Мультимодальный AI-ассистент для обработки резюме. Автоматическое извлечение данных, matching с вакансиями, мультимедийный ответ за секунды.
Архитектура системы: Telegram Bot → n8n Workflows → OpenAI API
- Ценность для бизнеса — какие проблемы решает, измеримый эффект
- Сквозные сценарии — пошаговые примеры работы системы
- Руководство кандидата — как отправить резюме через Telegram
- Руководство HR-специалиста — работа с результатами matching
- Storytelling Landing — кинематографический лендинг экспериментов LoRA:
https://hra-lora.alex-n8n.site
- Архитектура — компоненты, потоки данных, ER-диаграмма
- AI-компоненты — промпты, модели, параметры, стоимость
- Prompt Engineering Guide — система промптов и безопасное изменение
- Prompt Evaluation — подсистема A/B-тестирования промптов
- Интеграции — Telegram, OpenAI, PostgreSQL
- Развёртывание — пошаговая инструкция деплоя
- Паспорт автоматизации — TCO, метрики, инциденты
- Инструкция поддержки — диагностика, известные проблемы
- Success Metrics — все метрики успеха проекта
- Handoff Checklist — чеклист передачи проекта новому инженеру
- PROJECT_STATE — текущий статус, известные проблемы, roadmap
- Журнал изменений — история версий
Полный путь резюме:
graph LR
A[Кандидат] -->|текст/голос/документ/фото| B[Telegram Bot]
B -->|webhook| C[HR Intake]
C -->|normalized_text| D[HR Processing Worker]
D -->|extraction| E[GPT-4o-mini]
E -->|candidate_profile| F[Matching]
F -->|matching| E
E -->|match_result| G[HR Delivery Worker]
G -->|TTS/Visual| H[OpenAI API]
H -->|media| G
G -->|message| I[Telegram Bot]
I -->|result| A
D -->|save| J[(PostgreSQL)]
J -->|read| D
- Кандидат отправляет резюме (текст/голос/документ/фото)
- HR Intake принимает, классифицирует тип, нормализует данные
- GPT-4o-mini извлекает структурированные данные (ФИО, город, навыки, зарплата)
- GPT-4o-mini сравнивает профиль с вакансиями, формирует score (0-100)
- HR Delivery Worker генерирует мультимедийный ответ (текст + TTS + визуал)
- Кандидат получает результат matching за < 1 минуту
Подробно: Сквозные сценарии
| Проблема | Решение |
|---|---|
| Медленная обработка | < 1 минута вместо 10-15 минут |
| Ограниченные форматы | Мультимодальный ввод (текст/голос/документ/фото) |
| Ручное извлечение данных | AI-извлечение (GPT-4o-mini) |
| Отсутствие matching | Автоматическое сравнение с вакансиями |
Подробно: Ценность для бизнеса
| Компонент | Технология | Назначение |
|---|---|---|
| Workflow Automation | n8n | Оркестрация процессов |
| Database | PostgreSQL | Хранение данных |
| AI Models | OpenAI GPT-4o-mini, GPT-4o-mini-tts, GPT-image-1, Sora-2 | Извлечение данных, matching, мультимедиа |
| Bot | Telegram Bot API | Входной канал |
Подробно: Архитектура
HR Assistant развивает архитектуру ML-пайплайна для постоянного улучшения качества matching:
graph TD
PE[Prompt Engineering] --> AB[Prompt A/B Evaluation]
AB --> RD[Reference Dataset]
RD --> TD[Teacher Dataset]
TD --> FT[Fine-tuning LoRA]
FT --> OV[Offline Validation]
OV --> RS[Runtime Smoke Validation]
RS --> PR{Production Ready?}
PR -->|No| PE
PR -->|Yes| PROD[Production]
| Уровень | Назначение | Документация |
|---|---|---|
| Prompt Evaluation | A/B-тестирование промптов, формирование reference dataset | docs/prompt_evaluation/ |
| Fine-tuning | Обучение LoRA-адаптеров на teacher dataset | finetuning/README.md |
| Runtime Smoke Validation | Тестирование LoRA-моделей в runtime | docs/MULTI_PROVIDER_ARCHITECTURE.md |
- Prompt Evaluation: Активный, HRA-EXP-V1 завершён
- Fine-tuning: Экспериментальный, Experiments 001–004 завершены; Experiment 004 — последний цикл
- Runtime Validation: Инженерный стенд (Multi Provider Test workflow)
- Production Ready: Нет — LoRA не обгоняет GPT-4o-mini на real-world hard negatives (Telegram smoke 23 анкеты: LoRA 35 % vs GPT-4o-mini 43 %, см.
finetuning/data/evidence/telegram_smoke_test_summary.json)
Подробно: Архитектура экспериментального контура
Модуль Fine-tuning позволяет обучать LoRA-адаптеры для улучшения качества matching:
- Teacher Dataset: Формируется из reference dataset (Judge оценки)
- Обучение: LoRA на Qwen/Qwen2.5-1.5B-Instruct
- Валидация: Offline evaluation + external validation
- Тестирование: Runtime smoke validation через Multi Provider Test workflow
| Эксперимент | Что проверяли | Ключевой результат |
|---|---|---|
| 001 | Технический baseline | Обучение стабильно, JSON генерируется |
| 002 | Параметрическая оптимизация | decision_accuracy=0.778, но runtime negative test failed |
| 003 | Hard negatives в teacher dataset | Runtime negative smoke 7/7 pass, offline accuracy снизилась до 0.667 |
| 004 | Positive/borderline примеры + GPT-4o-mini comparison | Internal 0.933 / external 0.931 decision accuracy; real-world Telegram smoke 35 % vs GPT-4o-mini 43 % |
Вывод: LoRA — рабочий on-premise / edge кандидат; production-контур по-прежнему использует GPT-4o-mini. Подтверждающие примеры — в finetuning/data/evidence/.
