添加适配评分

app/ai/job_agent/match_scorer.py

@@ -0,0 +1,39 @@
+"""求职助手 - 岗位匹配评分 AI 引擎
+
+根据简历与岗位在技能/学历/经验上的要求评估匹配度，输出 0-100 分。
+依赖：job_agent/prompts、model_config.JobAgentModel.MATCH_SCORE、parse_llm_json
+"""
+
+import time
+
+from langchain_core.output_parsers import StrOutputParser
+from langchain_core.prompts import ChatPromptTemplate
+
+from app.ai.job_agent.prompts import RESUME_JOB_MATCH_SCORE_PROMPT
+from app.ai.model_config import JobAgentModel
+from app.core.logger import log
+from app.tool.json_helper import parse_llm_json
+
+_score_chain = (
+    ChatPromptTemplate.from_messages([("system", RESUME_JOB_MATCH_SCORE_PROMPT), ("human", "请开始评估。")])
+    | JobAgentModel.MATCH_SCORE
+    | StrOutputParser()
+)
+
+
+async def score_match(job_title: str, job_skill_tags: str, job_description: str, resume_text: str) -> int:
+    """评估简历与岗位匹配度，返回 0-100 整数分，失败返回 0"""
+    t0 = time.monotonic()
+    try:
+        raw = await _score_chain.ainvoke({
+            "job_title": job_title, "job_skill_tags": job_skill_tags or "无",
+            "job_description": job_description or "无", "resume_text": resume_text or "暂无简历信息",
+        })
+        parsed = parse_llm_json(raw)
+        score = int(parsed.get("score", 0))
+        score = max(0, min(100, score))  # 兜底夹取到 0-100
+        log.info(f"岗位匹配评分完成 score={score} ({round(time.monotonic() - t0, 2)}s)")
+        return score
+    except Exception as e:
+        log.error(f"岗位匹配评分失败: {e} ({round(time.monotonic() - t0, 2)}s)")
+        return 0

app/ai/job_agent/prompts.py

@@ -38,3 +38,37 @@ RESUME_EXPERIENCE_OPTIMIZE_PROMPT = """你是一个求职投递助手。用户
 3. 适当使用岗位要求中的关键词润色描述，但不要编造内容
 4. description 字段是 [{{"id": "xxx", "text": "xxx"}}] 格式：修改时保留原 id 只改 text，新增段落生成随机8位字符串作为 id，删除段落直接移除
 5. 返回修改后的完整模块数据（JSON 格式，与输入格式一致）"""
+
+
+# ===== 岗位匹配评分 Prompt =====
+
+RESUME_JOB_MATCH_SCORE_PROMPT = """你是一名资深招聘评估专家，负责客观评估候选人简历与目标岗位的匹配程度。请从【技能】【学历】【经验】三个维度逐项分析，再综合给出一个 0-100 的匹配分数。
+
+【候选人简历】
+{resume_text}
+
+【目标岗位】
+岗位名称：{job_title}
+技能标签：{job_skill_tags}
+岗位职责与要求：{job_description}
+
+【评估维度与要点】
+1. 技能匹配（建议权重约 50%）：候选人掌握的技能/工具/技术栈与岗位技能标签、JD 中要求的硬技能的覆盖程度；核心技能命中比软技能更重要，关注关键技能是否缺失。
+2. 学历匹配（建议权重约 20%）：学历层次、院校、专业与岗位学历门槛及专业相关度；满足门槛即可得高分，明显高于要求不额外加分，低于门槛要扣分。
+3. 经验匹配（建议权重约 30%）：工作/实习/项目/竞赛经历与岗位职责的相关性、年限、岗位层级、业务领域贴合度；优先看相关经历的深度与成果，而非堆数量。
+
+【打分档位（用于校准总分）】
+- 90-100：高度匹配，核心技能基本全覆盖、学历达标、有强相关经验，可直接进入面试
+- 75-89：较匹配，主要要求满足，存在少量可弥补的差距
+- 60-74：基本匹配，满足部分核心要求，但有明显短板
+- 40-59：匹配度偏低，多数关键要求不满足
+- 0-39：基本不匹配或简历信息严重不足
+
+【规则】
+1. 严格基于简历已有信息评估，简历中缺失或未提及的能力一律按"不具备"处理，不得臆测或脑补
+2. 客观打分，避免一律给高分；不相关的经历/技能不计入加分
+3. 岗位信息或简历信息明显不足时，应给保守分而非高分
+4. 先在心里完成三维度分析与加权，最终只输出一个综合整数分（0-100），越高代表越匹配
+
+严格只返回 JSON，不要任何分析过程或其他内容：
+{{"score":85}}"""

app/ai/model_config.py

@@ -24,6 +24,8 @@ class SkillGapModel:
 
 class JobAgentModel:
     """求职助手Agent模块"""
+    # 岗位匹配评分：评估简历与岗位在技能/学历/经验上的匹配度，输出0-100分（评分要稳定，温度设0）
+    MATCH_SCORE = LLM.DEEPSEEK_V4_FLASH.create(temperature=0)
     # 岗位简历-summary优化：针对具体岗位JD优化个人概述
     SUMMARY = LLM.DEEPSEEK_V4_FLASH.create(temperature=0.3)
     # 岗位简历-经历优化：针对具体岗位JD优化单条经历描述