coboarding 0.1.14

Automated Development Environment

coBoarding

coBoarding to kompleksowy, kontenerowy system do automatycznego wypełniania formularzy rekrutacyjnych, kładący nacisk na prywatność, elastyczność oraz wsparcie wielojęzyczne.

Główne cechy

• Architektura oparta na Docker (moduły: browser-service, llm-orchestrator, novnc, web-interface)
• 100% lokalne przetwarzanie danych (prywatność)
• Wykrywanie sprzętu (GPU/CPU, RAM) i automatyczny dobór modelu LLM
• Wielojęzyczność (PL, DE, EN) z automatyczną detekcją
• Nowoczesny web UI z HTTPS i sterowaniem głosowym
• Automatyczna generacja pipelines dla portali pracy
• Wizualizacja procesu przez noVNC
• Integracja z menedżerami haseł (Bitwarden, PassBolt)
• Kompletne środowisko testowe

📚 Spis treści / Menu

• Szybki start
• Instalacja środowiska (Python 3.11+ / 3.12 na Ubuntu 24.10+)
• Struktura kontenerów
• Weryfikacja wdrożenia
• Scenariusze testowe
• FAQ
• Kontakt i wsparcie

Szybki start

git clone https://github.com/coboarding/coboarding.git
cd coBoarding
bash install.sh  # automatyczna instalacja zależności i Docker Compose v2
bash run.sh      # lub ./run.ps1 na Windows

Pierwsze uruchomienie automatycznie skonfiguruje środowisko (venv, zależności, kontenery, Docker Compose v2).

WAŻNE: Projekt wymaga Docker Compose v2 (polecenie docker compose). Skrypt install.sh instaluje go automatycznie jako plugin CLI.

Instalacja środowiska (Python 3.11+ / 3.12 na Ubuntu 24.10+)

Aby uniknąć problemów z kompatybilnością (np. PyAudio vs Python 3.12), zalecane jest użycie Pythona 3.11. Na Ubuntu 24.10+ dostępny jest tylko Python 3.12 – patrz uwaga poniżej!

# (Linux/Ubuntu) Instalacja wymaganych pakietów
sudo apt-get update && sudo apt-get install python3.11 python3.11-venv python3.11-dev
# Na Ubuntu 24.10+:
sudo apt-get install python3.12 python3.12-venv python3.12-dev

# Utworzenie i aktywacja środowiska wirtualnego
python3.11 -m venv venv-py311   # lub
python3.12 -m venv venv-py312   # na Ubuntu 24.10+
source venv-py311/bin/activate  # lub
source venv-py312/bin/activate

# Instalacja zależności
pip install --upgrade pip
pip install -r requirements.txt

Możesz także użyć skryptu:

bash install.sh  # automatyczna instalacja Docker Compose v2 (plugin CLI)

Po instalacji Compose v2 dostępne będzie jako polecenie:

docker compose version

Uwaga dot. PyAudio i Python 3.12: PyAudio nie jest kompatybilne z Python 3.12 (błąd: pkgutil.ImpImporter).

• Jeśli nie potrzebujesz funkcji audio, możesz usunąć PyAudio z requirements.txt.
• Jeśli potrzebujesz PyAudio, spróbuj zainstalować nieoficjalny wheel z https://www.lfd.uci.edu/~gohlke/pythonlibs/#pyaudio (tylko Windows), lub rozważ alternatywę np. sounddevice.
• Możesz też użyć środowiska z Pythonem 3.11 (np. Docker, starsze Ubuntu).

Struktura kontenerów

• browser-service: Selenium, Chrome/Firefox
• llm-orchestrator: API do analizy formularzy, wykrywanie sprzętu, zarządzanie modelami LLM (torch, transformers, langchain)
• novnc: Podgląd przeglądarki
• web-interface: React, HTTPS, Web Speech API

Weryfikacja wdrożenia

• Czy docker-compose.yml zawiera wszystkie kontenery i wolumeny?
• Czy skrypty inicjalizacyjne wykrywają sprzęt?
• Czy web-interface jest dostępny przez HTTPS?
• Czy API llm-orchestrator działa?
• Czy testy przechodzą dla przykładowych formularzy?

