Parse Cv

parse-cv — text extraction da file caricato dall'utente

L'utente carica il suo CV via Telegram (o web drop-zone). L'Assistente deve estrarre i dati strutturati (nome, ruolo, skill, esperienze) per popolare $JHT_HOME/profile/candidate_profile.yml.

Senza pre-process: il LLM riceve il PDF binario via Read tool e fa il parsing direttamente. Funziona ma:

• Costa tanti token (un CV 2 pagine ≈ 3-5k token solo per il file)
• Risultati variabili su PDF scansionati / formati non-standard
• Errore silenzioso su .pages/.numbers (formati Apple non leggibili)

Con pre-process (questa skill): pdftotext/pandoc estraggono il testo plain in 50-200ms, il LLM riceve solo il testo (500-2000 token). Cinque-dieci volte meno token, parsing più affidabile.

Quando lanciarla

L'Assistente chiama parse-cv:

1. Su ogni nuovo file in $JHT_HOME/profile/sources/ con estensione .pdf .docx .doc .odt .rtf .txt
2. NON sulle immagini (.jpg .jpeg .png .heic .webp) — quelle le legge direttamente via vision multimodal del LLM
3. NON su file >5 MB (probabilmente non sono CV — l'Assistente chiede chiarimento)

Strumenti disponibili nel container

Già installati (verifica con command -v):

• pdftotext (via poppler-utils) — PDF → text
• pandoc — docx/odt/rtf/html → text/markdown
• file — detect MIME type
• NON disponibile: tesseract (OCR), unrtf — per scansioni a bassa qualità il LLM cade su vision multimodal o chiede retry all'utente

Procedura

SRC="$1"   # path al file in profile/sources/
[ -f "$SRC" ] || { echo "ERROR: file non trovato: $SRC"; exit 2; }

# 1. Detect MIME
MIME="$(file -b --mime-type "$SRC")"

# 2. Size check (5 MB limit)
SIZE=$(stat -c%s "$SRC" 2>/dev/null || stat -f%z "$SRC")
if [ "$SIZE" -gt 5242880 ]; then
  echo "ERROR: file >5MB ($SIZE bytes), skip parse"
  exit 3
fi

# 3. Estrazione per formato
case "$MIME" in
  application/pdf)
    # PDF: prova pdftotext (preserve layout per CV tabellari)
    OUT="$(pdftotext -layout -nopgbrk "$SRC" - 2>/dev/null)"
    if [ -z "$OUT" ] || [ "${#OUT}" -lt 50 ]; then
      # Probabile PDF scansione (immagini, no text layer)
      echo "ERROR: PDF text layer vuoto (probabile scansione). Usa vision multimodal o chiedi retry all'utente."
      exit 4
    fi
    ;;
  application/vnd.openxmlformats-officedocument.wordprocessingml.document|\
  application/msword|\
  application/vnd.oasis.opendocument.text|\
  application/rtf|\
  text/rtf)
    # Word/ODT/RTF: pandoc → plain text
    OUT="$(pandoc -f auto -t plain --wrap=none "$SRC" 2>/dev/null)"
    if [ -z "$OUT" ]; then
      echo "ERROR: pandoc non riesce a estrarre testo da $SRC ($MIME)"
      exit 5
    fi
    ;;
  text/plain|text/markdown)
    OUT="$(cat "$SRC")"
    ;;
  *)
    echo "ERROR: MIME type non supportato: $MIME"
    echo "       Formati supportati: pdf, docx, doc, odt, rtf, txt, md"
    echo "       Per immagini usa vision multimodal direttamente."
    exit 6
    ;;
esac

# 4. Print estratto
echo "$OUT"

Codici exit

Output atteso

Plain text con layout preservato dove possibile (importante per CV con tabelle/colonne). Lo skill NON fa parsing semantico — quello è job del LLM Assistente dopo, leggendo lo stdout di questa skill.

Esempio di chiamata:

TEXT="$(bash /app/agents/_skills/parse-cv/extract.sh "$JHT_HOME/profile/sources/cv-marco.pdf")"
RC=$?
case $RC in
  0) # passa $TEXT al LLM per popolare candidate_profile.yml
     ;;
  4) # PDF scansione: leggi via vision multimodal del LLM
     ;;
  3|5|6) # chiedi retry all'utente via telegram-send
     ;;
esac

Note progettuali

• No OCR esplicito (no tesseract): aggiunge ~200 MB all'image Docker e l'LLM multimodal già copre il caso scansione bene.
• No language detection: il LLM è multilingua e gestisce CV in qualsiasi lingua (vedi agents/assistente/assistente.md § CV upload — regola "rispondi in lingua utente, dati restano in lingua originale CV").
• No size-based truncation: il limite 5 MB è anti-abuse, non per CV reali (un CV serio è 200 KB-2 MB).
• Skill richiamabile in parallelo: idempotente, no state esterno modificato (lo skill SOLO LEGGE il file e printa).