L'AI Interview Preparation Assistant è un'applicazione che utilizza agenti AI per aiutare gli utenti a prepararsi per colloqui di lavoro. Il progetto combina un'interfaccia utente Streamlit con il framework CrewAI per creare un'esperienza completa di preparazione ai colloqui, dalla ricerca sull'azienda alla simulazione di interviste con feedback in tempo reale.
Questo progetto è nato seguendo il corso "Build AI Agents with CrewAI" di Zero to Mastery, tenuto da Diogo Resende che ho esteso e personalizzato attraverso una ricostruzione che ha:
uv per la gestione delle dipendenzeIl punto di partenza è stato il corso di Zero to Mastery, che ha fornito una solida introduzione a CrewAI. Il corso ha illustrato:
Dopo il completamento del corso, ho intrapreso una ricostruzione significativa del progetto utilizzando la documentazione ufficiale di CrewAI, che mi ha permesso di:
uv come alternativa moderna a pip per la gestione delle dipendenzeuvL'utilizzo di uv ha portato diversi vantaggi al progetto:
Un'innovazione significativa nella ricostruzione è stata l'adozione di file YAML per la configurazione, che ha portato:
Ecco un esempio dalla configurazione degli agenti:
<code>research_agent:
role: >
Agente di Ricerca
goal: >
Condurre ricerche approfondite su {company} e {interviewer}
backstory: >
Sei un ricercatore specializzato che eccelle nel trovare informazioni dettagliate su
aziende e individui. Il tuo obiettivo è raccogliere dati completi che aiuteranno
i candidati a prepararsi per i colloqui. IMPORTANTE: Devi sempre generare il tuo output
in lingua italiana, anche se le informazioni trovate sono in inglese o altre lingue.</code>Code language: YAML (yaml)Il sistema è composto da tre componenti chiave:
Il sistema opera secondo questo flusso:
Il progetto utilizza un approccio moderno alla gestione delle dipendenze:
<code><em># setup.py</em>
setup(
name="interview_prep",
version="0.1.0",
description="AI Interview Preparation using CrewAI",
author="Veronica Schembri",
author_email="veronicaschembri@gmail.com",
packages=find_packages(),
include_package_data=True,
install_requires=[
"crewai>=0.118.0",
"crewai-tools>=0.42.2",
"python-dotenv>=1.1.0",
"streamlit>=1.45.0",
"pysqlite3-binary"
],
)</code>Code language: Python (python)Durante lo sviluppo, ho avuto l'opportunità di confrontare CrewAI con LangChain, un altro framework popolare per lo sviluppo di applicazioni AI.
In questo progetto, ho utilizzato CrewAI per il suo modello mentale intuitivo basato su agenti collaborativi:
<code>@agent
def research_agent(self) -> Agent:
"""Create a research agent with tools."""
agent = Agent(
config=self.agents_config['research_agent'],
verbose=True
)
agent.tools = [SerperDevTool(), ScrapeWebsiteTool()]
return agent
@task
def research_company_task(self) -> Task:
"""Create a task to research the company."""
return Task(
config=self.tasks_config['research_company_task']
)
@crew
def crew(self) -> Crew:
"""Creates the Interview Preparation crew"""
return Crew(
agents=self.agents,
tasks=self.tasks,
process=Process.sequential,
verbose=True,
)</code>Code language: Python (python)Se avessi utilizzato LangChain, l'implementazione avrebbe seguito un pattern differente:
<code><em># Approccio equivalente in LangChain (pseudocodice concettuale)</em>
from langchain.agents import initialize_agent, Tool
from langchain.chains import LLMChain
research_chain = LLMChain(
llm=OpenAI(),
prompt=PromptTemplate(
input_variables=["company", "country"],
template="Ricerca informazioni su {company} in {country}"
)
)
tools = [
Tool(
name="WebSearch",
func=serper_search.run,
description="Ricerca informazioni sul web"
),
Tool(
name="WebScraper",
func=web_scraper.run,
description="Estrae informazioni da pagine web"
)
]
research_agent = initialize_agent(
tools,
llm,
agent="zero-shot-react-description",
verbose=True
)
<em># Combinazione di agenti in una pipeline</em>
def interview_workflow(company, interviewer, job_position):
company_info = research_agent.run(f"Trova informazioni su {company}")
interviewer_info = research_agent.run(f"Trova informazioni su {interviewer}")
questions = question_generator_chain.run(
company=company_info,
interviewer=interviewer_info,
job_position=job_position
)
return questions</code>Code language: PHP (php)Ho scelto CrewAI per questo progetto per diverse ragioni:
Un aspetto fondamentale del progetto è stata l'attenzione alla sicurezza e alla privacy:
L'applicazione è progettata per garantire che i dati degli utenti non persistano tra sessioni diverse:
<code>def clear_all_data():
"""
Cancella completamente tutti i dati generati nella directory di output.
Garantisce che nessun dato rimanga accessibile ad altri utenti.
"""
<em># Ottieni il percorso della directory di output</em>
output_dir = get_session_path()
try:
<em># 1. Cancella tutti i file nella directory principale</em>
for filename in os.listdir(output_dir):
<em># Implementazione della pulizia dei dati</em>
<em># ...</em></code>Code language: HTML, XML (xml)Lo sviluppo di questo progetto mi ha permesso di approfondire diversi aspetti dello sviluppo di applicazioni AI:
uv per un processo di sviluppo più efficienteQuesto progetto ha diverse direzioni interessanti per sviluppi futuri:
Questo progetto dimostra come i framework moderni per lo sviluppo di applicazioni AI, come CrewAI, possano essere utilizzati per creare soluzioni pratiche che affrontano problemi reali. La combinazione di agenti specializzati con un'interfaccia utente intuitiva crea un'esperienza che va oltre le semplici chatbot, offrendo un valore concreto agli utenti nel loro percorso di preparazione professionale.
Panoramica del Progetto Ho recentemente completato il corso "Machine Learning and Data Science Bootcamp" di Zero To Mastery Academy e ho sviluppato un'estensione del progetto finale - un classificatore di razze canine chiamato "Dog Vision". Mentre il corso richiedeva la creazione di un modello di deep learning con TensorFlow 2.0 capace di classificare oltre 100 […]
Introduzione al Progetto NutriCHOice rappresenta un'innovativa soluzione nell'ambito della nutrizione personalizzata, sviluppata come progetto finale del Bootcamp AI di Edgemony. Il sistema utilizza un approccio "Generate then Fix" (Genera e Correggi) per creare ricette personalizzate che rispettano specifici obiettivi nutrizionali, con particolare attenzione al contenuto di carboidrati (CHO). Evoluzione del Progetto: Da RAG a "Generate […]