@edwinfom/resume-intel

Infrastructure de parsing de CV orientée LLM. Agnostique au modèle · Extraction spatiale · Fallback OCR · Compatible JSON Resume

Nouveautés de la v0.2.0

• streamResume() — AsyncGenerator qui yield des événements au fur et à mesure que chaque section est extraite. Mettez à jour votre UI progressivement au lieu d'attendre le résultat complet.
• Fix dates YYYY-01 — "2025-01" → "2025" (padding mois-seulement maintenant supprimé)
• Tableaux vides supprimés — volunteer: [], interests: [] sont maintenant omis de la sortie
• Catégories de compétences vides supprimées — les skills sans keywords sont filtrés
• Export du type StreamResumeEvent

Voir le Changelog complet pour les détails.

Le problème

Extraire des données structurées depuis des CVs PDF est plus difficile qu'il n'y paraît. La plupart des outils utilisent soit des expressions régulières fragiles qui cassent sur les designs modernes, soit ils s'appuient sur un seul fournisseur d'IA et vous enferment dans son écosystème.

Voici ce qui se passe réellement en pratique :

• Mises en page multicolonnes — la colonne 1 et la colonne 2 s'entremêlent. Les dates se mélangent aux descriptions de postes. Le LLM reçoit un chaos sémantique et hallucine.
• DeepSeek et modèles similaires ne peuvent pas lire les PDFs bruts — ce sont des modèles texte uniquement. Sans extraction préalable, chaque appel échoue silencieusement.
• Les LLMs produisent du JSON cassé — accolades manquantes, virgules en trop, JSON enveloppé dans des balises markdown. Sans couche de réparation, votre pipeline plante.
• Vendor lock-in — si votre parser ne fonctionne qu'avec Claude ou GPT-4, vous ne pouvez pas changer de modèle sans réécrire votre intégration.
• PDFs scannés — aucune couche texte. Un extracteur basique retourne une chaîne vide et vous ne savez jamais pourquoi.

resume-intel est un pipeline en quatre couches qui résout tout cela :

import { parseResume } from '@edwinfom/resume-intel'
import { createDeepSeek } from '@ai-sdk/deepseek'
import { readFileSync } from 'node:fs'
 
const result = await parseResume(readFileSync('./cv.pdf'), {
  model: createDeepSeek({ apiKey: process.env.DEEPSEEK_API_KEY })('deepseek-chat'),
})
 
console.log(result.data.basics?.name)    // "Jean Dupont"
console.log(result.data.work?.length)    // 3
console.log(result.meta.ocrFallback)     // true si PDF scanné
console.log(result.meta.sectionResults) // diagnostics par section

Comment ça fonctionne

1 — Détection du type de PDF

Avant toute extraction, le package vérifie si le PDF contient une couche texte. Si la densité de texte est inférieure à un seuil, le PDF est classifié comme scanné et le pipeline OCR se déclenche automatiquement.

2a — Extraction spatiale (PDFs natifs)

Les extracteurs standard lisent le texte dans l'ordre de rendu, pas dans l'ordre de lecture. Pour un CV à deux colonnes, cela produit :

2020 Ingénieur Senior TypeScript Node.js
2018 Ingénieur Junior React PostgreSQL

resume-intel extrait les coordonnées de boîtes englobantes pour chaque bloc de texte, détecte les limites de colonnes par analyse des espaces, trie les blocs dans chaque colonne de haut en bas, et concatène les colonnes de gauche à droite. Le LLM reçoit un texte propre et ordonné.

2b — Fallback OCR (PDFs scannés)

Quand un PDF scanné est détecté :

1. Rastérisation de chaque page en PNG via pdfjs-dist + @napi-rs/canvas à 150 DPI
2. OCR local avec Tesseract.js (WASM) sur chaque image
3. Nettoyage des artefacts OCR (barres de progression, séparateurs, numéros de page)

Aucun service OCR externe. Aucun appel réseau. Tout s'exécute localement.

3 — Décomposition par section

Au lieu d'un seul appel LLM monolithique, resume-intel exécute des extractions parallèles et ciblées par section — chacune avec son propre prompt, schéma, limite maxTokens, et boucle de retry. Cela réduit les hallucinations et isole les échecs.

4 — Réparation et validation JSON

1. Réparation — supprime les balises markdown, corrige les virgules en trop, les accolades manquantes via jsonrepair
2. Validation — enforcement du schéma Zod
3. Auto-correction — les erreurs Zod sont renvoyées au LLM pour correction ciblée (jusqu'à maxRetries fois)

Fonctionnalités