Обработка резюме нейросетью: как разобрать 400 откликов за вечер на российском API

Роман Шубин, CTO и автор Telegram-канала «Bash Days», опубликовал пошаговый кейс: он взял модель T-pro-it-2.1 из каталога FMC (Foundation Model Catalog, облачный каталог языковых моделей от Selectel), загрузил пачку PDF-резюме и получил на выходе таблицу с баллами и доказательствами по каждому критерию вакансии. Финальное решение о найме остаётся за человеком. Модель не отправляет отказы, не оценивает фото или возраст. Она только сопоставляет профессиональный опыт из документа с требованиями конкретной позиции.

Что понадобится?

• Python 3.10+ и библиотека для извлечения текста из PDF (например, PyMuPDF или pdfplumber)
• Доступ к FMC от Selectel (на момент публикации источника сервис находится на стадии public preview, инференс (обработка запросов моделью) работает синхронно)
• Модель T-pro-it-2.1 из каталога FMC (русскоязычная модель, хорошо работает с техническими терминами на английском)
• YAML-файл с описанием вакансии, критериями и шкалой оценки (пример ниже)
• Резюме в PDF (столько, сколько нужно разобрать)
• Время: базовый конвейер собирается за один вечер, 2-4 часа

Как устроен конвейер?

Архитектура простая: модель стоит в середине цепочки и решает ровно одну задачу. Всё остальное делает обычный код.

1. Python извлекает текст из PDF
2. Скрипт отправляет в модель три вещи: описание вакансии, список критериев и текст резюме
3. Модель возвращает структурированный JSON с оценкой по каждому критерию
4. Python считает итоговый балл (модель этого не делает, иначе одни и те же оценки критериев могут дать то 78, то 83 балла)
5. Результаты собираются в таблицу для HR

Ключевой принцип: модель не открывает файл, не выполняет команды, не меняет статус кандидата в кадровой системе. Она только анализирует текст.

Как описать вакансию для модели?

Вакансию и критерии автор оформляет как YAML-файл. Вот сокращённый пример для позиции Middle DevOps:

id: middle-devops
title: Middle DevOps инженер
scoring_scale:
  0: Подтверждений в резюме нет
  1: Технология только упомянута
  2: Есть базовый практический опыт
  3: Есть самостоятельный production-опыт
  4: Есть сложный опыт или измеримый результат
criteria:
  - id: linux_production
    title: Администрирование Linux в production
    required: true
    weight: 20
  - id: automation
    title: Автоматизация конфигурации
    required: true
    weight: 15
  - id: containers
    title: Работа с контейнерами
    required: true
    weight: 15

Каждый критерий имеет вес, флаг обязательности и список ожидаемых подтверждений (Ansible, Docker, CI/CD-пайплайны и так далее). Модель оценивает уровень от 0 до 4, а Python умножает оценку на вес.

Почему именно T-pro-it-2.1?

Автор выбрал эту модель по трём причинам.

Входные данные русскоязычные, но в резюме постоянно встречаются английские названия технологий, команды и аббревиатуры. Модель справляется с этим миксом.

От неё требуется не творческий текст, а строгое следование инструкции: обработать список критериев, не придумывать отсутствующий опыт, привести доказательства из текста и вернуть валидный JSON.

В каталоге FMC на момент тестирования также доступны T-lite, Qwen, Gemma и другие модели формата текст-в-текст.

Что модель выдаёт на практике?

Критерий: CI/CD
Уровень: 4 из 4
Доказательства:
— Разработал GitLab CI pipeline для сборки,
  тестирования и развертывания 18 сервисов.
— Сократил время деплоя с 35 до 12 минут.

Что делать с этим прямо сейчас?

HR-специалисту и рекрутеру. Если вы получаете больше 30 откликов в день, попросите разработчика или техлида собрать такой конвейер. Вы получите не «рекомендацию нейросети», а структурированную выжимку с цитатами, которую проверяете сами.

Автору Дзена, пишущему про карьеру и HR. Это готовый кейс для контента: обработка резюме нейросети на российской инфраструктуре, без зарубежных API, с конкретными шагами. Разберите пример для своей аудитории.

Предпринимателю и руководителю в РФ. FMC работает в московском дата-центре Selectel, данные не уходят за рубеж. Это аргумент для компаний, где важна локализация. Сервис пока в стадии public preview: загрузка собственных моделей в каталог ещё не поддерживается.

Четыреста резюме за вечер вместо двух недель. Не потому что модель «умнее» рекрутера, а потому что рутину чтения и разметки она берёт на себя, а решение остаётся за тем, кто понимает контекст.