统一抽象 封装 模型配置配置管理
This commit is contained in:
zk
@@ -135,11 +135,32 @@ inclusion: manual
|
||||
|
||||
## AI 调用规范
|
||||
|
||||
- 通过 `LLM` 枚举创建模型实例：`LLM.DEEPSEEK_V3.create(temperature=0)`
|
||||
- kwargs 透传给 LangChain `ChatOpenAI`（temperature、max_tokens 等）
|
||||
- 业务代码**不直接使用** `LLM` 枚举，而是从 `app.ai.model_config` 中引用对应模块的场景配置类
|
||||
- `model_config.py` 中每个模块一个 class，每个场景一个类属性，属性值为预创建的 `ChatOpenAI` 实例
|
||||
- 修改模型或调整参数只需改 `model_config.py` 一个文件，业务代码不动
|
||||
- AI 调用应做好异常捕获和容错，单次失败不应影响整体流程
|
||||
- 长耗时 AI 调用考虑异步执行
|
||||
|
||||
### 模型引用示例
|
||||
```python
|
||||
from app.ai.model_config import SkillGapModel
|
||||
|
||||
# chain 中直接使用配置类属性（已经是 ChatOpenAI 实例）
|
||||
_plan_chain = (
|
||||
ChatPromptTemplate.from_messages([...])
|
||||
| SkillGapModel.AGENT_PLAN
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
# 非 chain 场景直接 await 调用
|
||||
result = await JobAgentModel.CHAT.ainvoke(messages)
|
||||
```
|
||||
|
||||
### 新增 AI 场景步骤
|
||||
1. 在 `app/ai/model_config.py` 对应模块的 class 中新增一个类属性，指定模型和参数
|
||||
2. 在业务代码中 `from app.ai.model_config import XxxModel`，引用该属性
|
||||
3. 如需新增模块，在 `model_config.py` 中新建一个 class
|
||||
|
||||
### AI 输出 JSON 解析
|
||||
- LLM 返回的 JSON 经常被 markdown 代码块（` ```json ... ``` `）包裹，**禁止**直接使用 LangChain 的 `JsonOutputParser`
|
||||
- 统一使用 `app.tool.json_helper.parse_llm_json` 解析 AI 输出的 JSON 文本
|
||||
|
||||
@@ -31,7 +31,8 @@ offerpie_python_ai/
|
||||
│ └─ responses.py # 统一响应模型 StandardResponse（code/msg/data/timestamp/uuid）
|
||||
│
|
||||
├─ ai/ # **AI 能力层**
|
||||
│ ├─ models.py # LLM 模型枚举（LLM.DOUBAO_PRO_256K、DEEPSEEK_V3、GPT_4O 等），基于 LangChain ChatOpenAI
|
||||
│ ├─ models.py # LLM 模型枚举（LLM.DOUBAO_PRO_32K、DEEPSEEK_V3、GPT_4O 等），基于 LangChain ChatOpenAI
|
||||
│ ├─ model_config.py # AI 模型场景配置（集中管理各模块的模型选择与参数，业务代码引用此文件而非直接使用 LLM 枚举）
|
||||
│ ├─ resume_extractor/ # 简历 AI 提取模块
|
||||
│ │ ├─ prompts.py # 5 个提取任务的 System Prompt（个人信息/教育/工作+实习/项目/竞赛）
|
||||
│ │ └─ extractor.py # AI 并行提取（extract_all 入口，asyncio.gather 5 路并行）
|
||||
@@ -101,7 +102,7 @@ offerpie_python_ai/
|
||||
|------|----------|-------------|
|
||||
| **config** | 统一配置管理，基于 Pydantic Settings，支持 .env 文件加载 | `Settings`（数据库、Redis、LLM供应商、JWT、CORS、日志等全部配置项） |
|
||||
| **core** | 核心基础设施：数据库连接、Redis连接、鉴权、日志、中间件、异常处理、统一响应 | `database.py`、`redis.py`、`auth.py`、`middleware.py`、`exceptions.py`、`logger.py`、`StandardResponse` |
|
||||
| **ai** | AI 模型管理 + 业务 AI 能力 | `LLM` 枚举、`resume_extractor/`（简历并行提取）、`resume_diagnoser/`（简历诊断）、`skill_gap_analyzer/`（技能差距分析 + 定制简历优化 + Agent 原子化规划 + 单条记录修改/新增）、`job_agent/`（求职助手对话 + 岗位简历优化）、`nova_chat/`（Nova 对话助手，纯对话） |
|
||||
| **ai** | AI 模型管理 + 业务 AI 能力 | `LLM` 枚举（models.py）、`model_config.py`（场景模型配置）、`resume_extractor/`（简历并行提取）、`resume_diagnoser/`（简历诊断）、`skill_gap_analyzer/`（技能差距分析 + 定制简历优化 + Agent 原子化规划 + 单条记录修改/新增）、`job_agent/`（求职助手对话 + 岗位简历优化）、`nova_chat/`（Nova 对话助手，纯对话） |