Candidate: AI Automation Specialist, 4 года опыта в prompt engineering, LLM, n8n, REST API, Python, зарплата 200 000 ₽.
Vacancy: Prompt Engineer / AI Automation Specialist; бюджет 150 000–250 000 ₽, Москва.
Reference / expected: match.
Model prediction (LoRA Experiment 004, vLLM): match, score 93.
Почему этот пример важен: Показывает, что LoRA умеет признавать явное соответствие — это baseline, который модель должна проходить стабильно, прежде чем претендовать на production.
Evidence: finetuning/data/evidence/telegram_smoke_test_summary.json, строка #22 (POSITIVE).
Candidate: Стажёр, 0 лет опыта, в резюме указан 1 навык SQL.
Vacancy: Системный аналитик; требуется SQL, BPMN, REST API, аналитика, постановка задач разработчикам.
Reference / expected: no_match.
Model prediction (LoRA Experiment 004, vLLM): match, score 80, с обоснованием, приписывающим кандидату SQL, BPMN, REST API и аналитику, которых в резюме нет.
Почему этот пример важен: Демонстрирует ключевой production-риск LoRA: галлюцинация hard-навыков у слабых профилей приводит к ложному положительному решению, поэтому LoRA уступает GPT-4o-mini на real-world hard negatives.
Evidence: finetuning/data/evidence/telegram_smoke_test_summary.json, строка #11 (HN6) и блок representative_failures.
Приоритет: Teacher-label audit и production smoke set для hard negatives / edge cases.
Подробно: finetuning/README.md
- Docker Compose
- PostgreSQL 14+
- n8n 1.0+
- OpenAI API Key
- Telegram Bot Token
# 1. Настроить окружение (опционально)
cp .env.example .env
# Отредактируйте .env для production-развёртывания
# 2. Запустить PostgreSQL и n8n
docker-compose -f config/docker-compose.yml up -d
# 3. Импортировать схему БД (автоматически при первом запуске)
# Или вручную:
psql -U hr_user -d hr_assistant -f database/schema_hr_assistant.sql
# 4. Настроить credentials в n8n:
# - PostgreSQL (host, database, user, password)
# - OpenAI API (Authorization: Bearer YOUR_API_KEY)
# - Telegram API (bot token)
# См. DEPLOYMENT_GUIDE.md для подробностей
# 5. Импортировать workflows в n8n
# 6. Настроить Telegram WebhookПодробно: Руководство по развёртыванию
Важно: Перед первым запуском замените REPLACE_ME_WITH_YOUR_BOT_TOKEN в database/schema_hr_assistant.sql на ваш реальный токен Telegram бота.
Полный пакет документации: 17 обязательных документов
Подробная навигация: см. раздел Быстрая навигация
Статус: Production-ready (v2.1) + Experimental ML-контур Покрытие документации: 100% Известные проблемы: 1 (KP-001: metadata gap)
| Компонент | Статус |
|---|---|
| Workflow | ✅ Active |
| Database | ✅ Deployed |
| Integration | ✅ Live |
| Documentation | ✅ Complete |
| Компонент | Статус |
|---|---|
| Prompt Evaluation | ✅ Active (HRA-EXP-V1) |
| Fine-tuning | |
| Runtime Validation | |
| LoRA Production | ❌ Not ready (underperforms GPT-4o-mini on real-world hard negatives; см. finetuning/data/evidence/telegram_smoke_test_summary.json) |
Подробно: PROJECT_STATE
hr-assistant/
├── README.md # Точка входа
├── docs/ # Документация
│ ├── BUSINESS_VALUE.md # Ценность для бизнеса
│ ├── E2E_SCENARIOS.md # Сквозные сценарии
│ ├── USER_GUIDE.md # Руководство кандидата
│ ├── HR_GUIDE.md # Руководство HR-специалиста
│ ├── SUPPORT_RUNBOOK.md # Инструкция поддержки
│ ├── ARCHITECTURE.md # Архитектура
│ ├── DEPLOYMENT_GUIDE.md # Развёртывание
│ ├── AI_QUALIFICATION.md # AI-компоненты
│ ├── AUTOMATION_PASSPORT.md # Паспорт автоматизации
│ ├── INTEGRATION_DIAGRAM.md # Интеграции
│ ├── CHANGE_LOG.md # Журнал изменений
│ ├── prompt_evaluation/ # Документация Prompt Evaluation
│ └── screenshots/ # Иллюстрации
├── workflows/ # Workflow n8n
├── database/ # Схемы БД
├── finetuning/ # Модуль Fine-tuning (LoRA)
│ ├── README.md # Точка входа в подсистему
│ ├── TECHNICAL_FOUNDATION.md # Технический фундамент
│ ├── Experiment_001_Report.md # Отчёт Experiment 001
│ ├── Experiment_002_Report.md # Отчёт Experiment 002
│ ├── Experiment_003_Report.md # Отчёт Experiment 003
│ ├── Experiment_004_Report.md # Отчёт Experiment 004
│ ├── configs/ # Конфигурации экспериментов
│ ├── scripts/ # Скрипты обучения
│ ├── data_sample/ # Обезличенный пример формата данных
│ └── reports/ # Вспомогательные отчёты
├── api/ # Runtime API (Qwen)
└── task_history/ # История задач
Проект: HR Assistant Модуль: PEm05 Версия: 2.0
Статус: Production-ready | Документация: 100% | Код: MIT License