添加岗位简历诊断
This commit is contained in:
zk
@@ -0,0 +1,653 @@
|
||||
# 岗位简历技能差距分析 + 定制简历 — 完整方案
|
||||
|
||||
## 一、需求概述
|
||||
|
||||
三步流程：
|
||||
1. **差距分析**：根据岗位技能标签和用户简历，AI 判断缺失技能，纯计算匹配分
|
||||
2. **定制简历**：用户选择要优化的模块和要新增的技能，AI 生成优化后的简历内容
|
||||
3. **预览 + AI 对话编辑**：前端渲染定制简历，用户可通过 AI 对话继续编辑，用于投递时使用（不写回原简历）
|
||||
|
||||
定制简历存 Redis，过期时间 12 小时，不落库。一个用户同时只有一份定制简历。
|
||||
|
||||
---
|
||||
|
||||
## 二、接口总览
|
||||
|
||||
| 序号 | 路径 | 方法 | 说明 |
|
||||
|------|------|------|------|
|
||||
| 1 | `/api/job/skill-gap` | POST | 差距分析 |
|
||||
| 2 | `/api/job/customize-resume` | POST | 生成定制简历 |
|
||||
| 3 | `/api/job/customize-resume` | GET | 查询定制简历 |
|
||||
| 4 | `/api/job/customize-resume` | PUT | 手动编辑定制简历 |
|
||||
| 5 | `/api/job/customize-resume/rollback` | POST | 回滚定制简历 |
|
||||
| 6 | `/api/job/customize-resume/ai-edit` | POST | AI 对话式编辑定制简历 |
|
||||
|
||||
---
|
||||
|
||||
## 三、接口一：差距分析
|
||||
|
||||
### 接口信息
|
||||
|
||||
| 项目 | 值 |
|
||||
|------|-----|
|
||||
| 路径 | `POST /api/job/skill-gap` |
|
||||
| 入参 | `{ "jobId": Long }` |
|
||||
| 鉴权 | 需要登录态，从 token 取 userId |
|
||||
|
||||
### 处理流程
|
||||
|
||||
1. 从 token 取 userId
|
||||
2. 查简历（自动选择，不传 resumeId）：
|
||||
- 先查 `bg_user_resume` 中 `user_id=userId AND is_default=1`，按 `update_time DESC` 取第一条
|
||||
- 没有默认简历 → 查 `user_id=userId`，按 `update_time DESC` 取第一条
|
||||
- 没有任何简历 → 报错"请先创建简历"
|
||||
3. 查岗位：
|
||||
- 查 `bg_job` 拿 id、title、skill_tags
|
||||
- 岗位不存在 → 报错
|
||||
- skill_tags 为空 → 直接返回满分 10，missingSkills 为空数组
|
||||
4. 查简历子表（拼 AI 输入）：
|
||||
- `bg_user_resume_education`
|
||||
- `bg_user_resume_work`
|
||||
- `bg_user_resume_internship`
|
||||
- `bg_user_resume_project`
|
||||
- `bg_user_resume_competition`
|
||||
5. 调 AI（一次）：
|
||||
- 输入：岗位 skill_tags 列表 + 简历 skills 字段 + 各子表经历描述
|
||||
- 输出：缺失技能的 JSON 数组，必须是 skill_tags 的子集
|
||||
6. 计算匹配分：`score = (skill_tags总数 - missingSkills数) / skill_tags总数 × 10`，保留一位小数
|
||||
|
||||
### 返回
|
||||
|
||||
```json
|
||||
{
|
||||
"score": 2.5,
|
||||
"job": {
|
||||
"jobId": "1234567890",
|
||||
"title": "数据产品经理",
|
||||
"skillTags": ["Python", "SQL", "项目管理", "团队协作", "数据分析", "跨部门沟通"]
|
||||
},
|
||||
"resume": {
|
||||
"resumeId": "1234567890",
|
||||
"resumeName": "李华_产品经理",
|
||||
"targetPosition": "电商产品经理"
|
||||
},
|
||||
"missingSkills": ["Python", "SQL", "数据分析", "跨部门沟通"]
|
||||
}
|
||||
```
|
||||
|
||||
### 边界处理
|
||||
|
||||
| 场景 | 处理 |
|
||||
|------|------|
|
||||
| 用户无简历 | 报错"请先创建简历" |
|
||||
| 岗位不存在 | 报错 |
|
||||
| skill_tags 为空 | 满分 10，missingSkills 为空数组 |
|
||||
| AI 调用失败 | 降级：全部标记为缺失，分数 0 |
|
||||
|
||||
### AI Prompt
|
||||
|
||||
```
|
||||
你是一个技能匹配助手。给定岗位要求的技能标签列表和用户简历信息，判断用户简历中未覆盖的技能。
|
||||
|
||||
【岗位技能标签】
|
||||
{skill_tags}
|
||||
|
||||
【用户简历】
|
||||
{resume_json}
|
||||
|
||||
规则：
|
||||
1. 逐个判断岗位技能标签，用户简历中是否体现了该技能（包括直接提及、经历中隐含的技能）
|
||||
2. 只输出用户简历未覆盖的技能，必须是岗位技能标签的子集，原文输出不要修改
|
||||
3. 返回 JSON 数组格式，如：["Python", "SQL"]
|
||||
4. 如果全部覆盖，返回空数组 []
|
||||
5. 只返回 JSON 数组，不要其他内容
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 四、接口二：生成定制简历
|
||||
|
||||
### 接口信息
|
||||
|
||||
| 项目 | 值 |
|
||||
|------|-----|
|
||||
| 路径 | `POST /api/job/customize-resume` |
|
||||
| 入参 | 见下方 |
|
||||
| 鉴权 | 需要登录态，从 token 取 userId |
|
||||
|
||||
### 入参
|
||||
|
||||
```json
|
||||
{
|
||||
"jobId": "Long",
|
||||
"resumeId": "Long",
|
||||
"optimizeModules": ["summary", "skills", "experience"],
|
||||
"addSkills": ["Python", "SQL"]
|
||||
}
|
||||
```
|
||||
|
||||
- `resumeId`：以哪份简历为模板（来自差距分析返回的 resumeId，用户可能切换过简历）
|
||||
- `optimizeModules`：用户勾选要优化的模块，可选值：summary（个人概述）、skills（技能）、experience（过往经历）
|
||||
- `addSkills`：用户勾选要新增的技能关键词（来自差距分析的 missingSkills）
|
||||
|
||||
### 处理流程
|
||||
|
||||
1. 查简历主表 + 所有子表（完整简历数据）
|
||||
2. 查岗位信息（title、description、requirement）
|
||||
3. 按用户选择的模块分别处理（各模块并发执行，最后合并）：
|
||||
|
||||
**summary（个人概述）**：
|
||||
- 调 AI，根据岗位信息微调 summary，融入选中的技能关键词
|
||||
- 避免过度优化，保持原文风格，只做轻微润色
|
||||
|
||||
**skills（技能）**：
|
||||
- 把 addSkills 追加到现有 skills 列表，不调 AI，纯内存操作
|
||||
|
||||
**experience（过往经历）**：
|
||||
- 按子表（education/work/internship/project/competition）为单位，每个子表一个 AI 调用，传入该子表的完整数据
|
||||
- 让描述更贴合岗位方向，避免过度优化，基本保持原文不变
|
||||
- 不融入 addSkills，经历描述不硬塞技能关键词
|
||||
|
||||
**addSkills 影响范围**：只影响 skills（直接追加）和 summary（自然融入），不影响 experience。
|
||||
|
||||
**并发策略**：summary 优化 和 各子表优化 全部并发执行（asyncio.gather），skills 纯内存操作不需要等待。最终合并所有结果。
|
||||
|
||||
4. 未勾选的模块保持原数据不动
|
||||
5. 组装完整的定制简历数据，存 Redis（key：`customize:resume:{userId}`，过期 12 小时，重新生成会覆盖）
|
||||
6. 返回成功标识，不返回简历数据（前端通过 GET 接口查询）
|
||||
|
||||
### 返回
|
||||
|
||||
```json
|
||||
{
|
||||
"success": true
|
||||
}
|
||||
```
|
||||
|
||||
说明：简历数据前端通过 `GET /api/job/customize-resume` 查询。子表记录的 id 使用随机 8 位字符串作为标识（从数据库查出时生成），不使用数据库原始 id。
|
||||
|
||||
### 边界处理
|
||||
|
||||
| 场景 | 处理 |
|
||||
|------|------|
|
||||
| 简历不存在 | 报错 |
|
||||
| 岗位不存在 | 报错 |
|
||||
| optimizeModules 为空 | 报错"请至少选择一个优化模块" |
|
||||
| AI 调用失败 | 该模块保持原数据不动，不影响其他模块 |
|
||||
|
||||
---
|
||||
|
||||
## 五、接口三：查询定制简历
|
||||
|
||||
### 接口信息
|
||||
|
||||
| 项目 | 值 |
|
||||
|------|-----|
|
||||
| 路径 | `GET /api/job/customize-resume` |
|
||||
| 入参 | 无 |
|
||||
| 鉴权 | 需要登录态，从 token 取 userId |
|
||||
|
||||
### 处理流程
|
||||
|
||||
1. 从 Redis 取定制简历数据（key：`customize:resume:{userId}`）
|
||||
2. 不存在 → 返回 null
|
||||
3. 返回完整简历 JSON
|
||||
|
||||
---
|
||||
|
||||
## 六、接口四：修改定制简历（手动编辑）
|
||||
|
||||
### 接口信息
|
||||
|
||||
| 项目 | 值 |
|
||||
|------|-----|
|
||||
| 路径 | `PUT /api/job/customize-resume` |
|
||||
| 入参 | 完整简历 JSON（整体覆盖） |
|
||||
| 鉴权 | 需要登录态，从 token 取 userId |
|
||||
|
||||
### 处理流程
|
||||
|
||||
1. 校验入参
|
||||
2. 整体覆盖 Redis 中的定制简历数据（key：`customize:resume:{userId}`）
|
||||
3. 刷新过期时间为 12 小时
|
||||
4. 不存在时也直接写入
|
||||
|
||||
---
|
||||
|
||||
## 七、接口五：回滚定制简历
|
||||
|
||||
### 接口信息
|
||||
|
||||
| 项目 | 值 |
|
||||
|------|-----|
|
||||
| 路径 | `POST /api/job/customize-resume/rollback` |
|
||||
| 入参 | 无 |
|
||||
| 鉴权 | 需要登录态，从 token 取 userId |
|
||||
|
||||
### 处理流程
|
||||
|
||||
1. 从 Redis 取回滚数据（key：`customize:resume:rollback:{userId}`）
|
||||
2. 不存在 → 报错"没有可回滚的版本"
|
||||
3. 用回滚数据覆盖当前定制简历（key：`customize:resume:{userId}`）
|
||||
4. 删除回滚数据
|
||||
5. 刷新定制简历过期时间为 12 小时
|
||||
|
||||
---
|
||||
|
||||
## 七、接口五：AI 对话式编辑定制简历
|
||||
|
||||
### 接口信息
|
||||
|
||||
| 项目 | 值 |
|
||||
|------|-----|
|
||||
| 路径 | `POST /api/job/customize-resume/ai-edit` |
|
||||
| 入参 | 见下方 |
|
||||
| 鉴权 | 需要登录态，从 token 取 userId |
|
||||
|
||||
### 入参
|
||||
|
||||
```json
|
||||
{
|
||||
"jobId": "Long",
|
||||
"instruction": "精简一下第一段工作经历",
|
||||
"chatHistory": [
|
||||
{ "role": "user", "content": "优化描述" },
|
||||
{ "role": "assistant", "content": "你想优化哪一部分？" }
|
||||
]
|
||||
}
|
||||
```
|
||||
|
||||
- `instruction`：用户当前输入的指令
|
||||
- `chatHistory`：之前的对话历史，前端维护，每次请求带上
|
||||
|
||||
### 消息类型
|
||||
|
||||
返回两种消息类型：
|
||||
|
||||
