Алгоритмы автоматической адаптации опыта соискателя под требования вакансий

Рекрутеры крупных технологических компаний тратят в среднем 6–8 секунд на первичный просмотр одного резюме. Если за это время их взгляд не зацепится за знакомые технологии или опыт, напрямую отвечающий болям нанимающего менеджера, резюме отправляется в архив.

Поскольку каждая вакансия уникальна, отправлять одно универсальное резюме (Generic CV) на десятки разных вакансий неэффективно. Однако ручная переработка резюме под каждую компанию занимает часы.

Здесь на сцену выходят алгоритмы AI Resume Tailoring (автоматической адаптации резюме). С развитием LLM (Large Language Models) стало возможным семантически сопоставлять текстовое описание вакансии и опыт кандидата, перестраивая акценты в резюме “на лету” без ручного труда.

В этой статье мы подробно разберем математику и алгоритмы, лежащие в основе профессиональных систем адаптации резюме, спроектируем архитектуру RAG (Retrieval-Augmented Generation) для карьерных данных соискателя и напишем модуль валидации изменений на Python.

---

1. Архитектура RAG для личного опыта соискателя

Наивный подход к адаптации резюме через LLM выглядит так: мы передаем в контекст модели полное резюме, текст вакансии и просим переписать текст. Однако при таком подходе модель часто выходит за рамки контекста и начинает выдумывать несуществующие детали (галлюцинировать).

Чтобы получить управляемый, детерминированный результат, мы должны разделить резюме на атомарные блоки опыта (chunks) и использовать архитектуру RAG.

[Текст вакансии (JD)] ──► [Извлечение требований (Entity Extraction)]
                                     │
                                     ▼
[База опыта соискателя (Full CV)] ──► [Семантический поиск (Qdrant)] 
                                     │
                                     ▼
                               [Ранжирование блоков] ──► [LLM Генератор] ──► [Адаптированный PDF]

Пайплайн работы алгоритма:

1. Декомпозиция опыта: Мы храним не просто один текстовый файл резюме, а структурированную базу данных опыта кандидата. Каждый проект, каждое достижение в формате STAR, каждый использованный стек технологий хранится как отдельный документ с метаданными.
2. Анализ требований вакансии: Из Job Description извлекаются ключевые сущности (Entities): роли, обязательные технологии, желательные технологии, бизнес-достижения.
3. Семантический поиск и ранжирование: На основе извлеченных сущностей выполняется векторный поиск по базе опыта кандидата. Алгоритм находит те проекты и достижения из вашего прошлого, которые максимально близки к требованиям вакансии.
4. Контекстная генерация (Tailoring): LLM получает в качестве контекста только те реальные проекты кандидата, которые соответствуют вакансии, и адаптирует их формулировки, используя терминологию нанимателя. Те части опыта, которые не имеют отношения к вакансии, переносятся в сжатом виде или скрываются, чтобы не размывать фокус рекрутера.

---

2. Алгоритм семантического сопоставления ролей (Cross-Attention)

Для определения степени соответствия между требованиями вакансии и вашими проектами используется концепция Cross-Attention (перекрестного внимания), заимствованная из архитектуры Transformer.

Мы вычисляем косинусное расстояние (Cosine Distance) между эмбеддингом предложения из описания вакансии ($V_i$) и эмбеддингом предложения из вашего описания проекта ($C_j$) по формуле:

Cosine_Similarity(V, C) = (V · C) / (||V|| * ||C||)

Если семантическое сходство превышает установленный порог (например, 0.72), этот проект кандидата помечается как приоритетный для вывода в адаптированном резюме на первой странице.

---

3. Python-реализация Hallucination Guardrails (Защита от галлюцинаций)

Самый критичный этап автоматической адаптации — проверка достоверности сгенерированного ИИ текста. Мы должны быть абсолютно уверены, что модель не добавила лишних технологий или не завысила метрики ваших достижений (например, превратив “рост конверсии на 5%” в “рост на 50%”).

