API ВЕГА
English

Справедливость при найме и окупаемость отбора

Анализ справедливости и ценности процесса найма на уровне групп. На основе количества кандидатов на каждом этапе в каждой группе сервер рассчитывает показатели отбора и коэффициенты воздействия для всех этапов (правило четырёх пятых EEOC), определяет, может ли разрыв объясняться случайностью, показывает воронку от начала до конца и сравнивает сопоставимые вакансии, выявляя парадокс Симпсона. По анонимным парам «оценка — результат» сервер определяет, предсказывает ли тест успех в работе, занижает ли он оценки одной из групп, какой проходной балл будет справедливым и какова денежная ценность теста с учётом затрат. Сервер не оценивает, не ранжирует и не отбирает отдельных кандидатов. Результаты представляют собой анализ, а не юридическую консультацию.

Имя в реестреai.saifs/hiring-fairness
Endpointhttps://hiring-fairness-mcp.saifs.ai/mcp
ТранспортStreamable HTTP (удалённый сервер, ничего устанавливать не нужно)
АутентификацияOAuth 2.1 — PKCE (S256) и динамическая регистрация клиента; при первом подключении клиент откроет страницу входа
ИздательSAIFS AI

Установка

VS Code / GitHub Copilot

Добавьте конфигурацию в .vscode/mcp.json (рабочая область) или в пользовательский файл mcp.json:

{
  "servers": {
    "saifs-hiring-fairness": {
      "type": "http",
      "url": "https://hiring-fairness-mcp.saifs.ai/mcp"
    }
  }
}

Затем запустите сервер в представлении MCP и войдите в систему, когда появится запрос.

Claude (claude.ai, Desktop)

Откройте Settings → Connectors → Add custom connector и вставьте адрес:

https://hiring-fairness-mcp.saifs.ai/mcp

Claude Code

claude mcp add --transport http saifs-hiring-fairness https://hiring-fairness-mcp.saifs.ai/mcp

Другие MCP-клиенты

Укажите адрес https://hiring-fairness-mcp.saifs.ai/mcp и выберите транспорт Streamable HTTP. Сервер ответит кодом 401 и challenge-заголовком

WWW-Authenticate: Bearer … resource_metadata=…. Клиенты с поддержкой OAuth выполнят вход автоматически.

Инструменты

ИнструментОписание
hiring_fairnessАнализирует до 5 000 строк с количеством кандидатов на этапах (или строк с данными об этапе, группе и отборе кандидата, или анонимных пар «оценка — результат»). Возвращает карточки с выводами, например: ПРОВЕРИТЬ ЭТАП, СРАВНИТЬ СОПОСТАВИМЫЕ ГРУППЫ, ТЕСТ ПРЕДСКАЗЫВАЕТ УСПЕХ, УСТАНОВИТЬ ПРОХОДНОЙ БАЛЛ и ОЦЕНИТЬ ОКУПАЕМОСТЬ.
hiring_fairness_get_engineДля крупных выгрузок из ATS возвращает скрипт Python, использующий только numpy. Скрипт локально группирует строки с данными кандидатов и выполняет тот же анализ, поэтому данные кандидатов не передаются на сервер.

Примеры запросов

  • «Вот количество кандидатов и нанятых сотрудников на каждом этапе в разбивке по полу. Есть ли этапы с неблагоприятным воздействием?»

  • «Оправдывает ли наша оценка навыков программирования свои затраты и какой проходной балл будет справедливым?»

  • «Сравни показатели отбора по отделам для сопоставимых групп».

Поддержка