**message（普通对话）**：AI 追问、引导，不修改简历
|
||||
```json
|
||||
{
|
||||
"type": "message",
|
||||
"message": "你想优化哪一部分的描述？是最新的实习还是所有工作经历？"
|
||||
}
|
||||
```
|
||||
|
||||
**updated（修改通知）**：AI 修改了简历，返回新版本
|
||||
```json
|
||||
{
|
||||
"type": "updated",
|
||||
"message": "完成！已更新：个人简介、技能、工作经验"
|
||||
}
|
||||
```
|
||||
|
||||
### 处理流程（两步走）
|
||||
|
||||
#### 第一步：准备数据
|
||||
|
||||
1. 从 Redis 取当前定制简历（不存在则报错）
|
||||
2. 查 `bg_job` 拿 title、description
|
||||
|
||||
#### 第二步：规划 AI（意图识别）
|
||||
|
||||
输入：用户指令 + 对话历史 + 当前完整简历内容 + 岗位 title
|
||||
|
||||
输出两种结果：
|
||||
|
||||
**对话（指令不明确）**：
|
||||
```json
|
||||
{ "action": "chat", "message": "你想优化哪一部分？" }
|
||||
```
|
||||
→ 直接返回 `{ "type": "message", "message": "..." }`，结束。
|
||||
|
||||
**修改计划（指令明确）**：
|
||||
```json
|
||||
{
|
||||
"action": "modify",
|
||||
"modules": [
|
||||
{ "module": "resume", "instruction": "在 summary 中融入数据分析技能，skills 添加 Python" },
|
||||
{ "module": "work", "instruction": "精简第一段工作经历，突出量化成果" }
|
||||
],
|
||||
"updatedModulesLabel": "个人简介、工作经验"
|
||||
}
|
||||
```
|
||||
|
||||
模块划分（按表结构，共 6 个）：
|
||||
|
||||
| 模块名 | 对应表 | 可修改字段 |
|
||||
|--------|--------|-----------|
|
||||
| `resume` | `bg_user_resume` | avatarUrl、name、email、mobileNumber、city、wechatNumber、portfolioUrl、skills、certificates、summary |
|
||||
| `education` | `bg_user_resume_education` | 全部字段 |
|
||||
| `work` | `bg_user_resume_work` | 全部字段 |
|
||||
| `internship` | `bg_user_resume_internship` | 全部字段 |
|
||||
| `project` | `bg_user_resume_project` | 全部字段 |
|
||||
| `competition` | `bg_user_resume_competition` | 全部字段 |
|
||||
|
||||
#### 第三步：按模块并发执行修改
|
||||
|
||||
根据修改计划，对每个模块并发调 AI（asyncio.gather）：
|
||||
- 每个模块传入该模块的完整数据（如 work 传 `[{工作1}, {工作2}]` 整体）
|
||||
- AI 返回修改后的该模块完整数据
|
||||
- 所有模块统一走 AI，包括 skills 等简单操作（因为需要 AI 理解用户自然语言指令）
|
||||
|
||||
#### 第四步：合并
|
||||
|
||||
- AI 调用失败的模块保持原数据不动
|
||||
- 成功的模块直接用 AI 返回结果替换
|
||||
|
||||
把所有模块结果合并回完整简历。
|
||||
|
||||
#### 第五步：保存 + 返回
|
||||
|
||||
1. 当前简历存为回滚数据（key：`customize:resume:rollback:{userId}`，过期 30 分钟）
|
||||
2. 新简历覆盖 Redis（key：`customize:resume:{userId}`），刷新过期时间 12 小时
|
||||
3. 返回 `type: updated` + 消息（前端通过 GET 接口查询新简历，通过回滚接口恢复）
|
||||
|
||||
### description 字段处理
|
||||
|
||||
子表的 description 字段格式为 `[{id, text}, {id, text}]`，AI 操作规则（通过 prompt 约束）：
|
||||
- **修改**：保留原 id，只改 text
|
||||
- **新增**：AI 自行生成随机 8 位字符串作为 id
|
||||
- **删除**：直接从数组中移除
|
||||
|
||||
不做后端校验，完全依靠 prompt 约束 AI 行为。
|
||||
|
||||
### 边界处理
|
||||
|
||||
| 场景 | 处理 |
|
||||
|------|------|
|
||||
| 定制简历不存在 | 报错"定制简历不存在，请先生成" |
|
||||
| 规划 AI 失败 | 返回 `type: message`，提示重试 |
|
||||
| 某个模块修改 AI 失败 | 该模块保持原数据，其他模块正常返回 |
|
||||
|
||||
---
|
||||
|
||||
## 八、AI Prompt 汇总
|
||||
|
||||
### 1. 差距分析 Prompt
|
||||
|
||||
```
|
||||
你是一个技能匹配助手。给定岗位要求的技能标签列表和用户简历信息，判断用户简历中未覆盖的技能。
|
||||
|
||||
【岗位技能标签】
|
||||
{skill_tags}
|
||||
|
||||
【用户简历】
|
||||
{resume_json}
|
||||
|
||||
规则：
|
||||
1. 逐个判断岗位技能标签，用户简历中是否体现了该技能（包括直接提及、经历中隐含的技能）
|
||||
2. 只输出用户简历未覆盖的技能，必须是岗位技能标签的子集，原文输出不要修改
|
||||
3. 返回 JSON 数组格式，如：["Python", "SQL"]
|
||||
4. 如果全部覆盖，返回空数组 []
|
||||
5. 只返回 JSON 数组，不要其他内容
|
||||
```
|
||||
|
||||
### 2. 定制简历 - summary 优化 Prompt
|
||||
|
||||
```
|
||||
你是一个简历优化助手。根据目标岗位信息，微调用户的个人概述。
|
||||
|
||||
【目标岗位】
|
||||
{job_title}
|
||||
|
||||
【需要融入的技能关键词】
|
||||
{add_skills}
|
||||
|
||||
【原始个人概述】
|
||||
{original_summary}
|
||||
|
||||
规则：
|
||||
1. 保持原文风格和主体内容不变
|
||||
2. 只做轻微润色，让概述更贴合目标岗位方向
|
||||
3. 自然融入需要新增的技能关键词，不要生硬堆砌
|
||||
4. 避免过度优化，改动越少越好
|
||||
5. 直接输出优化后的文本，不要其他内容
|
||||
```
|
||||
|
||||
### 3. 定制简历 - experience 优化 Prompt
|
||||
|
||||
```
|
||||
你是一个简历优化助手。根据目标岗位信息，微调用户的经历描述。
|
||||
|
||||
【目标岗位】
|
||||
{job_title}
|
||||
{job_description}
|
||||
|
||||
【原始经历数据】
|
||||
{original_module_data}
|
||||
|
||||
规则：
|
||||
1. 基本保持原文不变，只在可以优化的地方做轻微调整
|
||||
2. 让描述更贴合目标岗位方向，但不要编造内容
|
||||
3. 避免过度优化，改动越少越好
|
||||
4. description 字段是 [{id, text}] 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）
|
||||
```
|
||||
|
||||
### 4. Agent - 规划 Prompt
|
||||
|
||||
```
|
||||
你是一个简历编辑助手。分析用户的指令，决定需要修改简历的哪些模块。
|
||||
|
||||
【目标岗位】
|
||||
{job_title}
|
||||
|
||||
【当前简历】
|
||||
{resume_json}
|
||||
|
||||
【对话历史】
|
||||
{chat_history}
|
||||
|
||||
【用户指令】
|
||||
{instruction}
|
||||
|
||||
如果用户指令明确，返回修改计划 JSON：
|
||||
{"action": "modify", "modules": [{"module": "模块名", "instruction": "具体修改要求"}], "updatedModulesLabel": "中文模块名列表"}
|
||||
|
||||
如果用户指令不明确或需要澄清，返回对话 JSON：
|
||||
{"action": "chat", "message": "你的追问内容"}
|
||||
|
||||
模块名可选：
|
||||
- resume：主表（个人信息，包含 name、email、mobileNumber、city、wechatNumber、portfolioUrl、skills、certificates、summary、avatarUrl）
|
||||
- education：教育经历
|
||||
- work：工作经历
|
||||
- internship：实习经历
|
||||
- project：项目经历
|
||||
- competition：竞赛经历
|
||||
只返回 JSON，不要其他内容。
|
||||
```
|
||||
|
||||
### 5. Agent - 模块修改 Prompt
|
||||
|
||||
```
|
||||
你是一个简历编辑助手。根据修改要求，修改简历的指定模块。
|
||||
|
||||
【目标岗位】
|
||||
{job_title}
|
||||
|
||||
【修改要求】
|
||||
{module_instruction}
|
||||
|
||||
【模块数据结构】
|
||||
{module_schema}
|
||||
|
||||
【当前模块数据】
|
||||
{module_data}
|
||||
|
||||
规则：
|
||||
1. 严格按照修改要求操作，可以增删改
|
||||
2. 未要求修改的记录保持不变
|
||||
3. 不要编造用户简历中不存在的内容
|
||||
4. 保持原文格式和结构
|
||||
5. description 字段是 [{id, text}] 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，删除段落直接从数组中移除
|
||||
6. 新增记录时按照模块数据结构生成完整字段，id 使用随机8位字符串
|
||||
7. 返回修改后的完整模块数据（JSON 格式，与输入格式一致）
|
||||
```
|
||||
|
||||
### 各模块数据结构定义（传入 prompt 的 module_schema）
|
||||
|
||||
**resume（主表）**：
|
||||
```json
|
||||
{ "avatarUrl": "string", "name": "string", "email": "string", "mobileNumber": "string", "city": "string", "wechatNumber": "string", "portfolioUrl": "string", "skills": ["string"], "certificates": ["string"], "summary": "string" }
|
||||
```
|
||||
|
||||
**education**：
|
||||
```json
|
||||
[{ "id": "string(8位)", "school": "string", "major": "string", "degree": "大专/本科/硕士/博士", "studyType": "全日制/非全日制", "startDate": "2023.09", "endDate": "2024.06", "description": [{"id": "string(8位)", "text": "string"}] }]
|
||||
```
|
||||
|
||||
**work**：
|
||||
```json
|
||||
[{ "id": "string(8位)", "companyName": "string", "position": "string", "startDate": "2023.06", "endDate": "2023.09", "description": [{"id": "string(8位)", "text": "string"}] }]
|
||||
```
|
||||
|
||||
**internship**：
|
||||
```json
|
||||
[{ "id": "string(8位)", "companyName": "string", "position": "string", "startDate": "2023.06", "endDate": "2023.09", "description": [{"id": "string(8位)", "text": "string"}] }]
|
||||
```
|
||||
|
||||
**project**：
|
||||
```json
|
||||
[{ "id": "string(8位)", "companyName": "string", "projectName": "string", "role": "string", "startDate": "2023.06", "endDate": "2023.09", "description": [{"id": "string(8位)", "text": "string"}] }]
|
||||
```
|
||||
|
||||
**competition**：
|
||||
```json
|
||||
