岗位自动投递agent 对话功能

.kiro/specs/job-agent-chat/design.md

@@ -0,0 +1,118 @@
+# 求职助手 Agent 对话接口设计方案
+
+## 1. 接口概述
+
+`POST /job-agent/chat` — 求职助手对话接口，Python 端实现。
+
+用户通过对话与求职助手交互，AI 根据用户简历和求职意向提供求职建议，识别用户意图后触发前端工具调用（岗位推荐 / 调整偏好）。
+
+## 2. 入参 Schema
+
+```python
+class ChatMessage(BaseModel):
+    role: Literal["user", "assistant"]
+    content: str
+
+class JobAgentChatParam(BaseModel):
+    message: str = Field(..., description="用户输入的消息")
+    resume_id: int = Field(..., alias="resumeId", description="简历ID")
+    history: list[ChatMessage] = Field(default_factory=list, description="对话历史")
+    job_categories: list[str] = Field(default_factory=list, alias="jobCategories", description="意向岗位类型名称")
+    regions: list[str] = Field(default_factory=list, alias="regions", description="意向城市名称")
+    industries: list[str] = Field(default_factory=list, alias="industries", description="意向行业名称")
+```
+
+## 3. 出参 Schema
+
+```python
+class ToolParams(BaseModel):
+    preference: str = Field(default="", description="用户岗位偏好描述，仅tool=recommend时有值")
+
+class JobAgentChatDto(BaseModel):
+    message: str = Field(..., description="AI回复文本，不超过200字")
+    tool: str | None = Field(default=None, description="前端需执行的工具：recommend / editPreference / null")
+    tool_params: ToolParams | None = Field(default=None, alias="toolParams", description="工具参数")
+```
+
+## 4. AI 上下文构造
+
+每次对话请求，后端自动查询以下数据拼入 system prompt：
+
+1. **简历信息**：根据 resumeId 查 bg_user_resume 主表 + 5张子表（教育/工作/实习/项目/竞赛），序列化为文本
+2. **求职意向**：直接使用前端传入的 jobCategories / regions / industries（中文名称）
+
+## 5. System Prompt 设计
+
+```
+你是 OfferPie 求职助手，帮助用户找到合适的工作。
+
+【用户简历】
+{resume_text}
+
+【求职意向】
+意向岗位：{job_categories}
+意向城市：{regions}
+意向行业：{industries}
+
+【你的能力】
+1. 回答求职相关问题（面试技巧、简历建议、行业分析等），回复不超过200字
+2. 当用户想看岗位推荐时，提取用户的偏好描述，调用岗位推荐工具
+3. 当用户想修改求职偏好/设置时，调用偏好设置工具
+
+【输出格式】
+严格返回 JSON，不要其他内容：
+{"message":"回复内容","tool":null,"toolParams":null}
+
+tool 可选值：
+- null：普通对话，不触发工具
+- "recommend"：岗位推荐，toolParams 必须包含 {"preference":"用户偏好描述"}
+- "editPreference"：调整偏好，toolParams 为 null
+
+【规则】
+1. 只聊求职相关话题，其他话题礼貌拒绝
+2. 回复简洁，不超过200字
+3. 用户表达想看岗位、推荐岗位、帮我找工作等意图时，从对话中提取偏好描述，返回 recommend
+4. 用户表达想改设置、调整偏好、修改意向等意图时，返回 editPreference
+5. 偏好描述要准确概括用户的岗位偏好，如"更偏技术方向的产品岗"、"大厂优先"
+```
+
+## 6. 处理流程
+
+1. 校验登录态，获取 user_id
+2. 根据 resume_id 查简历主表 + 5张子表，序列化为文本
+3. 构造 system prompt（简历 + 求职意向 + 规则）
+4. 构造 messages 列表：system prompt + history + 当前 message
+5. 调用 LLM（使用 LLM.DEEPSEEK_V3 或配置的模型）
+6. 用 parse_llm_json 解析 AI 返回的 JSON
+7. 构造 JobAgentChatDto 返回
+
+## 7. 前端交互流程
+
+1. 前端发消息 → 调 `POST /job-agent/chat`
+2. 拿到返回后判断 tool 字段：
+   - `tool=null` → 直接展示 message
+   - `tool="recommend"` → 展示 message + 用 toolParams.preference 调 Java 端 `POST /job/agent/recommend` 拿岗位列表展示
+   - `tool="editPreference"` → 展示 message + 打开偏好设置页面
+
+## 8. 涉及文件
+
+| 文件 | 位置 | 说明 |
+|------|------|------|
+| `job_agent_chat.py` | app/schemas/ | Pydantic 请求/响应 Schema |
+| `job_agent_chat.py` | app/api/ | 路由定义 |
+| `job_agent_chat_service.py` | app/services/ | Service：查简历 + 构造 prompt + 调 LLM |
+| `prompts.py` | app/ai/job_agent/ | System Prompt 模板 |
+| `main.py` | app/ | 注册新路由 |
+
+## 9. 依赖的现有模块
+
+- `app/models/user_resume.py` + 5张子表 ORM — 查简历数据
+- `app/ai/models.py` — LLM 枚举，创建模型实例
+- `app/tool/json_helper.py` — parse_llm_json 解析 AI 输出
+- `app/core/context.py` — RequestContext 获取 user_id
+- `app/core/database.py` — get_db 获取数据库会话
+
+## 10. 不需要新增的 ORM 模型
+
+- 求职意向由前端传入中文名称，不查 bg_user_job_intention 表
+- 简历相关 ORM 模型已全部存在

