Spaces:
Sleeping
Sleeping
File size: 10,117 Bytes
7139180 fb8d0c2 7139180 fb8d0c2 7139180 fb8d0c2 7139180 fb8d0c2 7139180 fb8d0c2 7139180 fb8d0c2 7139180 fb8d0c2 159ea4c fb8d0c2 7139180 fb8d0c2 7139180 fb8d0c2 7139180 fb8d0c2 7139180 fb8d0c2 7139180 fb8d0c2 7139180 fb8d0c2 7139180 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 |
import json
import logging
from typing import Dict, Any, List
from crewai import Agent, Task, Crew, Process
logger = logging.getLogger(__name__)
class CVAgentOrchestrator:
def __init__(self, llm):
self.llm = llm
self._create_agents()
def _create_agents(self):
self.section_splitter = Agent(
role="Analyseur de Structure de CV",
goal="Découper intelligemment un CV en sections thématiques",
backstory="Expert en analyse documentaire spécialisé dans la reconnaissance de structures de CV.",
verbose=False,
llm=self.llm
)
self.contact_extractor = Agent(
role="Extracteur d'informations de contact",
goal="Extraire les coordonnées du candidat",
backstory="Expert en extraction d'informations de contact avec précision.",
verbose=False,
llm=self.llm
)
self.skills_extractor = Agent(
role="Extracteur de compétences",
goal="Identifier hard skills et soft skills",
backstory="Spécialiste en identification de compétences techniques et comportementales.",
verbose=False,
llm=self.llm
)
self.experience_extractor = Agent(
role="Extracteur d'expériences",
goal="Extraire les expériences professionnelles",
backstory="Expert en analyse de parcours professionnels.",
verbose=False,
llm=self.llm
)
self.project_extractor = Agent(
role="Extracteur de projets",
goal="Identifier projets professionnels et personnels",
backstory="Spécialiste en identification de projets significatifs.",
verbose=False,
llm=self.llm
)
self.education_extractor = Agent(
role="Extracteur de formations",
goal="Extraire formations et diplômes",
backstory="Expert en analyse de parcours académiques.",
verbose=False,
llm=self.llm
)
self.reconversion_detector = Agent(
role="Détecteur de reconversion",
goal="Analyser les changements de carrière",
backstory="Conseiller d'orientation expert en transitions de carrière.",
verbose=False,
llm=self.llm
)
self.profile_builder = Agent(
role="Constructeur de profil",
goal="Assembler le profil candidat final",
backstory="Expert en structuration de données JSON.",
verbose=False,
llm=self.llm
)
def split_cv_sections(self, cv_content: str) -> Dict[str, str]:
task = Task(
description=f"Analyser ce CV et l'organiser en sections: {cv_content}",
expected_output="""JSON avec sections: contact, experiences, projects, education, skills, other""",
agent=self.section_splitter
)
crew = Crew(
agents=[self.section_splitter],
tasks=[task],
process=Process.sequential,
verbose=False,
telemetry=False
)
result = crew.kickoff()
return self._parse_sections_result(result)
def extract_all_sections(self, sections: Dict[str, str]) -> Dict[str, Any]:
# Créer les tâches avec les sections en input
tasks = self._create_extraction_tasks(sections)
crew = Crew(
agents=[
self.contact_extractor,
self.skills_extractor,
self.experience_extractor,
self.project_extractor,
self.education_extractor,
self.reconversion_detector,
self.profile_builder
],
tasks=tasks,
process=Process.sequential,
verbose=True, # Activer pour debug
telemetry=False
)
# Passer les sections comme inputs
inputs = {
"contact": sections.get("contact", ""),
"experiences": sections.get("experiences", ""),
"projects": sections.get("projects", ""),
"education": sections.get("education", ""),
"skills": sections.get("skills", ""),
"other": sections.get("other", "")
}
logger.info(f"Starting crew with inputs: {list(inputs.keys())}")
result = crew.kickoff(inputs=inputs)
logger.info(f"Crew completed. Raw result: {result.raw if hasattr(result, 'raw') else str(result)[:200]}...")
return self._parse_final_result(result)
def _create_extraction_tasks(self, sections: Dict[str, str]) -> List[Task]:
contact_task = Task(
description=(
"Voici la section contact du CV : {contact}\n"
"Extraire précisément le nom, email, téléphone et localisation du candidat."