[{ "id": "string(8位)", "competitionName": "string", "award": "string", "awardDate": "2023.07", "description": [{"id": "string(8位)", "text": "string"}] }]
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 九、Redis 设计
|
||||
|
||||
### Key 格式
|
||||
|
||||
- 定制简历：`customize:resume:{userId}`
|
||||
- 回滚数据：`customize:resume:rollback:{userId}`
|
||||
|
||||
### Value 结构
|
||||
|
||||
```python
|
||||
class CustomizeResume:
|
||||
"""定制简历缓存结构"""
|
||||
resume: ResumeProfile # 主表信息
|
||||
education: list[Education] # 教育经历
|
||||
work: list[Work] # 工作经历
|
||||
internship: list[Internship] # 实习经历
|
||||
project: list[Project] # 项目经历
|
||||
competition: list[Competition] # 竞赛经历
|
||||
|
||||
class ResumeProfile:
|
||||
"""主表可修改字段"""
|
||||
avatarUrl: str
|
||||
name: str
|
||||
email: str
|
||||
mobileNumber: str
|
||||
city: str
|
||||
wechatNumber: str
|
||||
portfolioUrl: str
|
||||
skills: list[str]
|
||||
certificates: list[str]
|
||||
summary: str
|
||||
|
||||
class Education:
|
||||
id: str # 随机8位标识
|
||||
school: str
|
||||
major: str
|
||||
degree: str # 大专/本科/硕士/博士
|
||||
studyType: str # 全日制/非全日制
|
||||
startDate: str # 格式：2023.09
|
||||
endDate: str # 格式：2024.06
|
||||
description: list[Paragraph]
|
||||
|
||||
class Work:
|
||||
id: str
|
||||
companyName: str
|
||||
position: str
|
||||
startDate: str
|
||||
endDate: str
|
||||
description: list[Paragraph]
|
||||
|
||||
class Internship:
|
||||
id: str
|
||||
companyName: str
|
||||
position: str
|
||||
startDate: str
|
||||
endDate: str
|
||||
description: list[Paragraph]
|
||||
|
||||
class Project:
|
||||
id: str
|
||||
companyName: str
|
||||
projectName: str
|
||||
role: str
|
||||
startDate: str
|
||||
endDate: str
|
||||
description: list[Paragraph]
|
||||
|
||||
class Competition:
|
||||
id: str
|
||||
competitionName: str
|
||||
award: str
|
||||
awardDate: str # 格式：2023.07
|
||||
description: list[Paragraph]
|
||||
|
||||
class Paragraph:
|
||||
id: str # 随机8位标识
|
||||
text: str
|
||||
```
|
||||
|
||||
定制简历和回滚数据使用相同的 `CustomizeResume` 结构。代码实现时使用 Pydantic model，存取 Redis 通过 `model_dump_json()` / `model_validate_json()`。
|
||||
|
||||
### 常量
|
||||
|
||||
```python
|
||||
CUSTOMIZE_RESUME_KEY_PREFIX = "customize:resume:"
|
||||
CUSTOMIZE_RESUME_EXPIRE = 12 * 60 * 60 # 12小时
|
||||
CUSTOMIZE_RESUME_ROLLBACK_KEY_PREFIX = "customize:resume:rollback:"
|
||||
CUSTOMIZE_RESUME_ROLLBACK_EXPIRE = 30 * 60 # 30分钟
|
||||
```
|
||||
|
||||
### 过期时间
|
||||
|
||||
- 定制简历：12 小时，每次写入/修改时刷新
|
||||
- 回滚数据：30 分钟，每次 AI 编辑时覆盖
|
||||
|
||||
---
|
||||
|
||||
## 十、数据依赖
|
||||
|
||||
| 表 | 读写 | 用途 |
|
||||
|----|------|------|
|
||||
| `bg_job` | 读 | 取岗位信息（title、description、requirement、skill_tags） |
|
||||
| `bg_user_resume` | 读 | 取简历主表数据 |
|
||||
| `bg_user_resume_education` | 读 | 取教育经历 |
|
||||
| `bg_user_resume_work` | 读 | 取工作经历 |
|
||||
| `bg_user_resume_internship` | 读 | 取实习经历 |
|
||||
| `bg_user_resume_project` | 读 | 取项目经历 |
|
||||
| `bg_user_resume_competition` | 读 | 取竞赛经历 |
|
||||
| Redis | 写/读 | 存取定制简历，过期 12 小时 |
|
||||
|
||||
无新建表，无数据库写操作。
|
||||
|
||||
---
|
||||
|
||||
## 十一、文件规划
|
||||
|
||||
### 新建文件
|
||||
|
||||
| 文件 | 职责 |
|
||||
|------|------|
|
||||
| `app/models/job.py` | Job 表 ORM 模型（bg_job，只读） |
|
||||
| `app/core/schemas/skill_gap.py` | Pydantic Schema（请求参数 Param + 响应 Dto + Redis 缓存模型 CustomizeResume） |
|
||||
| `app/ai/skill_gap_analyzer/__init__.py` | 模块初始化 |
|
||||
| `app/ai/skill_gap_analyzer/prompts.py` | 所有 AI prompt 模板 |
|
||||
| `app/ai/skill_gap_analyzer/analyzer.py` | AI 调用逻辑（差距分析 + 定制简历优化 + Agent 规划/执行） |
|
||||
| `app/services/skill_gap_service.py` | 业务逻辑层（含 Redis 常量、简历查询、Redis 读写） |
|
||||
| `app/api/skill_gap.py` | 路由层（6 个接口） |
|
||||
|
||||
### 修改文件
|
||||
|
||||
| 文件 | 改动 |
|
||||
|------|------|
|
||||
| `app/main.py` | 注册 skill_gap 路由 |
|
||||
+19
-10
@@ -35,14 +35,18 @@ offerpie_python_ai/
|
||||
│ ├─ 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）
|
||||
│ └─ resume_diagnoser/ # 简历 AI 诊断模块
|
||||
│ ├─ prompts.py # 诊断 Prompt 模板（分模块诊断 + 汇总评价 + 润色优化）
|
||||
│ └─ diagnoser.py # AI 并行诊断（diagnose_all 入口 + generate_summary 汇总评价 + polish_content 润色优化）
|
||||
│ ├─ resume_diagnoser/ # 简历 AI 诊断模块
|
||||
│ │ ├─ prompts.py # 诊断 Prompt 模板（分模块诊断 + 汇总评价 + 润色优化）
|
||||
│ │ └─ diagnoser.py # AI 并行诊断（diagnose_all 入口 + generate_summary 汇总评价 + polish_content 润色优化）
|
||||
│ └─ skill_gap_analyzer/ # 技能差距分析 + 定制简历 AI 模块
|
||||
│ ├─ prompts.py # 差距分析 + 简历优化 + Agent 规划/执行 Prompt 模板 + MODULE_SCHEMAS
|
||||
│ └─ analyzer.py # AI 调用逻辑（差距分析 + summary优化 + 经历优化 + Agent规划 + Agent模块修改）
|
||||
│
|
||||
├─ api/ # **路由层**（REST API 接口）
|
||||
│ ├─ health.py # 健康检查接口 GET /health/
|
||||
│ ├─ resume.py # 简历接口 POST /resume/upload（上传文件AI解析）
|
||||
│ └─ resume_diagnose.py # 简历诊断接口（POST 触发诊断 / GET 查询报告 / PUT 标记处理+用户评价 / POST 润色优化）
|
||||
│ ├─ resume_diagnose.py # 简历诊断接口（POST 触发诊断 / GET 查询报告 / PUT 标记处理+用户评价 / POST 润色优化）
|
||||
│ └─ skill_gap.py # 技能差距分析 + 定制简历接口（差距分析 / 生成定制简历 / 查询 / 编辑 / 回滚 / AI对话编辑）
|
||||
│
|
||||
├─ models/ # **ORM 模型层**（SQLAlchemy 声明式映射）
|
||||
│ ├─ func_permission.py # 功能权限定义表（bg_func_permission）
|
||||
@@ -55,16 +59,21 @@ offerpie_python_ai/
|
||||
│ ├─ user_resume_project.py # 简历-项目经历表（bg_user_resume_project）
|
||||
│ ├─ user_resume_competition.py # 简历-竞赛经历表（bg_user_resume_competition）
|
||||
│ ├─ resume_diagnosis_report.py # 简历诊断报告表（bg_resume_diagnosis_report）
|
||||
│ └─ resume_diagnosis_issue.py # 简历诊断问题表（bg_resume_diagnosis_issue）
|
||||
│ ├─ resume_diagnosis_issue.py # 简历诊断问题表（bg_resume_diagnosis_issue）
|
||||
│ └─ job.py # 岗位表（bg_job，只读，用于技能差距分析）
|
||||
│
|
||||
├─ tool/ # **工具层**（无状态、无业务依赖的通用工具）
|
||||
│ ├─ file_parser.py # 文件解析工具（PDF/Word/TXT → 纯文本，parse_to_text 入口方法）
|
||||
│ └─ snowflake.py # 雪花 ID 生成工具（next_id）
|
||||
│
|
||||
├─ schemas/ # **Schema 层**（Pydantic 请求/响应/缓存模型）
|
||||
│ └─ skill_gap.py # 技能差距分析 Schema（SkillGapParam、CustomizeResumeParam、AiEditParam、CustomizeResume 等）
|
||||
│
|
||||
└─ services/ # **业务逻辑层**
|
||||
├─ func_permission_service.py # 功能权限服务（校验+扣减+回退，逻辑与Java端一致）
|
||||
├─ resume_parse_service.py # 简历解析服务（文件解析→AI结构化→写入主表+5张子表）
|
||||
└─ resume_diagnose_service.py # 简历诊断服务（加载简历→AI并行诊断→统计评级→写入报告）
|
||||
├─ resume_diagnose_service.py # 简历诊断服务（加载简历→AI并行诊断→统计评级→写入报告）
|
||||
└─ skill_gap_service.py # 技能差距分析服务（差距分析→定制简历生成/查询/编辑/回滚→AI对话编辑）
|
||||
```
|
||||
|
||||
## 2️⃣ 各层模块职责
|
||||
@@ -72,11 +81,11 @@ 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：5路 AI 同时提取个人信息/教育/工作+实习/项目/竞赛）、`resume_diagnoser/`（简历诊断：并行诊断各模块描述 + 汇总评价） |
|
||||
| **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） |
|
||||
| **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` |
|
||||
| **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 规划/执行） |
|
||||
| **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 + 定制简历） |
|
||||
| **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） |
