删除的对话接口

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

@@ -1,118 +0,0 @@
-# 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

.kiro/steering/代码开发风格文档.md

@@ -143,7 +143,7 @@ inclusion: manual
 
 ### 模型引用示例
 ```python
-from app.ai.model_config import SkillGapModel
+from app.ai.model_config import SkillGapModel, NovaChatModel
 
 # chain 中直接使用配置类属性（已经是 ChatOpenAI 实例）
 _plan_chain = (
@@ -153,7 +153,7 @@ _plan_chain = (
 )
 
 # 非 chain 场景直接 await 调用
-result = await JobAgentModel.CHAT.ainvoke(messages)
+result = await NovaChatModel.CHAT.ainvoke(messages)
 ```
 
 ### 新增 AI 场景步骤

.kiro/steering/项目结构说明.md

@@ -45,9 +45,8 @@ offerpie_python_ai/
     │   ├─ 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（原子化操作）/ 单条记录修改 / 新增记录 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 + 单条记录修改 + 新增记录）
-    │   ├─ job_agent/             # 求职助手 Agent AI 模块
+    │   ├─ job_agent/             # 求职助手 Agent AI 模块（岗位简历优化）
-    │   │   ├─ prompts.py             # 对话 System Prompt + 岗位简历优化 Prompt 模板
+    │   │   ├─ prompts.py             # 岗位简历优化 Prompt 模板
-    │   │   ├─ chat.py                # AI 对话引擎（构造 prompt + 拼 messages + 调 LLM + 解析返回）
     │   │   └─ resume_optimizer.py    # 岗位简历优化 AI 引擎（summary优化 + 经历优化，独立 chain）
     │   └─ nova_chat/             # Nova 对话助手 AI 模块
     │       ├─ prompts.py             # Nova 对话 System Prompt（岗位匹配评估 + 简历优化建议 + 通用求职对话）
@@ -59,7 +58,7 @@ offerpie_python_ai/
     │   ├─ 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           # 技能差距分析接口（差距分析 / 生成定制简历 / AI对话编辑）
     │   ├─ customize_resume.py    # 定制简历接口（查询 / 修改 / 回滚）
-    │   ├─ job_agent_chat.py      # 求职助手接口（POST /job-agent/chat 对话、POST /job-agent/optimize-resume 岗位简历优化）
+    │   ├─ job_agent_chat.py      # 求职助手接口（POST /job-agent/optimize-resume 岗位简历优化）
     │   └─ nova_chat.py           # Nova 对话助手接口（POST /nova-chat/chat 纯对话，支持可选岗位上下文）
     │
     ├─ models/                    # **ORM 模型层**（SQLAlchemy 声明式映射）
@@ -86,7 +85,7 @@ offerpie_python_ai/
     ├─ 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）
     │   ├─ customize_resume.py        # 定制简历 Schema（CustomizeResume、ResumeProfile、Education、Work、Internship、Project、Competition、Paragraph）
-    │   ├─ job_agent_chat.py          # 求职助手对话 Schema（JobAgentChatParam、JobAgentChatDto、ToolParams）
+    │   ├─ job_agent_chat.py          # 求职助手岗位简历优化 Schema（OptimizeResumeParam）
     │   └─ nova_chat.py               # Nova 对话助手 Schema（NovaChatParam、NovaChatDto）
     │
     └─ services/                  # **业务逻辑层**
@@ -96,7 +95,7 @@ offerpie_python_ai/
         ├─ skill_gap_service.py           # 技能差距分析服务（差距分析→定制简历生成→AI对话编辑）
         ├─ resume_loader.py               # 简历统一查询模块（按ID查/自动选默认+5张子表，返回 ResumeDetail dataclass）
         ├─ customize_resume_store.py      # 定制简历存取模块（数据库持久化 + Redis回滚备份、按用户+岗位维度存取）
-        ├─ job_agent_chat_service.py      # 求职助手对话服务（查简历→序列化→调AI模块完成对话）
+        ├─ job_agent_chat_service.py      # 求职助手服务（查简历+岗位→并发AI优化简历→存库）
         └─ nova_chat_service.py           # Nova 对话助手服务（查简历+查岗位(可选)→调AI，纯对话不持久化）
 ```
 
@@ -105,11 +104,11 @@ 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（models.py）、`model_config.py`（场景模型配置）、`resume_extractor/`（简历并行提取）、`resume_polisher/`（简历段落润色）、`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_polisher/`（简历段落润色）、`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 + 段落润色）、`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） |
+| **api** | REST API 路由定义 | `health.py`（健康检查）、`resume.py`（简历上传解析 + 段落润色）、`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(.docx)/TXT/Markdown 文件解析为文本单元数组）、`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） |
-| **services** | 业务逻辑实现 | `FuncPermissionService`（功能权限校验、扣减、回退）、`ResumeService`（简历文件解析→AI结构化→入库 + 段落润色）、`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→AI对话编辑）、`resume_loader`（简历统一查询，返回ResumeDetail）、`customize_resume_store`（定制简历数据库存取+数据构建，按用户+岗位维度，Redis回滚备份）、`JobAgentChatService`（求职助手对话+岗位简历优化）、`NovaChatService`（Nova对话助手，查简历+查岗位→调AI） |
+| **services** | 业务逻辑实现 | `FuncPermissionService`（功能权限校验、扣减、回退）、`ResumeService`（简历文件解析→AI结构化→入库 + 段落润色）、`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→AI对话编辑）、`resume_loader`（简历统一查询，返回ResumeDetail）、`customize_resume_store`（定制简历数据库存取+数据构建，按用户+岗位维度，Redis回滚备份）、`JobAgentChatService`（求职助手岗位简历优化）、`NovaChatService`（Nova对话助手，查简历+查岗位→调AI） |
 
 ## 3️⃣ 技术栈
 | 类别 | 技术选型 | 说明 |
@@ -179,7 +178,7 @@ offerpie_python_ai/
 | 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 |
+| `JobAgentModel` | 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 |

app/ai/job_agent/chat.py

@@ -1,51 +0,0 @@
-"""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.model_config import JobAgentModel