app/ai/job_agent/__init__.py

@@ -0,0 +1 @@
+"""求职助手 Agent 对话 AI 模块"""

app/ai/job_agent/chat.py

@@ -0,0 +1,52 @@
+"""求职助手 Agent 对话 AI 引擎
+
+构造 prompt + 调 LLM + 解析返回。
+依赖：LLM 枚举、job_agent/prompts、parse_llm_json
+"""
+
+from app.ai.job_agent.prompts import SYSTEM_PROMPT
+from app.ai.models import LLM
+from app.core.logger import log
+from app.tool.json_helper import parse_llm_json
+
+
+async def agent_chat(resume_text: str, message: str, history: list[dict],
+                     job_categories: list[str], regions: list[str],
+                     industries: list[str]) -> dict:
+    """求职助手对话
+    1. 构造 system prompt 2. 拼 messages 3. 调 LLM 4. 解析返回
+    """
+    # 1. 构造 system prompt
+    system_content = SYSTEM_PROMPT.format(
+        resume_text=resume_text,
+        job_categories="、".join(job_categories) if job_categories else "未设置",
+        regions="、".join(regions) if regions else "未设置",
+        industries="、".join(industries) if industries else "未设置",
+    )
+
+    # 2. 拼 messages
+    messages = [("system", system_content)]
+    for msg in history:
+        messages.append((msg["role"], msg["content"]))
+    messages.append(("human", message))
+
+    # 3. 调 LLM
+    try:
+        llm = LLM.JIAYU_CLAUDE_SONNET_4_5.create(temperature=0.7)
+        result = await llm.ainvoke(messages)
+        raw = result.content
+    except Exception as e:
+        log.error(f"求职助手AI调用失败: {e}")
+        return {"message": "抱歉，我暂时无法回复，请稍后再试。", "tool": None, "toolParams": None}
+
+    # 4. 解析返回
+    try:
+        parsed = parse_llm_json(raw)
+        return {
+            "message": parsed.get("message", ""),
+            "tool": parsed.get("tool"),
+            "toolParams": parsed.get("toolParams"),
+        }
+    except Exception as e:
+        log.warning(f"求职助手AI返回解析失败, raw={raw}, error={e}")
+        return {"message": raw.strip() if raw else "抱歉，我暂时无法回复。", "tool": None, "toolParams": None}