|
||||
| **api** | REST API 路由定义 | `health.py`（健康检查）、`resume.py`（简历上传解析）、`resume_diagnose.py`（简历诊断）、`skill_gap.py`（技能差距分析 + 生成定制简历 + AI对话编辑）、`customize_resume.py`（定制简历查询/修改/回滚）、`job_agent_chat.py`（求职助手对话 + 岗位简历优化）、`nova_chat.py`（Nova 对话助手） |
|
||||
| **models** | SQLAlchemy ORM 模型，与 Java 端共享同一数据库 | `FuncPermission`、`UserFuncPermissionStock`、`UserFuncUsageLog`、`UserResume`、`UserResumeEducation`/`Work`/`Internship`/`Project`/`Competition`、`ResumeDiagnosisReport`、`ResumeDiagnosisIssue`、`Job`（只读）、`JobAgentConfig`、`UserJobCustomizeResume` |
|
||||
| **tool** | 无状态通用工具，不依赖数据库/Redis/用户上下文 | `file_parser.py`（PDF/Word/TXT 文件解析为纯文本）、`json_helper.py`（AI 输出 JSON 解析，去 markdown 代码块 + json_repair 容错）、`snowflake.py`（雪花ID生成） |
|
||||
@@ -141,11 +142,15 @@ offerpie_python_ai/
|
||||
4. 业务异常自动回退
|
||||
|
||||
## 6️⃣ AI 模型配置
|
||||
|
||||
### 模型定义（`app/ai/models.py`）
|
||||
| 供应商 | 模型 | 枚举值 |
|
||||
|--------|------|--------|
|
||||
| 火山引擎 | doubao-1-5-pro-32k-250115 | `LLM.DOUBAO_PRO_32K` |
|
||||
| 火山引擎 | doubao-1-5-lite-32k-250115 | `LLM.DOUBAO_LITE_32K` |
|
||||
| 火山引擎 | deepseek-v3-250324 | `LLM.DEEPSEEK_V3` |
|
||||
| 火山引擎 | deepseek-r1-250528 | `LLM.DEEPSEEK_R1` |
|
||||
| 火山引擎 | doubao-seed-2-0-mini-260215 | `LLM.DOUBAO_SEED_MINI` |
|
||||
| 火山引擎 | doubao-seed-2-0-lite-260215 | `LLM.DOUBAO_SEED_LITE` |
|
||||
| 火山引擎 | doubao-seed-2-0-pro-260215 | `LLM.DOUBAO_SEED_PRO` |
|
||||
| 加鱼 | gpt-4o | `LLM.GPT_4O` |
|
||||
@@ -157,9 +162,28 @@ offerpie_python_ai/
|
||||
| 加鱼 | glm-5 | `LLM.JIAYU_GLM_5` |
|
||||
| 加鱼 | qwen3-coder-next | `LLM.JIAYU_QWEN3_CODER_NEXT` |
|
||||
| 加鱼 | minimax-m2.5 | `LLM.JIAYU_MINIMAX_M2_5` |
|
||||
| ZM | gpt-5.5 | `LLM.ZM_GPT_5_5` |
|
||||
| ZM | gpt-5.4 | `LLM.ZM_GPT_5_4` |
|
||||
| ZM | gpt-5.4-mini | `LLM.ZM_GPT_5_4_MINI` |
|
||||
| ZM | gpt-5.2 | `LLM.ZM_GPT_5_2` |
|
||||
|
||||
所有模型通过 `LLM.XXX.create(**kwargs)` 创建 LangChain `ChatOpenAI` 实例，kwargs 透传 temperature、max_tokens 等参数。
|
||||
|
||||
### 场景模型配置（`app/ai/model_config.py`）
|
||||
|
||||
业务代码**不直接使用** `LLM` 枚举，而是通过 `model_config.py` 中的场景配置类引用预创建的模型实例。修改模型或参数只需改此文件。
|
||||
|
||||
| 配置类 | 场景 | 说明 |
|
||||
|--------|------|------|
|
||||
| `SkillGapModel` | ANALYSIS / SUMMARY / EXPERIENCE / AGENT_PLAN / AGENT_EDIT / AGENT_ADD | 技能差距分析模块 |
|
||||
| `JobAgentModel` | CHAT / SUMMARY / EXPERIENCE | 求职助手Agent模块 |
|
||||
| `NovaChatModel` | CHAT | Nova智能聊天模块 |
|
||||
| `ResumeExtractorModel` | PARSE | 简历解析模块 |
|
||||
| `DiagnoserModel` | MODULE / SUMMARY / POLISH | 简历诊断模块 |
|
||||
| `BrowserPlugModel` | FORM_FILL | 浏览器插件模块 |
|
||||
|
||||
业务代码引用示例：`from app.ai.model_config import SkillGapModel`，然后在 chain 中直接使用 `SkillGapModel.ANALYSIS`。
