Agent CV : du manuel à la production
01 · SITUATION
Le contexte
Adapter un CV consultant à un appel d'offres représentait 30 à 45 minutes de travail manuel, répété plusieurs dizaines de fois par an, avec un résultat hétérogène selon qui s'en chargeait. Le risque réel : perdre un appel d'offres non sur la compétence, mais sur la présentation du dossier.
02 · MÉTHODE
Pipeline 4 étapes
Extraction documentaire locale
Extraction des données brutes depuis les PDF (pdfplumber). Traitement local. Aucune donnée ne quitte l'infrastructure avant validation.
IA contrainte par schéma strict
14 champs Pydantic, température 0. Deux passes : extraction de l'union des versions du CV, puis alignement sur le cahier des charges. Marqueurs [[À compléter]] pour les manques, [[À arbitrer]] pour les conflits.
Rendu déterministe découplé
Génération du PPTX en python-pptx natif. Découplage total IA/rendu = zéro troncature, zéro dépendance à un service tiers pour le rendu.
Validation humaine obligatoire
L'agent ne remplace pas le consultant : il produit un premier jet structuré et documenté. La décision finale reste humaine.
SCHÉMA D'ARCHITECTURE (PIPELINE)
Orchestration pipeline.py · Points d'entrée cli.py / server.py (CLI + FastAPI) · Sandbox local : aucune donnée ne quitte l'infrastructure avant validation.
PARCOURS UTILISATEUR (DU DÉPÔT AU CV FINAL)
Le coût LLM domine le temps total (environ 80 % de la durée).
03 · RÉSULTATS
En production
Cas suivant
Gouvernance IA à l'échelle d'un grand groupe