app/ai/job_agent/prompts.py

@@ -0,0 +1,34 @@
+"""求职助手 Agent 对话 Prompt 模板"""
+
+SYSTEM_PROMPT = """你是 OfferPie 求职助手，帮助用户找到合适的工作。
+
+【用户简历】
+{resume_text}
+
+【求职意向】
+意向岗位：{job_categories}
+意向城市：{regions}
+意向行业：{industries}
+
+【你的能力】
+1. 回答求职相关问题（面试技巧、简历建议、行业分析等），回复不超过200字
+2. 当用户想看岗位推荐时，提取用户的偏好描述，调用岗位推荐工具
+3. 当用户想修改求职偏好/设置时，调用偏好设置工具
+
+【输出格式】
+严格返回 JSON，不要其他内容：
+{{"message":"回复内容","tool":null,"toolParams":null}}
+
+tool 可选值：
+- null：普通对话，不触发工具
+- "recommend"：岗位推荐，toolParams 必须包含 {{"preference":"用户偏好描述"}}
+- "editPreference"：调整偏好，toolParams 为 null
+
+【规则】
+1. 只聊求职相关话题，其他话题礼貌拒绝
+2. 回复简洁，不超过200字
+3. 用户表达想看岗位、推荐岗位、帮我找工作等意图时，从对话中提取偏好描述，返回 recommend
+4. 用户表达想改设置、调整偏好、修改意向等意图时，返回 editPreference
+5. 偏好描述要准确概括用户的岗位偏好，如"更偏技术方向的产品岗"、"大厂优先"
+6. 如果用户没有明确偏好，preference 填"无特殊偏好"
+"""

app/api/job_agent_chat.py

@@ -0,0 +1,24 @@
+"""求职助手 Agent 对话接口"""
+
+from fastapi import APIRouter
+
+from app.core.context import RequestContext
+from app.core.database import get_db
+from app.schemas.job_agent_chat import JobAgentChatParam
+from app.services.job_agent_chat_service import JobAgentChatService
+
+router = APIRouter(prefix="/job-agent", tags=["求职助手agent"])
+
+
+@router.post("/chat", summary="求职助手对话")
+async def chat(param: JobAgentChatParam):
+    """求职助手对话，根据用户简历和意向提供求职建议、触发岗位推荐或偏好调整"""
+    user_id = RequestContext.user_id.get()
+    async for session in get_db():
+        service = JobAgentChatService(session)
+        result = await service.chat(
+            user_id, param.resume_id, param.message,
+            [msg.model_dump() for msg in param.history],
+            param.job_categories, param.regions, param.industries,
+        )
+    return result

app/main.py

@@ -34,11 +34,13 @@ from app.api.health import router as health_router
 from app.api.resume import router as resume_router
 from app.api.resume_diagnose import router as resume_diagnose_router
 from app.api.skill_gap import router as skill_gap_router
+from app.api.job_agent_chat import router as job_agent_chat_router
 
 app.include_router(health_router)
 app.include_router(resume_router)
 app.include_router(resume_diagnose_router)
 app.include_router(skill_gap_router)
+app.include_router(job_agent_chat_router)
 # ==============================
 
 if __name__ == "__main__":

app/schemas/job_agent_chat.py

@@ -0,0 +1,37 @@
+"""求职助手 Agent 对话 Schema
+
+请求参数 Param、响应 Dto。
+字段命名使用 camelCase alias，与前端 JSON 对齐。
+"""
+
+from typing import Literal
+
+from pydantic import BaseModel, Field
+
+ChatRole = Literal["user", "assistant"]
+
+
+class ChatMessage(BaseModel):
+    role: ChatRole
+    content: str
+
+
+class JobAgentChatParam(BaseModel):
+    message: str = Field(..., description="用户输入的消息")
+    resume_id: int = Field(..., alias="resumeId", description="简历ID")
+    history: list[ChatMessage] = Field(default_factory=list, description="对话历史")
+    job_categories: list[str] = Field(default_factory=list, alias="jobCategories", description="意向岗位类型名称")
+    regions: list[str] = Field(default_factory=list, alias="regions", description="意向城市名称")
+    industries: list[str] = Field(default_factory=list, alias="industries", description="意向行业名称")
+
+
+class ToolParams(BaseModel):
+    preference: str = Field(default="", description="用户岗位偏好描述")
+
+
+class JobAgentChatDto(BaseModel):
+    message: str = Field(..., description="AI回复文本，不超过200字")
+    tool: str | None = Field(default=None, description="前端需执行的工具：recommend / editPreference / null")
+    tool_params: ToolParams | None = Field(default=None, alias="toolParams", description="工具参数")
+
+    model_config = {"populate_by_name": True}