|
||||
|
||||
## 7️⃣ 与 Java 后端的关系
|
||||
- **共享数据库**：Python 端与 Java 端（back-end）连接同一 MySQL 数据库（offerpie），ORM 模型对应相同的表
|
||||
- **共享 Redis**：共享登录态（`login:token:{userId}`），JWT Secret 一致
|
||||
|
||||
@@ -5,7 +5,7 @@
|
||||
"""
|
||||
|
||||
from app.ai.browser_plug.prompts import FORM_FILL_SYSTEM_PROMPT
|
||||
from app.ai.models import LLM
|
||||
from app.ai.model_config import BrowserPlugModel
|
||||
from app.core.logger import log
|
||||
|
||||
|
||||
@@ -27,8 +27,7 @@ async def generate_form_answer(resume_text: str, job_text: str, agent_config_tex
|
||||
messages = [("system", system_content), ("human", user_message)]
|
||||
|
||||
try:
|
||||
llm = LLM.DOUBAO_PRO_32K.create(temperature=0.3)
|
||||
result = await llm.ainvoke(messages)
|
||||
result = await BrowserPlugModel.FORM_FILL.ainvoke(messages)
|
||||
return result.content.strip()
|
||||
except Exception as e:
|
||||
log.error(f"表单填写AI调用失败: {e}")
|
||||
|
||||
@@ -5,7 +5,7 @@
|
||||
"""
|
||||
|
||||
from app.ai.job_agent.prompts import SYSTEM_PROMPT
|
||||
from app.ai.models import LLM
|
||||
from app.ai.model_config import JobAgentModel
|
||||
from app.core.logger import log
|
||||
from app.tool.json_helper import parse_llm_json
|
||||
|
||||
@@ -32,8 +32,7 @@ async def agent_chat(resume_text: str, message: str, history: list[dict],
|
||||
|
||||
# 3. 调 LLM
|
||||
try:
|
||||
llm = LLM.ZM_GPT_5_4.create(temperature=0.7)
|
||||
result = await llm.ainvoke(messages)
|
||||
result = await JobAgentModel.CHAT.ainvoke(messages)
|
||||
raw = result.content
|
||||
except Exception as e:
|
||||
log.error(f"求职助手AI调用失败: {e}")
|
||||
|
||||
@@ -10,7 +10,7 @@ from langchain_core.output_parsers import StrOutputParser
|
||||
from langchain_core.prompts import ChatPromptTemplate
|
||||
|
||||
from app.ai.job_agent.prompts import RESUME_SUMMARY_OPTIMIZE_PROMPT, RESUME_EXPERIENCE_OPTIMIZE_PROMPT
|
||||
from app.ai.models import LLM
|
||||
from app.ai.model_config import JobAgentModel
|
||||
from app.core.logger import log
|
||||
from app.tool.json_helper import parse_llm_json
|
||||
|
||||
@@ -18,7 +18,7 @@ from app.tool.json_helper import parse_llm_json
|
||||
|
||||
_summary_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", RESUME_SUMMARY_OPTIMIZE_PROMPT), ("human", "请开始优化。")])
|
||||
| LLM.ZM_GPT_5_4_MINI.create(temperature=0.3)
|
||||
| JobAgentModel.SUMMARY
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
@@ -42,7 +42,7 @@ async def optimize_summary(job_title: str, job_description: str, original_summar
|
||||
|
||||
_experience_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", RESUME_EXPERIENCE_OPTIMIZE_PROMPT), ("human", "请开始优化。")])
|
||||
| LLM.ZM_GPT_5_4_MINI.create(temperature=0.3)
|