Напишем скрипт-валидатор на Python, который использует алгоритм Diff (разности) для точного сличения исходного опыта и сгенерированного ИИ резюме по ключевым словам и числам.

import re

def extract_numbers(text):
    """
    Извлекает все числа (включая проценты) из текста для предотвращения фальсификации метрик.
    """
    # Находит числа вроде 10, 45%, 1.2M, $500k
    return set(re.findall(r'\b\d+(?:\.\d+)?%?|(?:\$\d+(?:k|M)?)\b', text.lower()))

def extract_hard_skills(text, skill_dictionary):
    """
    Извлекает технологии из текста на основе словаря Hard Skills.
    """
    found_skills = set()
    for skill in skill_dictionary:
        # Границы слов для избежания ложных срабатываний (например, 'go' внутри 'google')
        pattern = r'\b' + re.escape(skill.lower()) + r'\b'
        if re.search(pattern, text.lower()):
            found_skills.add(skill.lower())
    return found_skills

def verify_tailored_resume(original_cv, tailored_cv, allowed_skills):
    print("[*] Запуск аудита достоверности резюме...")
    
    # 1. Проверяем числа (метрики результатов)
    original_numbers = extract_numbers(original_cv)
    tailored_numbers = extract_numbers(tailored_cv)
    
    # Сгенерированное резюме не должно содержать новых чисел (признак галлюцинации метрик)
    fake_numbers = tailored_numbers - original_numbers
    
    # 2. Проверяем технологии
    original_skills = extract_hard_skills(original_cv, allowed_skills)
    tailored_skills = extract_hard_skills(tailored_cv, allowed_skills)
    
    # Находим технологии, которые ИИ приписал кандидату
    fake_skills = tailored_skills - original_skills

    is_valid = True
    
    if fake_numbers:
        print(f"[CRITICAL] Обнаружены галлюцинированные метрики/числа: {fake_numbers}")
        is_valid = False
    else:
        print("[+] Аудит числовых метрик: Пройден успешно (фальсификации показателей не обнаружено)")
        
    if fake_skills:
        print(f"[CRITICAL] Обнаружен галлюцинированный стек технологий: {fake_skills}")
        is_valid = False
    else:
        print("[+] Аудит Hard Skills: Пройден успешно (модель не добавила чужих технологий)")
        
    return is_valid

# Демонстрационный запуск
if __name__ == "__main__":
    # Словарь известных технологий компании
    known_skills = ["Python", "Go", "Kubernetes", "Docker", "Terraform", "PostgreSQL", "React", "AWS"]
    
    original_text = """
    Разработал API на Python и PostgreSQL. Увеличил скорость обработки запросов на 15%. 
    Использовал Docker для контейнеризации.
    """
    
    # Пример галлюцинации модели (ИИ добавил Kubernetes и изменил 15% на 50%)
    bad_ai_generated_text = """
    Спроектировал высоконагруженное API на Python, PostgreSQL и Kubernetes в облаке AWS. 
    Оптимизировал базу данных, увеличив скорость обработки транзакций на 50%.
    """
    
    verify_tailored_resume(original_text, bad_ai_generated_text, known_skills)

---

4. Как правильно выстроить процесс адаптации

Для достижения максимального результата при поиске работы ИИ должен быть лишь вашим ассистентом, а окончательное решение всегда должно оставаться за вами.

Рекомендуемый гибридный рабочий процесс:

1. Подготовка Мастер-Резюме: Напишите максимально подробное резюме на 3–5 страниц. Опишите все проекты, все когда-либо использованные технологии и метрики. Это ваша локальная база знаний.
2. Автоматический скоринг и адаптация: Алгоритм RAG анализирует вакансию, находит в вашем мастер-резюме наиболее релевантные куски, сжимает неважное и генерирует аккуратную целевую версию резюме на 1–2 страницы.
3. Финальная ручная верификация: Вы просматриваете полученный Markdown-файл, вносите мелкие правки и компилируете его в PDF с помощью чистого CSS/Astro-движка.

Заключение

Инженерия персонализации резюме — это мощный инструмент, позволяющий соискателям говорить на одном языке с нанимающими менеджерами и алгоритмами ATS. Применение строго контролируемых RAG-архитектур, автоматических валидаторов метрик и семантического ранжирования позволяет масштабировать процесс поиска работы без потери качества и достоверности ваших данных.