AI-ассистент для технических собеседований: как мы автоматизируем рекрутинг

Техническое собеседование – один из самых важных этапов найма разработчика. Особенно когда специалист подбирается под конкретные задачи клиента: недостаточно проверить общие знания языка или технологий, нужно понять, насколько кандидат соответствует требованиям конкретного проекта. 

Мы разработали систему, которая с помощью больших языковых моделей помогает анализировать кандидатов, составлять планы технических собеседований и оценивать уже проведенные интервью. 

Благодаря ей время подготовки к интервью сократилось почти на 60%, планирование его происходит в 1 клик, вся работа с кандидатами ведется на единой платформе, позволяющей трем рекрутерам обрабатывать одновременно 20+ резюме.

Как устроен процесс рекрутинга

Поиском специалистов занимается отдел рекрутинга, при этом, в случае аутсорсинговых и аутстаффинговых проектов требования к кандидату чаще всего формируются на стороне клиента.

Процесс начинается с получения заявки: команда рекрутинга изучает требования и ищет подходящих специалистов. Если нужного кандидата нет внутри компании, поиск выходит на внешний рынок. После анализа резюме и первичного скрининга кандидат переходит к техническим специалистам на собеседование.

Раньше технические интервью в основном строились по общему сценарию. Например, для инженера по Ruby on Rails проверялись знание языка, архитектуры, программирования, баз данных и других базовых областей. Это позволяло оценить широту экспертизы и понять, насколько специалист соответствует общему техническому профилю.

Почему технические интервью требуют подготовки

У опытных интервьюеров уже есть отработанные сценарии и наборы вопросов. Однако при подборе специалиста под конкретный проект этого недостаточно. Требования клиента могут затрагивать специфическую предметную область, поэтому перед каждым таким интервью приходится дополнительно погружаться в контекст.

Нужно изучить доменную часть, определить, какие темы стоит проверить, подготовить вопросы и встроить их в структуру собеседования.

При этом на все интервью отводится примерно 60–90 минут. За это время необходимо оценить, как кандидат решает задачи, насколько хорошо знает теорию и умеет применять ее на практике, а также понять, сможет ли он работать с задачами конкретного клиента.

Подготовка и проведение таких собеседований  требуют значительных ресурсов. Технические специалисты при этом продолжают работать над своими проектами, поэтому часть рутинных процессов мы решили  автоматизировать.

Что делает система

Развитие больших языковых моделей позволило автоматизировать значительную часть работы вокруг технического интервью.

Мы в Evrone разработали систему, которую назвали ArgusHire. Она  решает сразу несколько задач, позволяя существенно упростить и ускорить процесс подбора кандидатов: подключается уже после первичного отбора соискателей, помогает техническому специалисту подготовиться к собеседованию, провести его, а затем проанализировать результат.

Анализ CV

Система анализирует резюме кандидата с учетом требований конкретной вакансии. В нее можно загрузить CV и указать требования из заявки клиента.

На основе этих данных ArgusHire  формирует более подробную картину по кандидату: оценивает соответствие требованиям, выделяет сильные и слабые стороны и показывает, какие моменты стоит дополнительно проверить на собеседовании.

Так технический специалист получает не просто резюме кандидата, а предварительную точку опоры для дальнейшего интервью.

План технического интервью

Следующий этап – подготовка самого собеседования.

ИИ-помощник  использует данные из заявки клиента и информацию о кандидате, чтобы составить план интервью на заданное время. Он формирует основные темы и вопросы, предлагает возможные направления для дальнейшего разговора и отмечает области, которым стоит уделить особое внимание.

Это существенно экономит время  интервьюера , поскольку ему не нужно проводить эту подготовку вручную.

Анализ проведенного интервью

После собеседования ArgusHire  анализирует его транскрибацию. Интервью записываются, а транскрибация может быть разделена по ролям или представлена единым текстом.