||||
| JobAgentModel.EXPERIENCE
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
|
||||
@@ -0,0 +1,60 @@
|
||||
"""AI 模型场景配置
|
||||
|
||||
集中管理各业务模块的模型选择与参数，修改模型只需改此文件。
|
||||
"""
|
||||
|
||||
from app.ai.models import LLM
|
||||
|
||||
|
||||
class SkillGapModel:
|
||||
"""技能差距分析模块"""
|
||||
# 技能差距识别：对比简历与岗位技能标签，输出缺失技能列表
|
||||
ANALYSIS = LLM.DOUBAO_LITE_32K.create(temperature=0)
|
||||
# 个人概述优化：将缺失技能关键词融入 summary
|
||||
SUMMARY = LLM.DOUBAO_LITE_32K.create(temperature=0.3)
|
||||
# 经历描述优化：针对目标岗位优化单条经历的 description
|
||||
EXPERIENCE = LLM.DOUBAO_LITE_32K.create(temperature=0.3)
|
||||
# Agent规划：解析用户自然语言指令，拆解为原子编辑操作列表
|
||||
AGENT_PLAN = LLM.ZM_GPT_5_4.create(temperature=0)
|
||||
# Agent执行-修改：按指令修改简历中的单条记录
|
||||
AGENT_EDIT = LLM.ZM_GPT_5_4.create(temperature=0.3)
|
||||
# Agent执行-新增：按指令生成一条新的简历记录
|
||||
AGENT_ADD = LLM.ZM_GPT_5_4.create(temperature=0.3)
|
||||
|
||||
|
||||
class JobAgentModel:
|
||||
"""求职助手Agent模块"""
|
||||
# 多轮对话：理解用户求职意图，返回结构化回复(message+tool调用)
|
||||
CHAT = LLM.ZM_GPT_5_4.create(temperature=0.7)
|
||||
# 岗位简历-summary优化：针对具体岗位JD优化个人概述
|
||||
SUMMARY = LLM.ZM_GPT_5_4_MINI.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
|
||||
EXPERIENCE = LLM.ZM_GPT_5_4_MINI.create(temperature=0.3)
|
||||
|
||||
|
||||
class NovaChatModel:
|
||||
"""Nova智能聊天模块"""
|
||||
# 通用对话：基于简历和岗位上下文的自由问答，返回Markdown文本
|
||||
CHAT = LLM.ZM_GPT_5_2.create(temperature=0.7)
|
||||
|
||||
|
||||
class ResumeExtractorModel:
|
||||
"""简历解析模块"""
|
||||
# 简历结构化提取：两阶段并行提取简历文本为JSON结构
|
||||
PARSE = LLM.DOUBAO_LITE_32K.create(temperature=0)
|
||||
|
||||
|
||||
class DiagnoserModel:
|
||||
"""简历诊断模块"""
|
||||
# 模块诊断：逐条分析经历记录的问题(错别字/无量化/弱相关等)
|
||||
MODULE = LLM.ZM_GPT_5_4_MINI.create(temperature=0)
|
||||
# 整体评价：汇总所有诊断结果生成总结性评语
|
||||
SUMMARY = LLM.ZM_GPT_5_4_MINI.create(temperature=0.3)
|
||||
# 内容润色：用户编辑后的文本做专业润色
|
||||
POLISH = LLM.JIAYU_CLAUDE_SONNET_4_5.create(temperature=0.3)
|
||||
|
||||
|
||||
class BrowserPlugModel:
|
||||
"""浏览器插件模块"""
|
||||
# 表单自动填写：根据简历+岗位信息生成招聘网站表单字段的回答
|
||||
FORM_FILL = LLM.DOUBAO_PRO_32K.create(temperature=0.3)
|
||||
@@ -4,7 +4,7 @@
|
||||
依赖：LLM 枚举、nova_chat/prompts
|
||||
"""
|
||||
|
||||
from app.ai.models import LLM
|
||||
from app.ai.model_config import NovaChatModel
|
||||
from app.ai.nova_chat.prompts import SYSTEM_PROMPT
|
||||
from app.core.logger import log
|
||||
|
||||
@@ -24,8 +24,7 @@ async def nova_chat(resume_text: str, message: str, history: list[dict],
|
||||
messages.append(("human", message))
|
||||
|
||||
try:
|
||||
llm = LLM.ZM_GPT_5_2.create(temperature=0.7)
|
||||
result = await llm.ainvoke(messages)
|
||||
result = await NovaChatModel.CHAT.ainvoke(messages)
|
||||
return result.content.strip()
|
||||
except Exception as e:
