ATS简历评估器——人工智能简历筛选，在您的机器上本地运行
别再猜测你的简历是否会通过ATS。 此MCP服务器直接插入Claude Desktop，并使用本地LLM根据任何职位描述对您的简历进行评分——逐项要求——您的机器上没有任何数据。
输入职位描述和简历。返回一份详细的适合度报告，其中包括符合要求的分数、简历中的证据、确定的差距和总体适合度百分比。全部由Ollama提供动力，在当地运行。
______________________________________________________________________
为什么存在
大多数求职者盲目定制简历。招聘人员使用ATS软件在人类阅读申请之前筛选候选人。这个工具翻转脚本——它让你 运行招聘人员使用的结构化评估，这样你就可以准确地看到你的简历在哪里，在哪里遗漏了， *之前* 你申请。
主要优势：
- 隐私第一 --一切都通过Ollama在当地运行。你的简历和职位描述永远不会离开你的机器。
- 需求级别评分 --每个职位要求都按照0-4的匹配度进行单独评分，并从简历中提取逐字证据。
- 可采取行动的差距 --立即查看您缺少或仅部分满足的要求，以便您确切地知道要修复什么。
- 在Claude Desktop内工作 --请克劳德对你的简历进行评估。MCP集成意味着零上下文切换。
- 确定性结果 --温度零点推断为您提供一致、可重复的评估。
______________________________________________________________________
所得
对于每次评估，服务器都会生成一份结构化报告，其中包含：
| 输出 | 描述 |
|---|---|
| 符合要求的匹配分数 | 每项要求得分0-4（无→ 与状态、证据和理由完全匹配 |
| 整体适配百分比 | 所有要求的总得分 |
| 顶部缺口 | 简历不足之处 |
| 顶级优势 | 简历最强的要求 |
| 原始+JSON报告 | 已保存到磁盘，以便在简历版本之间进行比较 |
______________________________________________________________________
快速开始
先决条件
- Python 3.10+
- 奥拉玛 —
brew install ollama或 ollama.com - 一个模型被拉 —
ollama pull qwen3.5:9b（建议用于16GB RAM）
安装
git clone https://github.com/JamisonProctor/ats-mcp-server.git
cd ats-mcp-server
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt在Claude Desktop注册
编辑您的Claude Desktop MCP配置：
macOS： ~/Library/Application Support/Claude/claude_desktop_config.json
添加 ats-evaluator 进入 mcpServers 章节：
{
"mcpServers": {
"ats-evaluator": {
"command": "
/ats-mcp-server/.venv/bin/python3",
"args": ["
/ats-mcp-server/ats_mcp_server.py"],
"env": {
"ATS_WORKSPACE": "
",
"OLLAMA_MODEL": "qwen3.5:9b",
"OLLAMA_HOST": "http://localhost:11434"
}
}
}
}替换 使用机器上的实际路径。保存后重新启动Claude Desktop。
设置工作区
/
├── prompts/
│ └── ats_eval.md # Eval prompt template (included in this repo)
└── jobs/
└── /
├── jd.md # Paste the job description here
└── resume.pdf # Your resume运行评估
问问克劳德：
“根据google\_\_product_manager职位评估我的简历”
Claude将对评估进行排队，对结果进行民意调查，并向您展示完整的匹配报告——分数、差距、优势等等。
______________________________________________________________________
运作原理
- 你问克劳德 根据特定的工作文件夹来评估你的简历。
- 克劳德打电话来
run_ats_eval--服务器读取JD，从您的简历PDF中提取文本，并将所有内容发送给Ollama，并给出结构化的评估提示。 - LLM分析比赛 --它从JD中确定了6-10个关键要求，然后根据简历中发现（或未发现）的证据对每个要求进行评分。
- 结果结构化返回 --符合要求的匹配分数、总体匹配百分比、最大差距、最大优势。
- 报告已保存 --原始文本和解析的JSON都会写入作业文件夹以供将来参考。
评估在顺序队列中运行，以遵守GPU约束。您可以对输出进行版本控制(v1, v2等等）来比较简历编辑如何影响你的分数。
______________________________________________________________________
可用的MCP工具
| 工具 | 说明 |
|---|---|
run_ats_eval | 启动作业文件夹的ATS评估。立即返回；评估在后台运行。 |
check_ats_eval | 轮询正在运行的评估的状态。完成后返回完整报告。 |
______________________________________________________________________
环境变量
| 变量 | 默认值 | 描述 |
|---|---|---|
ATS_WORKSPACE | ~/Desktop/Job Search 2026 | 根目录包含 jobs/ 和 prompts/ |
OLLAMA_MODEL | qwen3.5:9b | 用于评估的Ollama模型 |
OLLAMA_HOST | http://localhost:11434 | API终点 |
______________________________________________________________________
故障排除
- “奥拉玛不跑” --快跑
ollama serve否则服务器将尝试自动启动它。 - “找不到模型” --快跑
ollama pull qwen3.5:9b（或您配置的型号）。 - “未找到PDF” --在运行eval之前，请确保您的简历PDF位于job文件夹中。
- 首次运行缓慢 --模型在第一次请求时加载到内存中。后续的跑步速度更快。
______________________________________________________________________
构建于
- 模型上下文协议（MCP） --Claude Desktop的工具界面
- 奥拉玛 --本地LLM推理
- PyMuPDF --PDF文本提取
______________________________________________________________________
许可证
麻省理工学院