|
||||
| **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）、`snowflake.py`（雪花ID生成） |
|
||||
| **services** | 业务逻辑实现 | `FuncPermissionService`（功能权限校验、扣减、回退）、`ResumeParseService`（简历文件解析→AI结构化→入库）、`ResumeDiagnoseService`（简历诊断→AI并行分析→评级→入库） |
|
||||
| **services** | 业务逻辑实现 | `FuncPermissionService`（功能权限校验、扣减、回退）、`ResumeParseService`（简历文件解析→AI结构化→入库）、`ResumeDiagnoseService`（简历诊断→AI并行分析→评级→入库）、`SkillGapService`（技能差距分析→定制简历生成/查询/编辑/回滚→AI对话编辑） |
|
||||
|
||||
## 3️⃣ 技术栈
|
||||
| 类别 | 技术选型 | 说明 |
|
||||
|
||||
@@ -0,0 +1 @@
|
||||
|
||||
@@ -0,0 +1,137 @@
|
||||
"""技能差距分析 AI 引擎
|
||||
|
||||
差距分析 + 定制简历优化 + Agent 规划/执行。
|
||||
依赖：LLM 枚举、skill_gap_analyzer/prompts
|
||||
"""
|
||||
|
||||
import asyncio
|
||||
import re
|
||||
|
||||
from json_repair import repair_json
|
||||
from langchain_core.output_parsers import StrOutputParser
|
||||
from langchain_core.prompts import ChatPromptTemplate
|
||||
|
||||
from app.ai.models import LLM
|
||||
from app.ai.skill_gap_analyzer.prompts import (
|
||||
SKILL_GAP_PROMPT, SUMMARY_OPTIMIZE_PROMPT, EXPERIENCE_OPTIMIZE_PROMPT,
|
||||
AGENT_PLAN_PROMPT, AGENT_MODULE_EDIT_PROMPT, MODULE_SCHEMAS,
|
||||
)
|
||||
from app.core.logger import log
|
||||
|
||||
|
||||
def _parse_json(text: str):
|
||||
"""解析 AI 输出的 JSON，自动去除 markdown 代码块包裹，容错处理"""
|
||||
cleaned = re.sub(r"^```(?:json)?\s*\n?", "", text.strip())
|
||||
cleaned = re.sub(r"\n?```\s*$", "", cleaned)
|
||||
return repair_json(cleaned, return_objects=True)
|
||||
|
||||
|
||||
# ===== 差距分析 =====
|
||||
|
||||
_skill_gap_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", SKILL_GAP_PROMPT), ("human", "请开始分析。")])
|
||||
| LLM.DOUBAO_PRO_32K.create(temperature=0)
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
|
||||
async def analyze_skill_gap(skill_tags: list[str], resume_json: str) -> list[str]:
|
||||
"""分析技能差距，返回缺失技能列表"""
|
||||
try:
|
||||
raw = await _skill_gap_chain.ainvoke({"skill_tags": str(skill_tags), "resume_json": resume_json})
|
||||
result = _parse_json(raw)
|
||||
if isinstance(result, list):
|
||||
return [s for s in result if isinstance(s, str) and s in skill_tags]
|
||||
return skill_tags # 解析异常降级：全部标记缺失
|
||||
except Exception as e:
|
||||
log.warning(f"AI技能差距分析失败: {e}")
|
||||
return skill_tags # 降级：全部标记缺失
|
||||
|
||||
|
||||
# ===== 定制简历 - summary 优化 =====
|
||||
|
||||
_summary_optimize_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", SUMMARY_OPTIMIZE_PROMPT), ("human", "请开始优化。")])
|
||||
| LLM.CLAUDE_SONNET_4.create(temperature=0.3)
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
|
||||
async def optimize_summary(job_title: str, add_skills: list[str], original_summary: str) -> str:
|
||||
"""优化个人概述，融入技能关键词"""
|
||||
try:
|
||||
return await _summary_optimize_chain.ainvoke({
|
||||
"job_title": job_title, "add_skills": "、".join(add_skills) if add_skills else "无",
|
||||
"original_summary": original_summary or "暂无",
|
||||
})
|
||||
except Exception as e:
|
||||
log.warning(f"AI优化summary失败: {e}")
|
||||
return original_summary
|
||||
|
||||
|
||||
# ===== 定制简历 - experience 优化 =====
|
||||
|
||||
_experience_optimize_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", EXPERIENCE_OPTIMIZE_PROMPT), ("human", "请开始优化。")])
|
||||
| LLM.CLAUDE_SONNET_4.create(temperature=0.3)
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
|
||||
async def optimize_module(job_title: str, job_description: str, module_data: str) -> list | dict | None:
|
||||
"""优化子表模块经历描述，返回修改后的完整模块数据"""
|
||||
try:
|
||||
raw = await _experience_optimize_chain.ainvoke({
|
||||
"job_title": job_title, "job_description": job_description or "",
|
||||
"original_module_data": module_data,
|
||||
})
|
||||
return _parse_json(raw)
|
||||
except Exception as e:
|
||||
log.warning(f"AI优化经历模块失败: {e}")
|
||||
return None
|
||||
|
||||
|
||||
# ===== Agent - 规划 =====
|
||||
|
||||
_plan_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", AGENT_PLAN_PROMPT), ("human", "请分析用户指令。")])
|
||||
| LLM.DOUBAO_PRO_32K.create(temperature=0)
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
|
||||
async def plan_edit(job_title: str, resume_json: str, chat_history: str, instruction: str) -> dict | None:
|
||||
"""Agent 规划：分析用户指令，返回修改计划或对话回复"""
|
||||
try:
|
||||
raw = await _plan_chain.ainvoke({
|
||||
"job_title": job_title, "resume_json": resume_json,
|
||||
"chat_history": chat_history, "instruction": instruction,
|
||||
})
|
||||
result = _parse_json(raw)
|
||||
return result if isinstance(result, dict) else None
|
||||
except Exception as e:
|
||||
log.warning(f"AI规划失败: {e}")
|
||||
return None
|
||||
|
||||
|
||||
# ===== Agent - 模块修改 =====
|
||||
|
||||
_module_edit_chain = (
|
||||
ChatPromptTemplate.from_messages([("system", AGENT_MODULE_EDIT_PROMPT), ("human", "请执行修改。")])
|
||||
| LLM.CLAUDE_SONNET_4.create(temperature=0.3)
|
||||
| StrOutputParser()
|
||||
)
|
||||
|
||||
|
||||
async def execute_module_edit(job_title: str, module_instruction: str,
|
||||
module_schema: str, module_data: str) -> dict | list | None:
|
||||
"""Agent 模块修改：根据指令修改指定模块数据"""
|
||||
try:
|
||||
raw = await _module_edit_chain.ainvoke({
|
||||
"job_title": job_title, "module_instruction": module_instruction,
|
||||
"module_schema": module_schema, "module_data": module_data,
|
||||
})
|
||||
return _parse_json(raw)
|
||||
except Exception as e:
|
||||
log.warning(f"AI模块修改失败: {e}")
|
||||
return None
|
||||
@@ -0,0 +1,115 @@
|
||||
"""技能差距分析 + 定制简历 Prompt 模板
|
||||
|
||||
注意：prompt 中的 JSON 示例花括号必须用 {{ }} 转义，避免被 ChatPromptTemplate 当作变量。
|
||||
"""
|
||||
|
||||
SKILL_GAP_PROMPT = """你是一个技能匹配助手。给定岗位要求的技能标签列表和用户简历信息，判断用户简历中未覆盖的技能。
|
||||
|
||||
【岗位技能标签】
|
||||
{skill_tags}
|
||||
|
||||
【用户简历】
|
||||
{resume_json}
|
||||
|
||||
规则：
|
||||
1. 逐个判断岗位技能标签，用户简历中是否体现了该技能（包括直接提及、经历中隐含的技能）
|
||||
2. 只输出用户简历未覆盖的技能，必须是岗位技能标签的子集，原文输出不要修改
|
||||
3. 返回 JSON 数组格式，如：["Python", "SQL"]
|
||||
4. 如果全部覆盖，返回空数组 []
|
||||
5. 只返回 JSON 数组，不要其他内容"""
|
||||
|
||||
SUMMARY_OPTIMIZE_PROMPT = """你是一个简历优化助手。根据目标岗位信息，微调用户的个人概述。
|
||||
|
||||
【目标岗位】
|
||||
{job_title}
|
||||
|
||||
【需要融入的技能关键词】
|
||||
{add_skills}
|
||||
|
||||
【原始个人概述】
|
||||
{original_summary}
|
||||
|
||||
规则：
|
||||
1. 保持原文风格和主体内容不变
|
||||
2. 只做轻微润色，让概述更贴合目标岗位方向
|
||||
3. 自然融入需要新增的技能关键词，不要生硬堆砌
|
||||
4. 避免过度优化，改动越少越好
|
||||
5. 直接输出优化后的文本，不要其他内容"""
|
||||
|
||||
EXPERIENCE_OPTIMIZE_PROMPT = """你是一个简历优化助手。根据目标岗位信息，微调用户的经历描述。
|
||||
|
||||
【目标岗位】
|
||||
{job_title}
|
||||
{job_description}
|
||||
|
||||
【原始经历数据】
|
||||
{original_module_data}
|
||||
|
||||
规则：
|
||||
1. 基本保持原文不变，只在可以优化的地方做轻微调整
|
||||
2. 让描述更贴合目标岗位方向，但不要编造内容
|
||||
3. 避免过度优化，改动越少越好
|
||||
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）"""
|
||||
|
||||
AGENT_PLAN_PROMPT = """你是一个简历编辑助手。分析用户的指令，决定需要修改简历的哪些模块。
|
||||
