CV-Manaiger 📄✨

Sistema Inteligente de Gestión y Optimización de CVs. Transforma currículums desordenados en datos estructurados (JSON) listos para Inteligencia Artificial.

---

---

📚 Documentation (The "Brain")

[MANDATORY CHECKPOINT]: docs/NEXT_STEPS.md (Read before continuing)

Detailed documentation is available in the docs/ folder:

• ARCHITECTURE.md: Twin-JSON Design, Data Flow, Facade Pattern.
• AI_CONTEXT.md: System Prompts, Models (Schematron vs Gemma), and Resilience.
• WORKFLOWS.md: How to run, debug, and test (SOPs).

---

🚀 Quickstart (Guía Rápida)

Sigue estos pasos para poner en marcha el backend de Python en menos de 5 minutos.

1. Requisitos Previos

• Python 3.10+ instalado.
• Una API Key de OpenAI (necesitas saldo/crédito disponible).
• Git.

2. Instalación

Clona el repositorio y entra en la carpeta:

git clone https://github.com/ssolis-ti/CV-Manaiger.git
cd CV-Manaiger

Crea y activa un entorno virtual (recomendado para no ensuciar tu sistema):

En Windows (PowerShell):

python -m venv venv
.\venv\Scripts\activate

En Mac/Linux:

python3 -m venv venv
source venv/bin/activate

Instala las dependencias:

pip install -r requirements.txt

3. Configuración

El sistema necesita tu clave de OpenAI para4. Configura el entorno: Copia el archivo de ejemplo y configura tu API Key (OpenAI o Inference.net): powershell copy .env.example .env # Edita .env con tu clave

5. Ejecuta la Demo:

   python run_demo.py

   • Selecciona Opción 1 para pegar automáticamente desde el portapapeles.
   • O selecciona Opción 2 para pegar manualmente. OPENAI_API_KEY=sk-tu-clave-secreta-aqui... OPENAI_MODEL=gpt-4o-mini # Puedes cambiarlo a gpt-4o si prefieres

4. ¡Pruébalo!

Hemos incluido un script de demostración interactivo.

Ejecuta el siguiente comando:

python run_demo.py

1. La terminal te pedirá que pegues el texto de un CV.
2. Copia cualquier texto de CV (desordenado, con bullets raros, etc.).
3. Pégalo en la terminal.
4. Presiona Enter, y luego Ctrl+Z (en Windows) o Ctrl+D (en Linux/Mac) y luego Enter otra vez para indicar que terminaste de escribir.

✨ Verás la magia: El sistema limpiará el texto, lo analizará con IA y te devolverá un JSON perfecto con secciones, habilidades detectadas y métricas de impacto.

---

📂 Estructura del Proyecto

Para los curiosos, así está organizado el "cerebro":

Architecture 🏗️

The system follows a modular Facade Pattern with a One-Shot LLM Extraction strategy (V3).

graph TD
    User(["User / CLI"]) --> Facade["CVProcessor (Main)"]
    Facade --> Triage["Triage & ATS Check"]
    Facade --> ETL_Clean["Cleaner (Regex)"]
    Facade --> Brain["Semantic Structurer (One-Shot LLM)"]
    Facade --> Format["JSON Formatter (Pydantic)"]
    Facade --> Enrich["Enricher (Gemma 3)"]
    
    Triage --> ETL_Clean
    ETL_Clean --> Brain
    Brain -->|Extracted Structure| Format
    Format -->|Twin-JSON| Enrich
    Enrich --> Output[("JSON/Files")]

    subgraph Core Logic
    Brain
    end

Loading

• cv_formatter/main.py: El Jefe (Facade). Conecta todas las piezas. Si vas a usar esto en tu código, importa la clase CVProcessor de aquí.
• cv_formatter/etl/: Limpieza. Se encarga de quitar basura y normalizar el texto antes de que la IA lo toque.
• cv_formatter/llm/: Inteligencia. Aquí vive el tagger.py que habla con OpenAI. Incluye reintentos automáticos y control de costos.
• cv_formatter/formatter/: Orden. Define la estructura exacta del JSON final usando Pydantic.

🧪 Tests

Si quieres verificar que todo funciona correctamente a nivel de código:

pytest

Esto ejecutará las pruebas automáticas de limpieza y extracción.