Proyek Kognisi: Sistem Evaluasi Kandidat Berbasis AI

Sistem backend ini mengotomatiskan proses screening kandidat dengan mengevaluasi CV dan laporan proyek menggunakan pipeline AI yang didukung oleh RAG (Retrieval-Augmented Generation).

Arsitektur

• api-gateway: Menerima request HTTP untuk unggah file dan memulai evaluasi.
• evaluation-service: Mengelola status dan hasil pekerjaan evaluasi menggunakan PostgreSQL.
• worker-service: Menjalankan pipeline evaluasi AI secara asinkron. Berinteraksi dengan ChromaDB untuk konteks RAG dan Gemini untuk pemrosesan bahasa.
• PostgreSQL: Database utama untuk menyimpan metadata file dan pekerjaan evaluasi.
• ChromaDB: Vector database untuk menyimpan embeddings dari dokumen internal (Job Description, dll.) untuk RAG.
• RabbitMQ: Message broker untuk menangani tugas evaluasi asinkron.

Prasyarat

• Docker & Docker Compose
• Go 1.21+
• protoc compiler
• API Key Google Gemini

Menjalankan Proyek

SANGAT PENTING: Ikuti urutan ini dengan tepat.

1. Siapkan Dokumen & Kredensial

• Buat folder data di root proyek.
• Masukkan file PDF job_description.pdf dan case_study_brief.pdf ke dalam folder data.
• Buat file .env di root proyek dan isi dengan API Key Anda:

GEMINI_API_KEY=AIzaSy...

2. Siapkan Dependensi & Generate Kode gRPC

Unduh semua dependensi Go:

go mod tidy

Generate kode gRPC dari file, jalankan di tempat .proto berada:

protoc evaluation.proto --go_out=. --go-grpc_out=. --go_opt=paths=source_relative --go-grpc_opt=paths=source_relative

3. Ingesti Dokumen ke Vector DB (Langkah Kunci RAG)

Sebelum menjalankan aplikasi utama, isi ChromaDB dengan konteks. Jalankan skrip ingesti:

go run scripts/ingest/main.go

Anda akan melihat output bahwa dokumen telah berhasil di-ingest. Proses ini hanya perlu dijalankan sekali, atau setiap kali dokumen di folder data berubah.

4. Jalankan Aplikasi Utama

Setelah proses ingesti selesai, jalankan semua layanan dengan Docker Compose:

docker-compose up --build

Cara Menggunakan API

1. Upload Dokumen Kandidat

Endpoint: POST http://localhost:8080/upload
Tipe: multipart/form-data
Body:

• cv → (file CV.pdf)
• project_report → (file LaporanProyek.pdf)

Response:

{
  "cv_document_id": "...",
  "project_document_id": "..."
}

2. Mulai Evaluasi

Endpoint: POST http://localhost:8080/evaluate
Tipe: application/json
Body:

{
  "cv_doc_id": "...",
  "project_doc_id": "..."
}

Response:

{
  "id": "...",
  "status": "queued"
}

3. Cek Hasil Evaluasi

Endpoint: GET http://localhost:8080/result/{id}

Response (setelah selesai):

{
  "id": "...",
  "status": "completed",
  "result": {
    "cv_feedback": "...",
    "cv_match_rate": 0.85,
    "overall_summary": "...",
    "project_feedback": "...",
    "project_score": 4.5
  }
}