-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:
-        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}")
-        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

@@ -1,41 +1,4 @@
-"""求职助手 Agent 对话 Prompt 模板 + 岗位简历优化 Prompt"""
+"""求职助手 Agent 岗位简历优化 Prompt"""
-
-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"
-7. 触发工具时（tool 非 null），前端会在消息展示后再打开对应面板/列表，message 只做一句简短的"即将..."提示，不要追问"想怎么调整"、"有什么偏好"等引导用户在对话里继续输入的话
-   - 注意工具调用是置后的：message 先展示给用户，面板/列表随后打开，所以用将来时态，不要用"已为你..."这种完成时
-   - recommend 示例："好的，正在为你匹配合适的岗位"
-   - editPreference 示例："好的，为你打开偏好设置"
-"""
 
 
 # ===== 岗位简历优化 Prompt =====

app/ai/model_config.py

@@ -24,8 +24,6 @@ class SkillGapModel:
 
 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.DOUBAO_PRO_32K.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.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

app/api/job_agent_chat.py

@@ -1,30 +1,16 @@
-"""求职助手 Agent 对话接口"""
+"""求职助手 Agent 岗位简历优化接口"""
 
 from fastapi import APIRouter, Depends
 
 from app.core.auth import func_permission
 from app.core.context import RequestContext
 from app.core.database import get_db
-from app.schemas.job_agent_chat import JobAgentChatParam, OptimizeResumeParam
+from app.schemas.job_agent_chat import OptimizeResumeParam
 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
-
-
 @router.post("/optimize-resume", summary="针对岗位优化简历")
 async def optimize_resume(param: OptimizeResumeParam, _: None = Depends(func_permission("resume_custom"))):
     """根据目标岗位，AI并发优化简历（summary + 5张子表经历），存Redis并返回"""

app/schemas/job_agent_chat.py

@@ -1,41 +1,11 @@
-"""求职助手 Agent 对话 Schema
+"""求职助手 Agent 岗位简历优化 Schema
 
-请求参数 Param、响应 Dto。
+请求参数 Param。
 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}
-
 
 class OptimizeResumeParam(BaseModel):
     resume_id: int = Field(..., alias="resumeId", description="简历ID")

app/services/job_agent_chat_service.py

@@ -1,7 +1,7 @@
-"""求职助手 Agent 对话 + 岗位简历优化 Service
+"""求职助手 Agent 岗位简历优化 Service
 
-主要功能：查询简历数据，调用 AI 模块完成对话；针对岗位并发优化简历。
+主要功能：针对岗位并发优化简历。
-依赖：resume_loader（简历统一查询）、customize_resume_store（定制简历存取+构建）、job_agent.chat AI 模块、job_agent.resume_optimizer（岗位简历优化）
+依赖：resume_loader（简历统一查询）、customize_resume_store（定制简历存取+构建）、job_agent.resume_optimizer（岗位简历优化）
 使用表：bg_user_resume + 5张子表（通过 resume_loader 查询）、bg_job（查岗位）
 """
 
@@ -12,12 +12,11 @@ import time
 from sqlalchemy import select
 from sqlalchemy.ext.asyncio import AsyncSession
 
-from app.ai.job_agent.chat import agent_chat
 from app.ai.job_agent.resume_optimizer import optimize_summary, optimize_experience_record
 from app.core.logger import log
 from app.models.job import Job
 from app.schemas.customize_resume import CustomizeResume, Education, Work, Internship, Project, Competition
-from app.services.resume_loader import ResumeDetail, load_resume_detail
+from app.services.resume_loader import load_resume_detail
 from app.services import customize_resume_store
 
 
@@ -26,51 +25,6 @@ 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"""
-        detail = await load_resume_detail(self.session, resume_id, user_id)
-        resume_text = self._build_resume_text(detail)
-        return await agent_chat(resume_text, message, history, job_categories, regions, industries)
-
-    @staticmethod
-    def _build_resume_text(detail: ResumeDetail) -> str:
-        """将简历数据序列化为文本供 AI 使用"""
-        resume = detail.resume
-        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 detail.education:
-            parts.append("教育经历：")
-            for r in detail.education:
-                parts.append(f"  - {r.school or ''} {r.major or ''} {r.degree or ''}")
-        if detail.work:
-            parts.append("工作经历：")
-            for r in detail.work:
-                parts.append(f"  - {r.company_name or ''} {r.position or ''}")
-        if detail.internship:
-            parts.append("实习经历：")
-            for r in detail.internship:
-                parts.append(f"  - {r.company_name or ''} {r.position or ''}")
-        if detail.project:
-            parts.append("项目经历：")
-            for r in detail.project:
-                parts.append(f"  - {r.project_name or ''} {r.role or ''}")
-        if detail.competition:
-            parts.append("竞赛经历：")
-            for r in detail.competition:
-                parts.append(f"  - {r.competition_name or ''} {r.award or ''}")
-        return "\n".join(parts) if parts else "暂无简历信息"
-
     async def optimize_resume(self, user_id: int, resume_id: int, job_id: int) -> dict:
         """针对岗位优化简历：查简历+岗位 → 构建定制简历 → 按单条记录并发AI优化 → 存数据库 → 返回"""
         # 1. 查简历 + 岗位