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
get_candidates_from_pipeline_for_evaluation- 建议用于LLM分析 -清洁评估数据get_candidate_profile-完整的候选人档案，包括所有管理数据search_candidates-具有过滤功能的高级候选人搜索get_candidate_notes-访问笔记、评分和评估者反馈list_jobs-列出所有可用作业/管道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
| 函数 | 用例 | 领域 | 演出 |
|---|---|---|---|
get_candidates_from_pipeline_for_evaluation() | 管道LLM分析 | 23个干净的田地🔄 中等 | |
get_candidate_profile() | 完整的管理数据 | 80+原始字段 | 🐌 慢 |
search_candidates() | 高级筛选 | 变量 | 🔄 中等 |
get_candidate_notes() | 评估员反馈 | 备注和评分 | ⚡ 快速 |
list_jobs() | 作业/管道列表 | 作业元数据 | ⚡ 快速 |
get_job_details() | 职位信息 | 完整的职位数据 | ⚡ 快速 |
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。