|
||||
【目标岗位】
|
||||
{job_title}
|
||||
|
||||
【当前简历】
|
||||
{resume_json}
|
||||
|
||||
【对话历史】
|
||||
{chat_history}
|
||||
|
||||
【用户指令】
|
||||
{instruction}
|
||||
|
||||
如果用户指令明确，返回修改计划 JSON：
|
||||
{{"action": "modify", "modules": [{{"module": "模块名", "instruction": "具体修改要求"}}], "updatedModulesLabel": "中文模块名列表"}}
|
||||
|
||||
如果用户指令不明确或需要澄清，返回对话 JSON：
|
||||
{{"action": "chat", "message": "你的追问内容"}}
|
||||
|
||||
模块名可选：
|
||||
- resume：主表（个人信息，包含 name、email、mobileNumber、city、wechatNumber、portfolioUrl、skills、certificates、summary、avatarUrl）
|
||||
- education：教育经历
|
||||
- work：工作经历
|
||||
- internship：实习经历
|
||||
- project：项目经历
|
||||
- competition：竞赛经历
|
||||
只返回 JSON，不要其他内容。"""
|
||||
|
||||
AGENT_MODULE_EDIT_PROMPT = """你是一个简历编辑助手。根据修改要求，修改简历的指定模块。
|
||||
|
||||
【目标岗位】
|
||||
{job_title}
|
||||
|
||||
【修改要求】
|
||||
{module_instruction}
|
||||
|
||||
【模块数据结构】
|
||||
{module_schema}
|
||||
|
||||
【当前模块数据】
|
||||
{module_data}
|
||||
|
||||
规则：
|
||||
1. 严格按照修改要求操作，可以增删改
|
||||
2. 未要求修改的记录保持不变
|
||||
3. 不要编造用户简历中不存在的内容
|
||||
4. 保持原文格式和结构
|
||||
5. 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，删除段落直接从数组中移除
|
||||
6. 新增记录时按照模块数据结构生成完整字段，id 使用随机8位字符串
|
||||
7. 返回修改后的完整模块数据（JSON 格式，与输入格式一致）"""
|
||||
|
||||
# 各模块数据结构定义（传入 prompt 的 module_schema）
|
||||
MODULE_SCHEMAS: dict[str, str] = {
|
||||
"resume": '{ "avatarUrl": "string", "name": "string", "email": "string", "mobileNumber": "string", "city": "string", "wechatNumber": "string", "portfolioUrl": "string", "skills": ["string"], "certificates": ["string"], "summary": "string" }',
|
||||
"education": '[{ "id": "string(8位)", "school": "string", "major": "string", "degree": "大专/本科/硕士/博士", "studyType": "全日制/非全日制", "startDate": "2023.09", "endDate": "2024.06", "description": [{"id": "string(8位)", "text": "string"}] }]',
|
||||
"work": '[{ "id": "string(8位)", "companyName": "string", "position": "string", "startDate": "2023.06", "endDate": "2023.09", "description": [{"id": "string(8位)", "text": "string"}] }]',
|
||||
"internship": '[{ "id": "string(8位)", "companyName": "string", "position": "string", "startDate": "2023.06", "endDate": "2023.09", "description": [{"id": "string(8位)", "text": "string"}] }]',
|
||||
"project": '[{ "id": "string(8位)", "companyName": "string", "projectName": "string", "role": "string", "startDate": "2023.06", "endDate": "2023.09", "description": [{"id": "string(8位)", "text": "string"}] }]',
|
||||
"competition": '[{ "id": "string(8位)", "competitionName": "string", "award": "string", "awardDate": "2023.07", "description": [{"id": "string(8位)", "text": "string"}] }]',
|
||||
}
|
||||
@@ -0,0 +1,74 @@
|
||||
"""岗位简历技能差距分析 + 定制简历接口"""
|
||||
|
||||
from fastapi import APIRouter
|
||||
|
||||
from app.core.context import RequestContext
|
||||
from app.core.database import get_db
|
||||
from app.schemas.skill_gap import SkillGapParam, CustomizeResumeParam, AiEditParam, CustomizeResume
|
||||
from app.services.skill_gap_service import SkillGapService
|
||||
|
||||
router = APIRouter(prefix="/job", tags=["岗位简历"])
|
||||
|
||||
|
||||
@router.post("/skill-gap", summary="技能差距分析")
|
||||
async def skill_gap(param: SkillGapParam):
|
||||
"""根据岗位技能标签和用户简历，分析技能差距"""
|
||||
user_id = RequestContext.user_id.get()
|
||||
async for session in get_db():
|
||||
service = SkillGapService(session)
|
||||
result = await service.analyze_skill_gap(user_id, param.job_id)
|
||||
return result
|
||||
|
||||
|
||||
@router.post("/customize-resume", summary="生成定制简历")
|
||||
async def generate_customize_resume(param: CustomizeResumeParam):
|
||||
"""根据差距分析结果，AI 生成定制简历"""
|
||||
user_id = RequestContext.user_id.get()
|
||||
async for session in get_db():
|
||||
service = SkillGapService(session)
|
||||
await service.generate_customize_resume(
|
||||
user_id, param.job_id, param.resume_id,
|
||||
param.optimize_modules, param.add_skills,
|
||||
)
|
||||
return {"success": True}
|
||||
|
||||
|
||||
@router.get("/customize-resume", summary="查询定制简历")
|
||||
async def get_customize_resume():
|
||||
"""查询当前用户的定制简历"""
|
||||
user_id = RequestContext.user_id.get()
|
||||
async for session in get_db():
|
||||
service = SkillGapService(session)
|
||||
result = await service.get_customize_resume(user_id)
|
||||
return result
|
||||
|
||||
|
||||
@router.put("/customize-resume", summary="修改定制简历")
|
||||
async def update_customize_resume(data: CustomizeResume):
|
||||
"""手动编辑定制简历（整体覆盖）"""
|
||||
user_id = RequestContext.user_id.get()
|
||||
async for session in get_db():
|
||||
service = SkillGapService(session)
|
||||
await service.update_customize_resume(user_id, data.model_dump(by_alias=True))
|
||||
|
||||
|
||||
@router.post("/customize-resume/rollback", summary="回滚定制简历")
|
||||
async def rollback_customize_resume():
|
||||
"""回滚到上一版本的定制简历"""
|
||||
user_id = RequestContext.user_id.get()
|
||||
async for session in get_db():
|
||||
service = SkillGapService(session)
|
||||
await service.rollback_customize_resume(user_id)
|
||||
|
||||
|
||||
@router.post("/customize-resume/ai-edit", summary="AI对话编辑定制简历")
|
||||
async def ai_edit_customize_resume(param: AiEditParam):
|
||||
"""AI 对话式编辑定制简历"""
|
||||
user_id = RequestContext.user_id.get()
|
||||
# 短事务：查岗位信息
|
||||
async for session in get_db():
|
||||
service = SkillGapService(session)
|
||||
result = await service.ai_edit_customize_resume(
|
||||
user_id, param.job_id, param.instruction, param.chat_history,
|
||||
)
|
||||
return result
|
||||
@@ -33,10 +33,12 @@ app.add_middleware(
|
||||
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
|
||||
|
||||
app.include_router(health_router)
|
||||
app.include_router(resume_router)
|
||||
app.include_router(resume_diagnose_router)
|
||||
app.include_router(skill_gap_router)
|
||||
# ==============================
|
||||
|
||||
if __name__ == "__main__":
|
||||
|
||||
@@ -0,0 +1,22 @@
|
||||
"""岗位表（bg_job，只读）
|
||||
|
||||
Python 端仅读取岗位信息用于技能差距分析，表结构由 Java 端管理。
|
||||
"""
|
||||
|
||||
from typing import Optional
|
||||
|
||||
from sqlalchemy import BigInteger, String, Text, JSON
|
||||
from sqlalchemy.orm import Mapped, mapped_column
|
||||
|
||||
from app.core.database import Base
|
||||
|
||||
|
||||
class Job(Base):
|
||||
"""岗位表 bg_job（只读）"""
|
||||
__tablename__ = "bg_job"
|
||||
|
||||
id: Mapped[int] = mapped_column(BigInteger, primary_key=True)
|
||||
title: Mapped[Optional[str]] = mapped_column(String(128), nullable=True, comment="岗位名称")
|
||||
skill_tags: Mapped[Optional[list]] = mapped_column(JSON, nullable=True, comment="技能标签列表")
|
||||
description: Mapped[Optional[str]] = mapped_column(Text, nullable=True, comment="岗位描述")
|
||||
requirement: Mapped[Optional[str]] = mapped_column(Text, nullable=True, comment="岗位要求")
|
||||
@@ -0,0 +1 @@
|
||||
|
||||