Scenariusze testowe

• Wypełnianie prostego i złożonego formularza
• Test wielojęzyczności
• Test podglądu przez noVNC
• Test integracji z menedżerem haseł

Dokumentacja

Szczegółowe prompty i pytania weryfikacyjne znajdziesz w pliku TODO.txt.

Kontakt i wsparcie

Projekt open-source. Wszelkie zgłoszenia błędów i propozycje zmian prosimy kierować przez Issues na GitHub.

coBoarding

System do automatycznego wypełniania formularzy internetowych wykorzystujący lokalne modele językowe (LLM) w trzech językach (polski, niemiecki, angielski) bazujący na danych z CV.

Funkcjonalności

• Automatyczne wykrywanie formularzy na stronach internetowych
• Inteligentne dopasowywanie danych z CV do pól formularza
• Obsługa trzech języków: polski, niemiecki, angielski - automatyczne wykrywanie języka formularza
• Lokalna analiza językowa z wykorzystaniem modeli LLM (bez wysyłania danych do zewnętrznych API)
• Wsparcie dla różnych formatów CV: HTML, PDF, DOCX
• Pełna automatyzacja procesu wypełniania formularzy rekrutacyjnych
• Zrzuty ekranu wypełnionych formularzy do weryfikacji

Wymagania systemowe

• Docker i Docker Compose
• Minimum 8GB RAM (zalecane 16GB)
• Minimum 10GB wolnego miejsca na dysku
• Połączenie z internetem (tylko do pobierania modeli LLM przy pierwszym uruchomieniu)

Szybki start

1. Sklonuj repozytorium

git clone https://github.com/coboarding/coboarding.git
cd coBoarding

2. Przygotuj CV

Umieść swoje CV w katalogu cv/ w jednym z obsługiwanych formatów (HTML, PDF, DOCX).

3. Utwórz plik z adresami URL

Utwórz plik urls.txt z adresami stron zawierających formularze rekrutacyjne:

https://example.com/job-application1
https://example.com/job-application2

4. Uruchom skrypt startowy

chmod +x run.sh
./run.sh

Skrypt przeprowadzi Cię przez proces uruchomienia systemu.

Szczegółowa konfiguracja

Możesz dostosować działanie systemu edytując plik config.ini:

[CV]
path = /app/cv/cv_tom_sapletta_2025_de.html

[LLM]
model_path = /app/models/mistral.gguf
model_type = llama
device = cpu

[Browser]
type = chrome
headless = true

[Output]
directory = /app/output

Dostępne modele LLM

System domyślnie używa modelu Mistral, ale możesz użyć jednego z następujących modeli:

• mistral.gguf - Mistral 7B (domyślny, dobry kompromis między jakością a wymaganiami)
• llama-2-7b.gguf - Llama 2 7B (alternatywa)
• falcon-7b.gguf - Falcon 7B (alternatywa)

Większe modele (13B, 70B) zapewniają lepszą jakość, ale wymagają więcej zasobów.

Tryby działania

System można uruchomić w trzech trybach:

1. Tryb wsadowy - przetwarzanie wszystkich adresów URL z pliku:

   python main.py --config config.ini --urls-file urls.txt
   

2. Tryb pojedynczego URL - przetwarzanie pojedynczego adresu:

   python main.py --config config.ini --url https://example.com/job-application
   

3. Tryb interaktywny - do debugowania (tylko w Dockerze):

   # W docker-compose.yml zmień command: sleep infinity
   docker-compose up -d
   docker exec -it coBoarding bash
   

Obsługa błędów

Typowe problemy

1. Problem: Kontener Docker kończy działanie z błędem Rozwiązanie: Sprawdź logi: docker-compose logs

2. Problem: Formularze nie są poprawnie wykrywane Rozwiązanie: Niektóre strony używają niestandardowego JavaScript. Spróbuj uruchomić w trybie nieheadless.

3. Problem: Model LLM nie jest pobierany automatycznie Rozwiązanie: Pobierz model ręcznie i umieść go w katalogu models/

Szczegółowe logowanie i debugowanie

W plikach Dockerfile, install.sh oraz run.sh zostały dodane szczegółowe komunikaty [DEBUG] oraz [INFO].

• Każdy kluczowy etap instalacji, budowy obrazu i uruchamiania usług jest logowany.
• Logi pomagają szybko zlokalizować miejsce, gdzie wystąpił problem.
• W terminalu zobaczysz wyraźne komunikaty o postępie i ewentualnych błędach.