Система оценивает , какие вопросы были заданы, какие темы обсуждались и насколько глубоко они были раскрыты. Отдельно – ответы кандидата,  в том числе их соответствие критериям, по которым проводилась проверка.

На основе анализа формируется  развернутый отзыв по итогам интервью и предварительный вывод: продолжать работу с кандидатом, отказаться от него или провести дополнительные собеседования.

При этом решение ИИ-помощника  остается рекомендацией, а не заменой технического специалиста.

Оценка интервьюера

ArgusHire  анализирует не только кандидата, но и работу самого интервьюера.Сопоставляет проведенное собеседование с заранее подготовленным планом и показывает, насколько полно были затронуты запланированные темы, какие вопросы задавались и как развивался разговор.

Если интервьюер слишком сильно уходит в отдельные темы или, наоборот, недостаточно глубоко раскрывает важный вопрос, это фиксируется . В результате интервьюер получает отдельное саммари с обратной связью по проведенному собеседованию и рекомендациями, на что обратить внимание в будущем.

Таким образом, ArgusHire помогает не только оценивать кандидатов, но и постепенно улучшать сам процесс технических интервью.

Сравнение кандидатов

Если на одну позицию рассматривается несколько кандидатов, результаты их собеседований можно анализировать вместе.

После завершения интервью ArgusHire  сравнивает полученные данные и формирует рекомендацию о том, какой кандидат больше соответствует требованиям конкретной позиции.

В итоге получается автоматизированная рекомендательная система и ассистент для технических специалистов, который сопровождает значительную часть процесса – от подготовки к интервью до анализа его результатов.

Не просто AI-обертка

Мы создавали ИИ-помощника как внутренний инструмент для реального процесса, поэтому его задача – не просто получить ответ от языковой модели.

Для каждого workspace предусмотрена возможность настраивать правила анализа: их можно изменять, дополнять и адаптировать под конкретные требования. Это позволяет учитывать особенности разных команд и проектов, а не использовать один универсальный сценарий для всех.

Система также мультитенантная и поддерживает несколько workspace. Их можно использовать независимо друг от друга, предоставляя доступ нужным сотрудникам и разделяя рабочие пространства между разными юнитами и проектами.

Такой подход позволяет рассматривать систему не только как внутренний инструмент, но и как основу для отдельного SaaS-решения.

Dogfooding на реальных интервью

Мы уже используем ArgusHire внутри компании на реальных технических собеседованиях. Это один из примеров dogfooding: продукт применяется в том же процессе, для которого он создавался.

Такой подход позволяет нам проверять не только техническую сторону решения, но и его практическую ценность. Результаты интервью можно сравнивать с оценками технических специалистов, анализировать работу системы и на этой основе корректировать правила и промпты.

Сейчас сервис  находится в режиме бета-тестирования, поэтому процесс продолжается: проводятся эксперименты с разными моделями и промптами, анализируются результаты и корректируется логика работы.

Техническая составляющая ArgusHire

В основе ArgusHire -- привычный и предсказуемый стек, рассчитанный на работу с долгими AI-задачами и структурированными результатами:

• Backend – Ruby on Rails 8;
• Sidekiq и Redis – для фонового выполнения AI-задач;
• PostgreSQL, включая JSONB, – для хранения данных и результатов анализа;
• Next.js 16, React 19 и TypeScript – для frontend;
• Gravity UI – как основа интерфейса;
• Docker – для развёртывания приложения.

Такая архитектура позволяет вынести долгие операции с LLM из обычных HTTP-запросов: например, анализ CV или транскрипта выполняется в фоне, а пользователь видит состояние задачи и получает результат после её завершения.

AI-слой, модели и провайдеры

AI-слой построен на ActiveAgent и собственном конвейере вызова моделей. Бизнес-логика не привязана непосредственно к API конкретной LLM, поэтому провайдера можно менять без переписывания сценариев анализа резюме, подготовки интервью или разбора транскриптов. При этом для каждой AI-задачи сохраняется информация о модели и источнике, через который она выполнялась, – это помогает сравнивать результаты и проводить эксперименты.