@@ -0,0 +1,108 @@
|
||||
"""技能差距分析 + 定制简历 Schema
|
||||
|
||||
请求参数 Param、响应 Dto、Redis 缓存模型。
|
||||
字段命名使用 camelCase alias，与前端 JSON 对齐。
|
||||
"""
|
||||
|
||||
from pydantic import BaseModel, Field
|
||||
|
||||
|
||||
# ===== 请求参数 =====
|
||||
|
||||
class SkillGapParam(BaseModel):
|
||||
job_id: int = Field(..., alias="jobId")
|
||||
|
||||
|
||||
class CustomizeResumeParam(BaseModel):
|
||||
job_id: int = Field(..., alias="jobId")
|
||||
resume_id: int = Field(..., alias="resumeId")
|
||||
optimize_modules: list[str] = Field(..., alias="optimizeModules")
|
||||
add_skills: list[str] = Field(default_factory=list, alias="addSkills")
|
||||
|
||||
|
||||
class AiEditParam(BaseModel):
|
||||
job_id: int = Field(..., alias="jobId")
|
||||
instruction: str = Field(...)
|
||||
chat_history: list[dict] = Field(default_factory=list, alias="chatHistory")
|
||||
|
||||
|
||||
# ===== Redis 缓存子模型 =====
|
||||
|
||||
class _AliasModel(BaseModel):
|
||||
"""带 alias 的基类，允许同时用 alias 和字段名赋值"""
|
||||
model_config = {"populate_by_name": True}
|
||||
|
||||
|
||||
class Paragraph(_AliasModel):
|
||||
id: str = Field(...)
|
||||
text: str = Field(default="")
|
||||
|
||||
|
||||
class ResumeProfile(_AliasModel):
|
||||
avatar_url: str = Field(default="", alias="avatarUrl")
|
||||
name: str = Field(default="")
|
||||
email: str = Field(default="")
|
||||
mobile_number: str = Field(default="", alias="mobileNumber")
|
||||
city: str = Field(default="")
|
||||
wechat_number: str = Field(default="", alias="wechatNumber")
|
||||
portfolio_url: str = Field(default="", alias="portfolioUrl")
|
||||
skills: list[str] = Field(default_factory=list)
|
||||
certificates: list[str] = Field(default_factory=list)
|
||||
summary: str = Field(default="")
|
||||
|
||||
|
||||
class Education(_AliasModel):
|
||||
id: str = Field(default="")
|
||||
school: str = Field(default="")
|
||||
major: str = Field(default="")
|
||||
degree: str = Field(default="")
|
||||
study_type: str = Field(default="", alias="studyType")
|
||||
start_date: str = Field(default="", alias="startDate")
|
||||
end_date: str = Field(default="", alias="endDate")
|
||||
description: list[Paragraph] = Field(default_factory=list)
|
||||
|
||||
|
||||
class Work(_AliasModel):
|
||||
id: str = Field(default="")
|
||||
company_name: str = Field(default="", alias="companyName")
|
||||
position: str = Field(default="")
|
||||
start_date: str = Field(default="", alias="startDate")
|
||||
end_date: str = Field(default="", alias="endDate")
|
||||
description: list[Paragraph] = Field(default_factory=list)
|
||||
|
||||
|
||||
class Internship(_AliasModel):
|
||||
id: str = Field(default="")
|
||||
company_name: str = Field(default="", alias="companyName")
|
||||
position: str = Field(default="")
|
||||
start_date: str = Field(default="", alias="startDate")
|
||||
end_date: str = Field(default="", alias="endDate")
|
||||
description: list[Paragraph] = Field(default_factory=list)
|
||||
|
||||
|
||||
class Project(_AliasModel):
|
||||
id: str = Field(default="")
|
||||
company_name: str = Field(default="", alias="companyName")
|
||||
project_name: str = Field(default="", alias="projectName")
|
||||
role: str = Field(default="")
|
||||
start_date: str = Field(default="", alias="startDate")
|
||||
end_date: str = Field(default="", alias="endDate")
|
||||
description: list[Paragraph] = Field(default_factory=list)
|
||||
|
||||
|
||||
class Competition(_AliasModel):
|
||||
id: str = Field(default="")
|
||||
competition_name: str = Field(default="", alias="competitionName")
|
||||
award: str = Field(default="")
|
||||
award_date: str = Field(default="", alias="awardDate")
|
||||
description: list[Paragraph] = Field(default_factory=list)
|
||||
|
||||
|
||||
class CustomizeResume(_AliasModel):
|
||||
"""定制简历 Redis 缓存结构"""
|
||||
resume: ResumeProfile = Field(default_factory=ResumeProfile)
|
||||
education: list[Education] = Field(default_factory=list)
|
||||
work: list[Work] = Field(default_factory=list)
|
||||
internship: list[Internship] = Field(default_factory=list)
|
||||
project: list[Project] = Field(default_factory=list)
|
||||
competition: list[Competition] = Field(default_factory=list)
|
||||
@@ -0,0 +1,355 @@
|
||||
"""技能差距分析 + 定制简历 Service
|
||||
|
||||
岗位技能差距分析 → 定制简历生成/查询/编辑/回滚 → AI 对话式编辑。
|
||||
依赖：skill_gap_analyzer（AI引擎）
|
||||
使用表：bg_job（读）、bg_user_resume + 5张子表（读）
|
||||
存储：Redis（定制简历 + 回滚数据）
|
||||
"""
|
||||
|
||||
import asyncio
|
||||
import json
|
||||
import random
|
||||
import string
|
||||
|
||||
from sqlalchemy import select, desc
|
||||
from sqlalchemy.ext.asyncio import AsyncSession
|
||||
|
||||
from app.ai.skill_gap_analyzer.analyzer import (
|
||||
analyze_skill_gap, optimize_summary, optimize_module,
|
||||
plan_edit, execute_module_edit,
|
||||
)
|
||||
from app.ai.skill_gap_analyzer.prompts import MODULE_SCHEMAS
|
||||
from app.core.logger import log
|
||||
from app.core.redis import redis_client
|
||||
from app.schemas.skill_gap import (
|
||||
CustomizeResume, ResumeProfile, Education, Work, Internship, Project, Competition, Paragraph,
|
||||
)
|
||||
from app.models.job import Job
|
||||
from app.models.user_resume import UserResume
|
||||
from app.models.user_resume_competition import UserResumeCompetition
|
||||
from app.models.user_resume_education import UserResumeEducation
|
||||
from app.models.user_resume_internship import UserResumeInternship
|
||||
from app.models.user_resume_project import UserResumeProject
|
||||
from app.models.user_resume_work import UserResumeWork
|
||||
|
||||
# Redis 常量
|
||||
CUSTOMIZE_RESUME_KEY_PREFIX = "customize:resume:"
|
||||
CUSTOMIZE_RESUME_EXPIRE = 12 * 60 * 60 # 12小时
|
||||
CUSTOMIZE_RESUME_ROLLBACK_KEY_PREFIX = "customize:resume:rollback:"
|
||||
CUSTOMIZE_RESUME_ROLLBACK_EXPIRE = 30 * 60 # 30分钟
|
||||
|
||||
_CHARS = string.ascii_letters + string.digits
|
||||
|
||||
|
||||
def _rand_id() -> str:
|
||||
"""生成随机8位字符串标识"""
|
||||
return "".join(random.choices(_CHARS, k=8))
|
||||
|
||||
|
||||
def _build_paragraphs(description: list[dict] | None) -> list[Paragraph]:
|
||||
"""将数据库 description [{id, text}] 转为 Paragraph 列表，id 用随机8位替换"""
|
||||
if not description:
|
||||
return []
|
||||
return [Paragraph(id=_rand_id(), text=item.get("text", "")) for item in description if isinstance(item, dict)]
|
||||
|
||||
|
||||
def _build_resume_json(resume: UserResume, edu_list, work_list, intern_list, proj_list, comp_list) -> str:
|
||||
"""拼装简历 JSON 字符串供 AI 使用"""
|
||||
data = {
|
||||
"skills": resume.skills or [],
|
||||
"certificates": resume.certificates or [],
|
||||
"summary": resume.summary or "",
|
||||
"targetPosition": resume.target_position or "",
|
||||
}
|
||||
if edu_list:
|
||||