|
||||
log.error(f"Nova Chat AI 调用失败: {e}")
|
||||
|
||||
@@ -5,7 +5,7 @@ import asyncio
|
||||
from langchain_core.output_parsers import StrOutputParser
|
||||
from langchain_core.prompts import ChatPromptTemplate
|
||||
|
||||
from app.ai.models import LLM
|
||||
from app.ai.model_config import DiagnoserModel
|
||||
from app.ai.resume_diagnoser.prompts import DIAGNOSE_MODULE_PROMPT, SUMMARY_PROMPT, POLISH_PROMPT
|
||||
from app.core.logger import log
|
||||
from app.tool.json_helper import parse_llm_json
|
||||
@@ -14,14 +14,14 @@ from app.tool.json_helper import parse_llm_json
|
||||
# 诊断链（StrOutputParser 拿原始文本，再手动解析 JSON，避免 markdown 代码块导致解析失败）
|
||||
_diagnose_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", DIAGNOSE_MODULE_PROMPT), ("human", "请开始诊断。")])
|
||||
| LLM.ZM_GPT_5_4_MINI.create(temperature=0)
|
||||
| DiagnoserModel.MODULE
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
# 汇总评价链（纯文本输出）
|
||||
_summary_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", SUMMARY_PROMPT), ("human", "请生成整体评价。")])
|
||||
| LLM.ZM_GPT_5_4_MINI.create(temperature=0.3)
|
||||
| DiagnoserModel.SUMMARY
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
@@ -55,7 +55,7 @@ async def generate_summary(grade: str, urgent_total: int, important_total: int,
|
||||
|
||||
_polish_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", POLISH_PROMPT), ("human", "请开始优化。")])
|
||||
| LLM.JIAYU_CLAUDE_SONNET_4_5.create(temperature=0.3)
|
||||
| DiagnoserModel.POLISH
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
|
||||
@@ -11,7 +11,7 @@ import time
|
||||
from langchain_core.output_parsers import StrOutputParser
|
||||
from langchain_core.prompts import ChatPromptTemplate
|
||||
|
||||
from app.ai.models import LLM
|
||||
from app.ai.model_config import ResumeExtractorModel
|
||||
from app.ai.resume_extractor.prompts import (
|
||||
OVERVIEW_PROFILE_PROMPT, OVERVIEW_EDUCATION_PROMPT, OVERVIEW_WORK_PROMPT,
|
||||
OVERVIEW_PROJECT_PROMPT, OVERVIEW_COMPETITION_PROMPT,
|
||||
@@ -21,14 +21,12 @@ from app.ai.resume_extractor.prompts import (
|
||||
from app.core.logger import log
|
||||
from app.tool.json_helper import parse_llm_json
|
||||
|
||||
_LLM_MODEL = LLM.DOUBAO_LITE_32K
|
||||
|
||||
|
||||
# ==================== LLM 调用工具 ====================
|
||||
|
||||
def _build_chain(prompt: str):
|
||||
"""构建提取链：prompt → LLM → 文本输出"""
|
||||
return ChatPromptTemplate.from_messages([("system", prompt), ("human", "{text}")]) | _LLM_MODEL.create(temperature=0) | StrOutputParser()
|
||||
return ChatPromptTemplate.from_messages([("system", prompt), ("human", "{text}")]) | ResumeExtractorModel.PARSE | StrOutputParser()
|
||||
|
||||
|
||||
async def _safe_invoke(chain, inp: dict, label: str):