Из коробки система поддерживает GigaChat и DeepSeek с моделями GigaChat-2-Max и deepseek-v4-pro. Кроме того, администратор workspace может подключить собственный профиль сервиса с OpenAI-совместимым API. Это может быть:

• облачный AI-провайдер;
• корпоративный AI-шлюз;
• локально развёрнутая модель через vLLM, LocalAI или Ollama.

Ключи таких подключений хранятся в зашифрованном виде. Благодаря этому модель можно выбирать с учётом требований к качеству, стоимости и политике работы с данными, не меняя сам продукт.

Кастомные промпты

Отдельно мы вынесли управление кастомными промптами. Базовые системные инструкции хранятся вместе с кодом и задают общие правила работы ассистента: не придумывать отсутствующие факты, отделять наблюдения от выводов и оставлять финальное решение за человеком.

При этом через интерфейс для каждого workspace можно настраивать шаблоны отдельных задач:

• анализ CV;
• подготовку плана интервью;
• разбор транскрипта;
• работу с компетенциями.

Промпты версионируются, поддерживают откат и безопасную подстановку переменных через шаблонизатор Liquid. Поэтому поведение ассистента можно адаптировать под процессы конкретной команды без изменения кода и нового релиза.
 

Что дальше

Следующим этапом станет расширение системы за счет матрицы компетенций.

Сейчас план интервью в первую очередь формируется на основе заявки клиента. В дальнейшем к требованиям конкретной позиции можно будет добавлять собственные темы и компетенции, которые необходимо проверить независимо от заявки.

 Планируется расширение набора источников для анализа: например, анализ git-репозитория проекта или подключение трекера задач с целью анализа бэклога и реализованных задач. Это поможет точнее сформулировать требования к экспертизе искомого кандидата.

Кроме того, в активной фазе сейчас находится развитие пополняемой базы знаний, построенной на принципах RAG. Её назначение – оперативный поиск данных и углубление контекстной осведомленности моделей, что дает возможность гибко настраивать их под конкретные требования и нужные компетенции. В статье про Автоматизацию парсинга зарплатных ожиданий с помомощью LLM мы рассказываем о еще одном способе помочь HR-департаменту при помощи ИИ. 

От внутреннего инструмента к решению для клиентов

Мы изначально создавали ArgusHire для собственных задач, но архитектура уже позволяет использовать систему за пределами компании.

Она работает в закрытом контуре, поддерживает несколько workspace, может кастомизироваться под разные процессы. Поэтому ее можно адаптировать под конкретные требования enterprise-проектов. У нас уже был опыт создания полноценного цифрового ассистента для работы во внутреннем контуре компании. За короткий срок мы смогли запустить универсального ИИ-агента, способного делать все то же самое, что и облачные LLM: отвечать на запросы, работать по агентным сценариям, общаться с внешними сервисами и автоматизировать рутину. 

Для компании это следующий шаг после внутреннего dogfooding: сначала создать инструмент для собственного процесса, проверить его на реальных задачах и только после этого масштабировать накопленную экспертизу на клиентские проекты.

Технический рекрутинг – лишь один из процессов, где большие языковые модели могут взять на себя значительную часть рутинной работы. Здесь они уже используются не как отдельный чат с AI, а как часть полноценного внутреннего продукта, встроенного в существующий процесс.

Именно такой подход позволяет использовать систему и как внутренний инструмент, и как основу для решений, которые можно предлагать клиентам.

Наши ИИ-решения задают тренды в HRtech. Глубокая экспертиза в рекрутинге в сочетании с передовыми алгоритмами позволяет нам создавать продукты, которые меняют правила игры.  Если вы готовы вывести автоматизацию на новый уровень – давайте обсудим, как наши знания и опыт могут вам в этом помочь.