data["education"] = [{"school": r.school, "major": r.major, "degree": r.degree, "description": r.description} for r in edu_list]
|
||||
if work_list:
|
||||
data["work"] = [{"companyName": r.company_name, "position": r.position, "description": r.description} for r in work_list]
|
||||
if intern_list:
|
||||
data["internship"] = [{"companyName": r.company_name, "position": r.position, "description": r.description} for r in intern_list]
|
||||
if proj_list:
|
||||
data["project"] = [{"companyName": r.company_name, "projectName": r.project_name, "role": r.role, "description": r.description} for r in proj_list]
|
||||
if comp_list:
|
||||
data["competition"] = [{"competitionName": r.competition_name, "award": r.award, "description": r.description} for r in comp_list]
|
||||
return json.dumps(data, ensure_ascii=False)
|
||||
|
||||
|
||||
class SkillGapService:
|
||||
|
||||
def __init__(self, session: AsyncSession):
|
||||
self.session = session
|
||||
|
||||
# ===== 差距分析 =====
|
||||
|
||||
async def analyze_skill_gap(self, user_id: int, job_id: int) -> dict:
|
||||
"""差距分析完整流程：查简历 → 查岗位 → AI分析 → 计算匹配分"""
|
||||
# 1. 自动选择简历
|
||||
resume = await self._pick_resume(user_id)
|
||||
# 2. 查岗位
|
||||
job = await self._get_job(job_id)
|
||||
skill_tags: list[str] = job.skill_tags or []
|
||||
# 3. skill_tags 为空 → 满分
|
||||
if not skill_tags:
|
||||
return self._gap_result(10.0, job, resume, [])
|
||||
# 4. 查子表拼 AI 输入
|
||||
edu, work, intern, proj, comp = await self._load_sub_tables(resume.id)
|
||||
resume_json = _build_resume_json(resume, edu, work, intern, proj, comp)
|
||||
# 5. AI 分析
|
||||
missing = await analyze_skill_gap(skill_tags, resume_json)
|
||||
# 6. 计算匹配分
|
||||
score = round((len(skill_tags) - len(missing)) / len(skill_tags) * 10, 1)
|
||||
return self._gap_result(score, job, resume, missing)
|
||||
|
||||
@staticmethod
|
||||
def _gap_result(score: float, job: Job, resume: UserResume, missing: list[str]) -> dict:
|
||||
return {
|
||||
"score": score,
|
||||
"job": {"jobId": str(job.id), "title": job.title, "skillTags": job.skill_tags or []},
|
||||
"resume": {"resumeId": str(resume.id), "resumeName": resume.resume_name or "", "targetPosition": resume.target_position or ""},
|
||||
"missingSkills": missing,
|
||||
}
|
||||
|
||||
# ===== 生成定制简历 =====
|
||||
|
||||
async def generate_customize_resume(self, user_id: int, job_id: int, resume_id: int,
|
||||
optimize_modules: list[str], add_skills: list[str]) -> None:
|
||||
"""生成定制简历：查数据 → 并发AI优化 → 存Redis"""
|
||||
if not optimize_modules:
|
||||
raise ValueError("请至少选择一个优化模块")
|
||||
# 1. 查简历 + 岗位
|
||||
resume = await self._get_resume(resume_id, user_id)
|
||||
job = await self._get_job(job_id)
|
||||
edu_rows, work_rows, intern_rows, proj_rows, comp_rows = await self._load_sub_tables(resume.id)
|
||||
# 2. 组装基础定制简历
|
||||
cr = self._build_customize_resume(resume, edu_rows, work_rows, intern_rows, proj_rows, comp_rows)
|
||||
# 3. 并发 AI 优化
|
||||
tasks = []
|
||||
job_desc = f"{job.description or ''}\n{job.requirement or ''}"
|
||||
if "summary" in optimize_modules:
|
||||
tasks.append(("summary", optimize_summary(job.title or "", add_skills, resume.summary or "")))
|
||||
if "experience" in optimize_modules:
|
||||
for module_name, rows_json in self._experience_tasks(cr, job.title or "", job_desc):
|
||||
tasks.append((module_name, optimize_module(job.title or "", job_desc, rows_json)))
|
||||
# 执行并发
|
||||
if tasks:
|
||||
keys = [t[0] for t in tasks]
|
||||
results = await asyncio.gather(*[t[1] for t in tasks], return_exceptions=True)
|
||||
for key, result in zip(keys, results):
|
||||
if isinstance(result, Exception):
|
||||
log.warning(f"定制简历优化[{key}]失败: {result}")
|
||||
continue
|
||||
self._apply_optimize_result(cr, key, result)
|
||||
# 4. skills 追加（纯内存操作）
|
||||
if "skills" in optimize_modules and add_skills:
|
||||
existing = set(cr.resume.skills)
|
||||
cr.resume.skills.extend([s for s in add_skills if s not in existing])
|
||||
# 5. 存 Redis
|
||||
await self._save_customize_resume(user_id, cr)
|
||||
|
||||
@staticmethod
|
||||
def _experience_tasks(cr: CustomizeResume, job_title: str, job_desc: str) -> list[tuple[str, str]]:
|
||||
"""构建各子表的 AI 优化任务列表"""
|
||||
result = []
|
||||
for name, items in [("education", cr.education), ("work", cr.work), ("internship", cr.internship),
|
||||
("project", cr.project), ("competition", cr.competition)]:
|
||||
if items:
|
||||
result.append((name, json.dumps([item.model_dump(by_alias=True) for item in items], ensure_ascii=False)))
|
||||
return result
|
||||
|
||||
@staticmethod
|
||||
def _apply_optimize_result(cr: CustomizeResume, key: str, result) -> None:
|
||||
"""将 AI 优化结果应用到定制简历"""
|
||||
if key == "summary" and isinstance(result, str):
|
||||
cr.resume.summary = result
|
||||
elif key == "education" and isinstance(result, list):
|
||||
cr.education = [Education.model_validate(item) for item in result]
|
||||
elif key == "work" and isinstance(result, list):
|
||||
cr.work = [Work.model_validate(item) for item in result]
|
||||
elif key == "internship" and isinstance(result, list):
|
||||
cr.internship = [Internship.model_validate(item) for item in result]
|
||||
elif key == "project" and isinstance(result, list):
|
||||
cr.project = [Project.model_validate(item) for item in result]
|
||||
elif key == "competition" and isinstance(result, list):
|
||||
cr.competition = [Competition.model_validate(item) for item in result]
|
||||
|
||||
# ===== 查询 / 修改 / 回滚 =====
|
||||
|
||||
async def get_customize_resume(self, user_id: int) -> dict | None:
|
||||
"""查询定制简历"""
|
||||
key = f"{CUSTOMIZE_RESUME_KEY_PREFIX}{user_id}"
|
||||
data = await redis_client.get(key)
|
||||
if not data:
|
||||
return None
|
||||
return CustomizeResume.model_validate_json(data).model_dump(by_alias=True)
|
||||
|
||||
async def update_customize_resume(self, user_id: int, data: dict) -> None:
|
||||
"""手动编辑定制简历（整体覆盖）"""
|
||||
cr = CustomizeResume.model_validate(data)
|
||||
await self._save_customize_resume(user_id, cr)
|
||||
|
||||
async def rollback_customize_resume(self, user_id: int) -> None:
|
||||
"""回滚定制简历"""
|
||||
rollback_key = f"{CUSTOMIZE_RESUME_ROLLBACK_KEY_PREFIX}{user_id}"
|
||||
data = await redis_client.get(rollback_key)
|
||||
if not data:
|
||||
raise ValueError("没有可回滚的版本")
|
||||
key = f"{CUSTOMIZE_RESUME_KEY_PREFIX}{user_id}"
|
||||
await redis_client.set(key, data, ex=CUSTOMIZE_RESUME_EXPIRE)
|
||||
await redis_client.delete(rollback_key)
|
||||
|
||||
# ===== AI 对话编辑 =====
|
||||
|
||||
async def ai_edit_customize_resume(self, user_id: int, job_id: int,
|
||||
instruction: str, chat_history: list[dict]) -> dict:
|
||||
"""AI 对话式编辑定制简历"""
|
||||
# 1. 取当前定制简历
|
||||
key = f"{CUSTOMIZE_RESUME_KEY_PREFIX}{user_id}"
|
||||
raw = await redis_client.get(key)
