Как мы сделали продукт с Chat GPT для написания резюме

Привет! Мы команда ResumeAI и сегодня расскажем, как наша личная боль с написанием резюме вдохновила нас создать чат-бота, который решает эту проблему за 10 минут. Ключевой частью нашего решения стала интеграция с LLM, которая позволяет делать резюме максимально качественным и персонализированным.

Когда ты хочешь сделать хорошее резюме, которое будет замечать hr, ты начинаешь гуглить «как написать резюме» и получаешь много информации с советами для составления резюме или различные конструкторы. Но нет какого‑то удобного решения, так сказать, «под ключ».

На одном из митапов я узнал об ИИ‑агентах, и меня вдохновила идея создать продукт на основе этой технологии. Обсудив это с друзьями, мы решили сосредоточиться на решении проблемы написания резюме. Эта задача идеально подходила для использования ИИ, так как требовала работы с текстом, и на рынке ещё не было продукта, который решал бы её полноценно.

Для создания MVP мы выбрали Telegram‑бота. Такой формат казался оптимальным, так как у нас уже был опыт работы с библиотекой Aiogram, а Telegram обеспечивает удобный интерфейс для пользователей. Кроме того, бот позволяет сразу отправлять готовое резюме в формате PDF, что делает его простым и эффективным инструментом.

Мы используем LLM для определенных задач:

1. Валидиация ответов пользователей

2. Генерация уточняющего вопроса

3. Суммарицазия текста для раздела «Обо мне»

А теперь разберем, как устроен работают наши ИИ‑агенты. В резюме мы имеем несколько необходимых составляющих: опыт работы, образование, навыки и обо мне. Для хорошего резюме эти разделы должны быть правильно заполнены. Разберем на примере с опытом работы, как мы заполняем информацию.

Наша цель собрать JSON со всеми заполненными значения перед тем, как преобразовать эти данные в PDF для резюме

Промпт для обработки:

promt_work_expirience_for_read_data = '''        Тебе необходимо выделить информацию об опыте работы в тексте от пользователя:        позиция в компании, название компании, длительность работы в формате "1 год 4 месяца" в компании и рабочие обязанности.        В тексте могут быть не все блоки. Если информация отсутствует, то оставь пустую строку в значении словаря.        Отвечай на русском, пожалуйста.          Пример оформления ответа:        [        {            "position": "Аналитик",            "company": "Пример",            "duration": "6 месяцев",            "description": [            "Сбор и анализ данных для выявления тенденций и моделей.",            "Подготовка отчетов и презентаций с результатами анализа.",            "Содействие в разработке и оптимизации бизнес-процессов.",            "Взаимодействие с другими отделами для сбора необходимой информации.",            "Мониторинг эффективности реализованных решений и внесение необходимых изменений."            ]        }         Пожалуйста, верни только JSON-объект без дополнительных комментариев или текста и в ответе строго должен быть ключ словаря work_experience        ''' 

Промпт для уточняющего вопроса:

promt_work_expirience_for_ask = '''    Тебе необходимо:    Попроси пользователя рассказать про его опыт работы для того, чтобы узнать информацию об отсутствующем блоки информации.    Нужно спросить про название должностей, компаний, длительность работы в определенной компании и рабочие обязанности.    В ответе напиши только вопрос.    Замени упоминание JSON на "сообщение".    Не используй обращение.    Задавай вопрос только про отсутствующую информацию в json.    Не спрашивай про прошлые места работы.    Спрашивай только про компании, которые упоминал пользователь.    Спрашивай нужную информацию с упоминанием места работы с отсутствующей информацией    Пиши текст более человечно.    Отвечай на русском, пожалуйста.    '''

 Функция чтения текста от пользователя:

def read_data(message_usr, system_promt):     result_prompt = rl.promt_context_json(system_promt, message_usr)     result_prompt = json.loads(result_prompt)     return result_prompt

Функция уточняющего вопроса:

def ask(message_usr, system_promt):     result = rl.promt_context_string(system_promt, message_usr)  return result

Функция проверки наличия пустых значений в словаре:

def has_empty_values(data):     if isinstance(data, dict): # Если data - это словарь         for value in data.values():             if has_empty_values(value) == 1: # Рекурсивная проверка для вложенных структур                 return 1     elif isinstance(data, list): # Если data - это список         if len(data) == 0: # Явная проверка пустого списка             return 1         for item in data:             if has_empty_values(item) == 1: # Рекурсивная проверка для вложенных структур                 return 1     elif data is None or data == "" or data is False: # Проверка на пустое значение (пустая строка, None, False)         return 1     return 0 # Если пустых значений нет  Функция валидации:  def check_data(json_data, system_promt):     if has_empty_values(json_data) == 1:         return ask(json_data, system_promt)         else:         return True

Функция дополнения ответа:

def add_data(message_usr, first_data):     first_data = 'Первый JSON: ' + str(first_data)     promt = first_data + '''     Тебе необходимо заполнить пропуски в первом JSON только на основе сообщения пользователя.     Отвечай на русском, пожалуйста.     Ответы прошу заполнить в пустые поля в исходном json.     Ответ нужен в формате Json.     '''     result_prompt = rl.promt_context_string(promt, message_usr)     return result_prompt  Собираем все в одну функцию:  def classificator_answer(promt_for_read_data, promt_for_ask):     message_usr = input()     while True:         read = read_data(message_usr, promt_for_read_data)         print(read)         check = check_data(read, promt_for_ask)         print(check)         if check == 'Спасибо за ответы на вопросы! Мы начали генерацию вашего резюме. Просим немного подождать':             break         message_usr = input()         message_usr = add_data(message_usr, read)         print(message_usr)     return message_usr

В итоге мы получаем общение с пользователем в формате цикла, пока он правильно не ответит на вопрос про свой опыт работы. Этот метод позволяет разбивать процесс заполнения резюме на небольшие этапы и не нагружает пользователя, что выражается в конверсии 40–50% в созданные резюме. Будем рады обратной связи нашему способу использования ИИ‑агентов для помощи в написании резюме.

В следующих статьях планируем рассказать про построение аналитики для телеграм бота и выборе опенсорсных LLM