app/services/job_agent_chat_service.py

@@ -0,0 +1,85 @@
+"""求职助手 Agent 对话 Service
+
+主要功能：查询简历数据，调用 AI 模块完成对话。
+依赖：UserResume + 5张子表 ORM、job_agent.chat AI 模块
+使用表：bg_user_resume、bg_user_resume_education/work/internship/project/competition（查询简历）
+"""
+
+from sqlalchemy import select
+from sqlalchemy.ext.asyncio import AsyncSession
+
+from app.ai.job_agent.chat import agent_chat
+from app.models.user_resume import UserResume
+from app.models.user_resume_education import UserResumeEducation
+from app.models.user_resume_work import UserResumeWork
+from app.models.user_resume_internship import UserResumeInternship
+from app.models.user_resume_project import UserResumeProject
+from app.models.user_resume_competition import UserResumeCompetition
+
+
+class JobAgentChatService:
+
+    def __init__(self, session: AsyncSession):
+        self.session = session
+
+    async def chat(self, user_id: int, resume_id: int, message: str,
+                   history: list[dict], job_categories: list[str],
+                   regions: list[str], industries: list[str]) -> dict:
+        """求职助手对话：查简历 → 序列化 → 调 AI 模块"""
+        resume = await self._get_resume(resume_id, user_id)
+        edu, work, intern, proj, comp = await self._load_sub_tables(resume_id)
+        resume_text = self._build_resume_text(resume, edu, work, intern, proj, comp)
+        return await agent_chat(resume_text, message, history, job_categories, regions, industries)
+
+    async def _get_resume(self, resume_id: int, user_id: int) -> UserResume:
+        """查指定简历"""
+        result = await self.session.execute(select(UserResume).where(UserResume.id == resume_id, UserResume.user_id == user_id))
+        resume = result.scalar_one_or_none()
+        if not resume:
+            raise ValueError("简历不存在")
+        return resume
+
+    async def _load_sub_tables(self, resume_id: int):
+        """查询简历5张子表"""
+        edu = (await self.session.execute(select(UserResumeEducation).where(UserResumeEducation.resume_id == resume_id))).scalars().all()
+        work = (await self.session.execute(select(UserResumeWork).where(UserResumeWork.resume_id == resume_id))).scalars().all()
+        intern = (await self.session.execute(select(UserResumeInternship).where(UserResumeInternship.resume_id == resume_id))).scalars().all()
+        proj = (await self.session.execute(select(UserResumeProject).where(UserResumeProject.resume_id == resume_id))).scalars().all()
+        comp = (await self.session.execute(select(UserResumeCompetition).where(UserResumeCompetition.resume_id == resume_id))).scalars().all()
+        return edu, work, intern, proj, comp
+
+    @staticmethod
+    def _build_resume_text(resume: UserResume, edu_list, work_list, intern_list, proj_list, comp_list) -> str:
+        """将简历数据序列化为文本供 AI 使用"""
+        parts = []
+        if resume.name:
+            parts.append(f"姓名：{resume.name}")
+        if resume.target_position:
+            parts.append(f"目标岗位：{resume.target_position}")
+        if resume.skills:
+            parts.append(f"技能：{'、'.join(resume.skills)}")
+        if resume.certificates:
+            parts.append(f"证书：{'、'.join(resume.certificates)}")
+        if resume.summary:
+            parts.append(f"个人概述：{resume.summary}")
+        if edu_list:
+            parts.append("教育经历：")
+            for r in edu_list:
+                parts.append(f"  - {r.school or ''} {r.major or ''} {r.degree or ''}")
+        if work_list:
+            parts.append("工作经历：")
+            for r in work_list:
+                parts.append(f"  - {r.company_name or ''} {r.position or ''}")
+        if intern_list:
+            parts.append("实习经历：")
+            for r in intern_list:
+                parts.append(f"  - {r.company_name or ''} {r.position or ''}")
+        if proj_list:
+            parts.append("项目经历：")
+            for r in proj_list:
+                parts.append(f"  - {r.project_name or ''} {r.role or ''}")
+        if comp_list:
+            parts.append("竞赛经历：")
+            for r in comp_list:
+                parts.append(f"  - {r.competition_name or ''} {r.award or ''}")
+        return "\n".join(parts) if parts else "暂无简历信息"