|
||||
if not raw:
|
||||
raise ValueError("定制简历不存在，请先生成")
|
||||
cr = CustomizeResume.model_validate_json(raw)
|
||||
resume_json = cr.model_dump_json(by_alias=True)
|
||||
# 2. 查岗位
|
||||
job = await self._get_job(job_id)
|
||||
# 3. 规划 AI
|
||||
history_str = json.dumps(chat_history, ensure_ascii=False) if chat_history else "无"
|
||||
plan = await plan_edit(job.title or "", resume_json, history_str, instruction)
|
||||
if not plan:
|
||||
return {"type": "message", "message": "抱歉，我没有理解你的意思，请再描述一下。"}
|
||||
if plan.get("action") == "chat":
|
||||
return {"type": "message", "message": plan.get("message", "请再描述一下你的需求。")}
|
||||
# 4. 按模块并发执行修改
|
||||
modules = plan.get("modules", [])
|
||||
if not modules:
|
||||
return {"type": "message", "message": plan.get("message", "请再描述一下你的需求。")}
|
||||
edit_tasks = []
|
||||
for m in modules:
|
||||
mod_name = m.get("module", "")
|
||||
mod_instr = m.get("instruction", "")
|
||||
schema = MODULE_SCHEMAS.get(mod_name, "")
|
||||
mod_data = self._get_module_data(cr, mod_name)
|
||||
edit_tasks.append((mod_name, execute_module_edit(job.title or "", mod_instr, schema, mod_data)))
|
||||
keys = [t[0] for t in edit_tasks]
|
||||
results = await asyncio.gather(*[t[1] for t in edit_tasks], return_exceptions=True)
|
||||
# 5. 合并结果
|
||||
for mod_key, result in zip(keys, results):
|
||||
if isinstance(result, Exception):
|
||||
log.warning(f"AI编辑模块[{mod_key}]失败: {result}")
|
||||
continue
|
||||
if result is None:
|
||||
continue
|
||||
self._apply_edit_result(cr, mod_key, result)
|
||||
# 6. 保存回滚 + 新版本
|
||||
rollback_key = f"{CUSTOMIZE_RESUME_ROLLBACK_KEY_PREFIX}{user_id}"
|
||||
await redis_client.set(rollback_key, raw, ex=CUSTOMIZE_RESUME_ROLLBACK_EXPIRE)
|
||||
await self._save_customize_resume(user_id, cr)
|
||||
label = plan.get("updatedModulesLabel", "简历内容")
|
||||
return {"type": "updated", "message": f"完成！已更新：{label}"}
|
||||
|
||||
@staticmethod
|
||||
def _get_module_data(cr: CustomizeResume, mod_name: str) -> str:
|
||||
"""获取指定模块的 JSON 数据"""
|
||||
if mod_name == "resume":
|
||||
return cr.resume.model_dump_json(by_alias=True)
|
||||
mapping = {"education": cr.education, "work": cr.work, "internship": cr.internship,
|
||||
"project": cr.project, "competition": cr.competition}
|
||||
items = mapping.get(mod_name, [])
|
||||
return json.dumps([item.model_dump(by_alias=True) for item in items], ensure_ascii=False)
|
||||
|
||||
@staticmethod
|
||||
def _apply_edit_result(cr: CustomizeResume, mod_name: str, result) -> None:
|
||||
"""将 AI 编辑结果应用到定制简历"""
|
||||
try:
|
||||
if mod_name == "resume" and isinstance(result, dict):
|
||||
cr.resume = ResumeProfile.model_validate(result)
|
||||
elif mod_name == "education" and isinstance(result, list):
|
||||
cr.education = [Education.model_validate(item) for item in result]
|
||||
elif mod_name == "work" and isinstance(result, list):
|
||||
cr.work = [Work.model_validate(item) for item in result]
|
||||
elif mod_name == "internship" and isinstance(result, list):
|
||||
cr.internship = [Internship.model_validate(item) for item in result]
|
||||
elif mod_name == "project" and isinstance(result, list):
|
||||
cr.project = [Project.model_validate(item) for item in result]
|
||||
elif mod_name == "competition" and isinstance(result, list):
|
||||
cr.competition = [Competition.model_validate(item) for item in result]
|
||||
except Exception as e:
|
||||
log.warning(f"应用AI编辑结果[{mod_name}]失败: {e}")
|
||||
|
||||
# ===== 内部工具方法 =====
|
||||
|
||||
async def _pick_resume(self, user_id: int) -> UserResume:
|
||||
"""自动选择简历：先查默认，再查最新"""
|
||||
result = await self.session.execute(
|
||||
select(UserResume).where(UserResume.user_id == user_id, UserResume.is_default == 1)
|
||||
.order_by(desc(UserResume.update_time)).limit(1))
|
||||
resume = result.scalar_one_or_none()
|
||||
if not resume:
|
||||
result = await self.session.execute(
|
||||
select(UserResume).where(UserResume.user_id == user_id)
|
||||
.order_by(desc(UserResume.update_time)).limit(1))
|
||||
resume = result.scalar_one_or_none()
|
||||
if not resume:
|
||||
raise ValueError("请先创建简历")
|
||||
return resume
|
||||
|
||||
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 _get_job(self, job_id: int) -> Job:
|
||||
"""查岗位"""
|
||||
result = await self.session.execute(select(Job).where(Job.id == job_id))
|
||||
job = result.scalar_one_or_none()
|
||||
if not job:
|
||||
raise ValueError("岗位不存在")
|
||||
return job
|
||||
|
||||
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
|
||||
|
||||
def _build_customize_resume(self, resume: UserResume, edu_rows, work_rows,
|
||||
intern_rows, proj_rows, comp_rows) -> CustomizeResume:
|
||||
"""从数据库记录组装 CustomizeResume"""
|
||||
profile = ResumeProfile(
|
||||
avatarUrl=resume.avatar_url or "", name=resume.name or "", email=resume.email or "",
|
||||
mobileNumber=resume.mobile_number or "", city=resume.city or "",
|
||||
wechatNumber=resume.wechat_number or "", portfolioUrl=resume.portfolio_url or "",
|
||||
skills=resume.skills or [], certificates=resume.certificates or [],
|
||||
summary=resume.summary or "",
|
||||
)
|
||||
return CustomizeResume(
|
||||
resume=profile,
|
||||
education=[Education(id=_rand_id(), school=r.school or "", major=r.major or "",
|
||||
degree=r.degree or "", studyType=r.study_type or "",
|
||||
startDate=r.start_date or "", endDate=r.end_date or "",
|
||||
description=_build_paragraphs(r.description)) for r in edu_rows],
|
||||
work=[Work(id=_rand_id(), companyName=r.company_name or "", position=r.position or "",
|
||||
startDate=r.start_date or "", endDate=r.end_date or "",
|
||||
description=_build_paragraphs(r.description)) for r in work_rows],
|
||||
internship=[Internship(id=_rand_id(), companyName=r.company_name or "", position=r.position or "",
|
||||
startDate=r.start_date or "", endDate=r.end_date or "",
|
||||
description=_build_paragraphs(r.description)) for r in intern_rows],
|
||||
project=[Project(id=_rand_id(), companyName=r.company_name or "", projectName=r.project_name or "",
|
||||
role=r.role or "", startDate=r.start_date or "", endDate=r.end_date or "",
|
||||
description=_build_paragraphs(r.description)) for r in proj_rows],
|
||||
competition=[Competition(id=_rand_id(), competitionName=r.competition_name or "", award=r.award or "",
|
||||
awardDate=r.award_date or "",
|
||||
description=_build_paragraphs(r.description)) for r in comp_rows],
|
||||
)
|
||||
|
||||
@staticmethod
|
||||
async def _save_customize_resume(user_id: int, cr: CustomizeResume) -> None:
|
||||
"""存定制简历到 Redis"""
|
||||
key = f"{CUSTOMIZE_RESUME_KEY_PREFIX}{user_id}"
|
||||
await redis_client.set(key, cr.model_dump_json(by_alias=True), ex=CUSTOMIZE_RESUME_EXPIRE)
|
||||
Reference in New Issue
Block a user