),
expected_output='{"nom": "...", "email": "...", "numero_de_telephone": "...", "localisation": "..."}',
agent=self.contact_extractor
)
skills_task = Task(
description=(
"Voici les sections pertinentes du CV :\n"
"Expériences: {experiences}\n"
"Projets: {projects}\n"
"Compétences: {skills}\n"
"Extraire toutes les compétences techniques (hard skills) et comportementales (soft skills) mentionnées."
),
expected_output='{"hard_skills": ["compétence1", "compétence2"], "soft_skills": ["compétence1", "compétence2"]}',
agent=self.skills_extractor
)
experience_task = Task(
description=(
"Voici la section expériences du CV : {experiences}\n"
"Extraire toutes les expériences professionnelles avec poste, entreprise, dates et responsabilités."
),
expected_output='[{"Poste": "titre", "Entreprise": "nom", "start_date": "date", "end_date": "date", "responsabilités": ["resp1", "resp2"]}]',
agent=self.experience_extractor
)
project_task = Task(
description=(
"Voici les sections projets et expériences du CV :\n"
"Projets: {projects}\n"
"Identifier et extraire les projets professionnels et personnels distincts des responsabilités générales."
),
expected_output='{"professional": [{"title": "titre", "technologies": ["tech1"], "outcomes": ["résultat1"]}], "personal": []}',
agent=self.project_extractor
)
education_task = Task(
description=(
"Voici la section formations du CV : {education}\n"
"Extraire toutes les formations, diplômes et certifications avec institution et dates."
),
expected_output='[{"degree": "diplôme", "institution": "établissement", "start_date": "date", "end_date": "date"}]',
agent=self.education_extractor
)
reconversion_task = Task(
description=(
"En analysant les expériences extraites précédemment, déterminer si le candidat est en reconversion professionnelle. "
"Chercher des changements de secteur, de type de poste ou des transitions significatives."
),
expected_output='{"reconversion_analysis": {"is_reconversion": true, "analysis": "Explication détaillée..."}}',
agent=self.reconversion_detector,
context=[experience_task]
)
profile_task = Task(
description=(
"Assembler toutes les informations extraites des tâches précédentes en un profil candidat complet. "
"Créer un JSON valide avec une clé 'candidat' contenant toutes les sections."
),
expected_output=(
'{"candidat": {'
'"informations_personnelles": {...}, '
'"compétences": {...}, '
'"expériences": [...], '
'"projets": {...}, '
'"formations": [...], '
'"reconversion": {...}'
'}}'
),
agent=self.profile_builder,
context=[contact_task, skills_task, experience_task, project_task, education_task, reconversion_task]
)
return [contact_task, skills_task, experience_task, project_task, education_task, reconversion_task, profile_task]
def _parse_sections_result(self, result) -> Dict[str, str]:
result_str = result.raw if hasattr(result, 'raw') else str(result)
if '```json' in result_str:
result_str = result_str.split('```json')[1].split('```')[0].strip()
elif '```' in result_str:
parts = result_str.split('```')
if len(parts) >= 3:
result_str = parts[1].strip()
parsed = json.loads(result_str)
# Assurer que toutes les sections nécessaires existent
default_sections = {
"contact": "",
"experiences": "",
"projects": "",
"education": "",
"skills": "",
"other": ""
}
for key in default_sections:
if key not in parsed:
parsed[key] = default_sections[key]
return parsed
def _parse_final_result(self, result) -> Dict[str, Any]:
result_str = result.raw if hasattr(result, 'raw') else str(result)
if '```json' in result_str:
result_str = result_str.split('```json')[1].split('```')[0].strip()
elif '```' in result_str:
parts = result_str.split('```')
if len(parts) >= 3:
result_str = parts[1].strip()
return json.loads(result_str) |