候选人资料提取服务

招聘人员MCP服务器

用于被招募者API的模型上下文协议（MCP）服务器，能够从招募管道中提取候选人档案。具有针对不同用例优化的干净、专门构建的功能：基本概述、LLM评估和详细分析。

特性

• LLM评估优化：干净、无偏见的候选数据非常适合人工智能分析
• PDF文本提取：使用pdfplumber自动提取简历和求职信
• 筛选问题：简洁的问答格式，便于评估
• 有效处理：CV文本处理可配置以优化性能
• 高级搜索：多标准候选筛选
• 注释和评级：单独获取评估员反馈

可用工具

核心工具

1. get_candidates_from_pipeline_for_evaluation - 建议用于LLM分析 -清洁评估数据
2. get_candidate_profile -完整的候选人档案，包括所有管理数据
3. search_candidates -具有过滤功能的高级候选人搜索
4. get_candidate_notes -访问笔记、评分和评估者反馈
5. list_jobs -列出所有可用作业/管道
6. get_job_details -获取详细的工作信息

工具详细信息

get_candidates_from_pipeline_for_evaluation(job_id, stage_filter=None, include_full_cv=False) ⭐ 推荐

LLM评估优化：干净、无偏见的数据非常适合候选人分析。

参数：

• job_id：作业/管道ID（必填）
• stage_filter：可选阶段名称筛选器
• include_full_cv：是否包含完整的简历文本（默认值：False）。设置为True以包含完整的简历文本-始终包含基本的简历元数据。

退货：

• 简历全文提取（PDF→ text）-可选，基于 include_full_cv 参数
• 清洁筛查问题： [{"question": "...", "answer": "...", "question_type": "text"}]
• 扁平化技能阵列： ["JavaScript", "React", "Node.js"]
• 结构化体验： [{"company": "...", "title": "...", "description": "..."}]
• 求职信文本
• 仅提供基本事实： has_degree, total_screening_questions, answered_questions

get_candidate_profile(candidate_id)

完整的候选人资料：所有候选人数据，包括联系信息、简历、求职信、经验和所有自定义字段。

• 返回：包含联系信息的完整个人资料、简历/求职信PDF、自定义字段和完整PDF文本提取
• 用例：个人详细审查、联系信息访问、完整的管理数据
• 演出🐌 缓慢（综合数据+PDF处理）

search_candidates(job_ids=None, stage_names=None, status=None, has_cv=None, has_cover_letter=None, limit=50, offset=0)

高级搜索：对所有候选人进行多标准筛选。

• 返回：带分页支持的筛选候选列表
• 用例：根据特定标准查找候选人，批量操作
• 演出🔄 中等（客户端过滤）

get_candidate_notes(candidate_id)

评估员反馈：访问评级、笔记和评论。

• 回报：备注、评分、招聘人员/面试官的评论
• 用例：审查评估者的反馈和评分

list_jobs() 和 get_job_details(job_id)

作业管理：列出可用的作业并获取详细的作业信息。

• 返回：包含元数据、阶段和要求的工作列表
• 用例：发现可用职位，了解工作要求

安装

# Install from source
git clone [repository-url]
cd recruitee-mcp-server
pip install -e .

配置

export RECRUITEE_API_TOKEN="your-api-token" 
export RECRUITEE_COMPANY_ID="your-company-id"

用法

推荐工作流程

# 1. Get clean evaluation data for LLM analysis (CV text excluded by default)
evaluation_data = get_candidates_from_pipeline_for_evaluation("job_id")

# 1a. For detailed analysis including CV text
evaluation_data = get_candidates_from_pipeline_for_evaluation("job_id", include_full_cv=True)

# 2. Get individual candidate details with full CV text (always included)
profile = get_candidate_profile("candidate_id")  # Complete administrative data

# 3. Review evaluator feedback separately  
notes = get_candidate_notes("candidate_id")

# 4. Get full administrative details only when needed (contact info, etc.)
full_profile = get_candidate_profile("candidate_id")  # Always returns full data

功能比较

MCP集成

{
  "mcpServers": {
    "recruitee": {
      "command": "python", 
      "args": ["-m", "recruitee_mcp.server"],
      "env": {
        "RECRUITEE_API_TOKEN": "your-token",
        "RECRUITEE_COMPANY_ID": "your-company-id"
      }
    }
  }
}

性能提示

• 管道分析：使用 get_candidates_from_pipeline_for_evaluation() （干净、优化的数据）
• 大型数据集：保持 include_full_cv=False （默认）跳过简历文本处理以获得更好的性能
• 个量分析：使用 get_candidate_profile() 获取包含联系信息的完整管理数据
• 评估员反馈：使用 get_candidate_notes() 用于评分/评论

许可证

MIT许可证

💼 非常适合人工智能驱动的招聘工具和法学硕士候选人评估系统。