|
||||
|
||||
@@ -10,7 +10,7 @@ import time
|
||||
from langchain_core.output_parsers import StrOutputParser
|
||||
from langchain_core.prompts import ChatPromptTemplate
|
||||
|
||||
from app.ai.models import LLM
|
||||
from app.ai.model_config import SkillGapModel
|
||||
from app.ai.skill_gap_analyzer.prompts import (
|
||||
SKILL_GAP_PROMPT, SUMMARY_OPTIMIZE_PROMPT, EXPERIENCE_OPTIMIZE_PROMPT,
|
||||
AGENT_PLAN_PROMPT, AGENT_MODULE_EDIT_PROMPT, AGENT_MODULE_ADD_PROMPT, MODULE_SCHEMAS,
|
||||
@@ -23,7 +23,7 @@ from app.tool.json_helper import parse_llm_json
|
||||
|
||||
_skill_gap_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", SKILL_GAP_PROMPT), ("human", "请开始分析。")])
|
||||
| LLM.DOUBAO_LITE_32K.create(temperature=0)
|
||||
| SkillGapModel.ANALYSIS
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
@@ -45,7 +45,7 @@ async def analyze_skill_gap(skill_tags: list[str], resume_json: str) -> list[str
|
||||
|
||||
_summary_optimize_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", SUMMARY_OPTIMIZE_PROMPT), ("human", "请开始优化。")])
|
||||
| LLM.DOUBAO_LITE_32K.create(temperature=0.3)
|
||||
| SkillGapModel.SUMMARY
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
@@ -69,7 +69,7 @@ async def optimize_summary(job_title: str, add_skills: list[str], original_summa
|
||||
|
||||
_experience_optimize_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", EXPERIENCE_OPTIMIZE_PROMPT), ("human", "请开始优化。")])
|
||||
| LLM.DOUBAO_LITE_32K.create(temperature=0.3)
|
||||
| SkillGapModel.EXPERIENCE
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
@@ -94,7 +94,7 @@ async def optimize_module(job_title: str, job_description: str, module_data: str
|
||||
|
||||
_plan_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", AGENT_PLAN_PROMPT), ("human", "请分析用户指令。")])
|
||||
| LLM.ZM_GPT_5_4.create(temperature=0)
|
||||
| SkillGapModel.AGENT_PLAN
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
@@ -119,7 +119,7 @@ async def plan_edit(job_title: str, job_description: str, resume_json: str,
|
||||
|
||||
_record_edit_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", AGENT_MODULE_EDIT_PROMPT), ("human", "请执行修改。")])
|
||||
| LLM.ZM_GPT_5_4.create(temperature=0.3)
|
||||
| SkillGapModel.AGENT_EDIT
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
@@ -144,7 +144,7 @@ async def execute_record_edit(job_title: str, job_description: str, instruction:
|
||||
|
||||
_record_add_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", AGENT_MODULE_ADD_PROMPT), ("human", "请生成新记录。")])
|
||||
| LLM.ZM_GPT_5_4.create(temperature=0.3)
|
||||
| SkillGapModel.AGENT_ADD
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
|
||||
Reference in New Issue
Block a user