SQL-HR

Описание и назначение системы

SQL-HR автоматизирует отбор релевантных кандидатов по базе резюме. Система разворачивается как набор Docker‑сервисов: PostgreSQL хранит данные, agent_server строит пайплайн LangGraph и взаимодействует с LLM через vLLM, а результат сохраняется в results/result.txt. Подход позволяет итеративно уточнять поисковые акценты, дозапрашивать новых кандидатов и ранжировать их в соответствии с бизнес‑запросом. Проект изначально использует Qwen2.5‑7B‑GPTQ. Фронтенд позволяет вводить поисковую задачу, вести диалог с чат-ботом и получать итоговых кандидатов.

Структура проекта

• docker-compose.yml — единая оркестрация для vLLM, agent_server, PostgreSQL и pgAdmin, а также проброс каталога results/ внутрь контейнера.
• env.example — пример переменных окружения (доступ к БД, порты, модель LLM и ключ API).
• agent_server/ — исходный код пайплайна (главные файлы main.py, nodes.py, candidates.py, prompts.py, requirements.txt, Dockerfile), API для фронтенда и взаимодействия с LangGraph.
• frontend/ — Streamlit-приложение (chat.py) с чат-ботом, который принимает запросы пользователя, поддерживает продолжение сессии (session_id) и показывает найденных кандидатов.
• example/ — скриншот example.png с примером работы фронтенда.
• data/ — файлы с исходными резюме, загружается в PostgreSQL при старте.
• db/schema.sql, db/add_rows.sql — описание таблицы candidates и импорт исходных данных.
• results/result.txt — итоговый JSON со списком отобранных кандидатов (создаётся автоматически).
• hf-cache/ — кеш Hugging Face, подключается к vLLM для повторного использования моделей.
• .gitignore, Dockerfile (в корне) и вспомогательные файлы для локальной разработки.

Этапы отбора (по нодам LangGraph)

1. Диалог с чат-ботом (frontend) — пользователь формулирует поисковый запрос или уточнение в Streamlit UI; сообщения идут на API agent_server, который сохраняет session_id и возвращает ответы/кандидатов для карточек.
2. node_test_db — быстрая проверка подключения к PostgreSQL: выбирает пять записей и логирует их.
3. node_get_task — запрашивает у LLM текстовую постановку поиска (например, какая вакансия нужна).
4. node_generate_accents — формирует 1–8 тематических «акцентов» (вариантов запросов) из исходной задачи.
5. node_choose_candidates — для каждого акцента LLM строит первичный QuerySpec, по которому ORM извлекает кандидатов; затем LLM помечает наиболее подходящих.
6. node_add_candidates — обеспечивает целевое количество кандидатов в каждой группе: повторно создаёт уточнённые запросы, при необходимости «смягчает» фильтры и отдает LLM на повторный выбор.
7. node_rate_candidates — собирает все уникальные резюме, объединяет флаги approved и просит LLM выдать ранжированный список (есть детерминированный fallback).
8. node_return_candidates — сериализует результат в JSON и пытается записать его в RESULT_FILE (по умолчанию results/result.txt). Если основной путь недоступен, используется /tmp/result.txt внутри контейнера.
9. node_ask_next — задаёт пользователю вопрос для следующего уточнения и завершает текущий запуск.

Установка и эксплуатация

1. Зависимости. Нужны Docker и Docker Compose. Чтобы vLLM работал, требуется GPU.
2. Подготовка окружения.

   cp env.example .env
   # отредактируйте .env: пароли БД, порт pgAdmin, модель/ключ LLM и т.д.

3. Запуск сервисов.

   docker compose up --build

   • postgres поднимет схему и загрузит data/candidates.csv через db/*.sql.
   • vllm скачает модель в hf-cache/ и откроет API на ${VLLM_HOST_PORT} (по умолчанию 18001).
   • agent_server соберёт LangGraph пайплайн и запишет результат в results/result.txt (также доступен внутри контейнера как RESULT_FILE).
   • pgadmin будет доступен на ${PGADMIN_PORT} (например, http://localhost:5050) — можно подключиться к БД и проверить данные.