术、HR素质、简历细节等类型,不同类型采用不同的证据要求
- 把基于语义的检索和关键词检索结合起来用 RRF 方法融合结果,只有结果含糊时才额外用重排模型精细排序,以节省时间
- 生成回答后会检查数字、日期、专有名词等硬事实是否真的出现在检索到的证据里,以及是否被错误地归到了其他项目上
- 在30题面试评测集上,端到端响应延迟中位数从13.1秒降到4.08秒,期望事实命中率达到91.6%
为什么重要
基于简历的问答系统很容易编造不存在的经历或数字,这个项目展示了一种通过证据校验和事实台账来结构性降低这种风险的方法。它也是一个可以参考的实例,展示了 RAG 系统里检索、重排和时间预算该如何设计。
本仓库术语
- RAG · 先检索相关文档再依据其内容生成答案的方法
- Dense Retrieval · 即使关键词不完全匹配,也能找出语义相近文档的检索方式
- RRF 融合 · 把不同检索方式得到的排名结果合并成一个排名的方法
- Reranker · 对初步检索出的候选结果再次精细排序的模型
- Grounding 校验 · 检查生成答案中的事实是否真的存在于检索到的证据中的步骤
仓库简介（英文）
面向"面试官 × 简历主人公"场景的个人简历 RAG 问答 Agent：把简历、证书、荣誉、项目介绍放进知识库，面试官可对简历任意提问（自我介绍、项目深挖、技术八股、HR 素质、简历细节），系统以第一人称自然作答。核心设计是"宽松推理 + 诚实标注"——硬事实（数字/日期/证书名）必须来自检索，证据不足时强制标注"根据现有知识库推测"而非编造。支持多轮追问记忆、检索兜底链、置信度分级回答、访问码闸门与 IP 限流防刷。
在 GitHub 打开热门仓库
- vorssaint/vorssaint-utils一个免费菜单栏应用,顶替十几款付费Mac工具
- Alishahryar1/free-claude-code一个本地代理,把编程AI助手接到49家免费或低价模型服务商,不再只能用一家付费服务
- freestylefly/awesome-gpt-image-2把532个GPT-Image2案例拆解成可复用模板的提示词工程库
- block/buzz一个让人类和AI智能体在同一空间里聊天、写代码、做审查的开源协作平台
- NousResearch/hermes-agentNous Research推出的Hermes是一款越用越聪明的AI智能体
- virgiliojr94/book-to-skill把技术类书籍PDF变成AI编程助手随时可查阅的技能包
- VoltAgent/awesome-agent-skills把上千份让AI编程助手秒变专家的操作手册集中放在一个地方
- anthropics/claude-plugins-community一个把大家做的Claude插件集中起来供安装的仓库