Steg 2: anslut Google Drive och Google Sheets

Konfigurera lagring för inkommande CV:n och hämta jobbbeskrivningar för utvärdering.

1. Öppna Store Resume in Drive och ställ in Name till =cv-{{ $now.toFormat("yyyyLLdd-HHmmss") }}-{{$binary.data.fileName}}.
2. Ställ in Folder ID i Store Resume in Drive till er målmapp i Drive (ersätt [YOUR_ID]).
3. Inloggningsuppgifter krävs: Anslut era googleDriveOAuth2Api-inloggningsuppgifter i Store Resume in Drive och Download JD File.
4. Konfigurera Retrieve Job Description för att filtrera på Job Role med ={{ $('Resume Intake Form').item.json['Job Role'] }} och ställ in Document ID till ert Positions-ark.
5. Inloggningsuppgifter krävs: Anslut era googleSheetsOAuth2Api-inloggningsuppgifter i Retrieve Job Description och Append Evaluation Sheet.
6. I Download JD File, ställ in File ID till ={{ $json['Job Description'] }} och behåll Operation som download.

Split Resume Files skickar output parallellt till både Store Resume in Drive och Extract Resume Text.

Steg 3: förbered CV-text och kandidatprofiler

Extrahera och strukturera CV-data innan utvärdering.

1. I Split Resume Files, behåll den medföljande JavaScript som delar upp binära inputs baserat på CV_-prefix.
2. Ställ in Extract Resume Text Operation till pdf för att tolka CV:n till text.
3. I Candidate Profile Agent, ställ in Text till =Please extract all relevant information from this candiadte: CV Content: === {{ $json["text"] }} ===.
4. Koppla Structured Profile Parser som output-parser för Candidate Profile Agent och behåll JSON-schemaexemplet som det är.
5. Öppna OpenAI Chat Model och välj modellen gpt-4.1-mini.
6. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Chat Model. Structured Profile Parser är en subnod—lägg i stället till inloggningsuppgifter på den överordnade OpenAI Chat Model.

Steg 4: filtrera profiler och slå ihop med jobbbeskrivningar

Säkerställ att endast giltiga kandidatprofiler går vidare och slå ihop dem med texten från jobbbeskrivningen.

1. I Filter Invalid Profiles, behåll villkoret som kontrollerar att full_name inte är tomt: ={{ $json.output.full_name }}.
2. Ställ in Extract JD Text Operation till pdf så att jobbbeskrivningar tolkas till text.
3. Använd Combine Profile and JD för att slå ihop strömmen med validerade kandidatprofiler med strömmen av extraherad jobbbeskrivning.

Download JD File skickar output till Extract JD Text, och Extract JD Text skickar output till Combine Profile and JD.

Steg 5: bygg AI-pipeline för utvärdering

Förbered ett sammansatt utvärderingsunderlag och kör det genom AI-kedjan för poängsättning.

1. I Assemble Evaluation Input, behåll den medföljande JavaScript-koden som bygger candidate_profile, job_description och applied_position med $('Resume Intake Form').first().json['Job Role'].
2. I Hiring Evaluation Agent, ställ in Text till =Evaluate the candidate for the following position ({{ $json.position }}) with job description: {{ $json.job_description }} ------------------------ Below is the extracted candidate profile: {{ $json.candidate_profile.toJsonString() }}.
3. Säkerställ att Evaluation Output Parser är kopplad till Hiring Evaluation Agent och behåll JSON-schemaexemplet som det är.
4. Anslut OpenAI Model for Scoring som språkmodell för Hiring Evaluation Agent och välj modellen gpt-4.1-mini.
5. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Model for Scoring. Evaluation Output Parser är en subnod—lägg i stället till inloggningsuppgifter på den överordnade OpenAI Model for Scoring.

Steg 6: mappa utvärderingsfält och spara resultat

Normalisera AI-output och lägg till resultaten i ert spårningsark.

1. I Map Evaluation Fields, behåll Mode som runOnceForEachItem och JavaScript-mappningen för strengths, concerns_or_gaps och submitted_date.
2. I Append Evaluation Sheet, behåll Operation inställd på append och säkerställ att Sheet Name är Sheet1.
3. Bekräfta att mappningen för Columns inkluderar overall_fit_score, recommendation, strengths, concerns_or_gaps och final_notes.

Map Evaluation Fields skickar output parallellt till både Append Evaluation Sheet och Qualification Check.

Steg 7: konfigurera kvalificeringsstyrning och aviseringar

Skicka kandidater med hög poäng till Slack och mejla valfritt kandidater baserat på poäng.

1. I Qualification Check, behåll det numeriska villkoret ={{ $('Hiring Evaluation Agent').item.json.output.overall_fit_score }} gte 8.
2. I Notify Hiring Slack, ställ in Text till det medföljande meddelandet och välj rätt Channel.
3. Inloggningsuppgifter krävs: Anslut era slackOAuth2Api-inloggningsuppgifter i Notify Hiring Slack.
4. I Email Candidate Result, ställ in Subject till =Update on Your Application for {{ $json.position }} och To Email till ={{ $json.email }}.
5. Inloggningsuppgifter krävs: Anslut era sendGridApi-inloggningsuppgifter i Email Candidate Result.

Qualification Check skickar kvalificerade kandidater till Notify Hiring Slack och övriga kandidater till Email Candidate Result.

Steg 8: testa och aktivera ert arbetsflöde

Verifiera hela pipelinen end-to-end innan ni aktiverar den för skarp drift.

1. Klicka på Execute Workflow och skicka in ett testsvar till Resume Intake Form med ett CV i PDF och en giltig Job Role.
2. Bekräfta att filer sparas av Store Resume in Drive och att textextraheringen lyckas i Extract Resume Text och Extract JD Text.
3. Kontrollera att Append Evaluation Sheet lägger till en ny rad med overall_fit_score, recommendation och submitted_date.
4. Verifiera att Slack-aviseringen i Notify Hiring Slack triggas för poäng ≥ 8, och att Email Candidate Result (om aktiverad) skickas för lägre poäng.
5. När allt är validerat, slå om arbetsflödet till Active för produktionsanvändning.