Wskazówka: Jeśli coś pójdzie nie tak, sprawdź logi [DEBUG] w konsoli — wskażą, na którym etapie pojawił się problem.

Jak to działa

1. System analizuje CV użytkownika, parsując kluczowe informacje (doświadczenie, umiejętności, wykształcenie).
2. Dla każdego URL, system uruchamia zautomatyzowaną przeglądarkę i wykrywa formularze na stronie.
3. Lokalny model LLM analizuje strukturę formularza i jego pola.
4. System inteligentnie dopasowuje dane z CV do pól formularza, tłumacząc je na odpowiedni język.
5. Formularz jest automatycznie wypełniany, a zrzut ekranu jest zapisywany do weryfikacji.

Bezpieczeństwo

• Wszystkie dane są przetwarzane lokalnie
• Żadne informacje nie są wysyłane do zewnętrznych API
• Lokalne modele LLM zapewniają prywatność danych
• System nie wysyła automatycznie formularzy - tylko je wypełnia

Licencja

Ten projekt jest udostępniany na licencji MIT. Szczegółowe informacje można znaleźć w pliku LICENSE.

Autor

Tom Sapletta

Współpraca

Chętnie przyjmujemy Pull Requesty! Aby przyczynić się do rozwoju projektu:

1. Sforkuj repozytorium
2. Utwórz branch z nową funkcjonalnością (git checkout -b feature/amazing-feature)
3. Zatwierdź zmiany (git commit -m 'Add amazing feature')
4. Wypchnij branch (git push origin feature/amazing-feature)
5. Otwórz Pull Request

Struktura projektu coBoarding

coBoarding/
├── cv/                                 # Katalog na pliki CV
│   └── cv_tom_sapletta_2025_de.html    # Twoje CV w formacie HTML
│
├── models/                             # Katalog na modele LLM
│   └── mistral.gguf                    # Pobrany automatycznie przy pierwszym uruchomieniu
│
├── output/                             # Katalog na dane wyjściowe (zrzuty ekranu)
│
├── Dockerfile                          # Definicja obrazu Docker
├── docker-compose.yml                  # Konfiguracja Docker Compose
├── config.ini                          # Konfiguracja aplikacji
├── requirements.txt                    # Zależności Pythona
├── main.py                             # Główny skrypt aplikacji
├── run.sh                              # Skrypt do łatwego uruchamiania
├── urls.txt                            # Lista adresów URL do przetworzenia
└── README.md                           # Dokumentacja projektu

Opis plików

Główne pliki aplikacji

• main.py: Główny skrypt aplikacji zawierający całą logikę wypełniania formularzy.
• config.ini: Plik konfiguracyjny aplikacji.
• requirements.txt: Lista zależności Pythona potrzebnych do działania aplikacji.
• urls.txt: Plik z listą adresów URL stron z formularzami do wypełnienia.
• run.sh: Skrypt ułatwiający uruchamianie aplikacji.

Pliki Docker

• Dockerfile: Definicja obrazu Docker z potrzebnymi zależnościami.
• docker-compose.yml: Konfiguracja Docker Compose do łatwego uruchamiania aplikacji.

Katalogi danych

• cv/: Katalog zawierający pliki CV, z których aplikacja będzie czerpać dane do wypełniania formularzy.
• models/: Katalog zawierający modele LLM używane do analizy formularzy i generowania odpowiedzi.
• output/: Katalog przechowujący zrzuty ekranu wypełnionych formularzy.

Kluczowe funkcjonalności

Aplikacja działa w następujący sposób:

1. Parsuje CV użytkownika, aby wydobyć kluczowe informacje.
2. Otwiera stronę internetową z formularzem w zautomatyzowanej przeglądarce.
3. Analizuje formularz za pomocą lokalnego modelu językowego (LLM).
4. Dopasowuje dane z CV do pól formularza, automatycznie tłumacząc je na odpowiedni język (polski, niemiecki, angielski).
5. Wypełnia formularz i wykonuje zrzut ekranu.

Całość działa w kontenerze Docker, co zapewnia łatwą instalację i uruchomienie na różnych systemach operacyjnych.