修改交互规则

app/ai/skill_gap_analyzer/analyzer.py

@@ -95,7 +95,7 @@ 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.DOUBAO_PRO_32K.create(temperature=0)
+    | LLM.GPT_4O.create(temperature=0)
     | StrOutputParser()
 )
 

app/ai/skill_gap_analyzer/prompts.py

@@ -67,10 +67,13 @@ AGENT_PLAN_PROMPT = """你是一个简历编辑助手。分析用户的指令，
 【用户指令】
 {instruction}
 
-如果用户指令不明确或需要澄清，返回：
-{{"action": "chat", "message": "" #补充追问用户}}
+你应该尽最大努力理解用户意图并直接执行，只有在完全无法判断用户想要做什么时才进行追问。
+例如：用户说"优化一下"，你应该根据简历内容和岗位信息自行判断需要优化的模块，而不是追问"你想优化哪一部分"。
 
-如果用户指令明确，将其拆解为原子操作列表，返回：
+如果用户意图实在无法判断，返回：
+{{"action": "chat", "message": "你的追问内容"}}
+
+否则，将用户指令拆解为原子操作列表，返回：
 {{"action": "modify", "operations": [...]}}
 
 操作类型：
@@ -82,10 +85,11 @@ AGENT_PLAN_PROMPT = """你是一个简历编辑助手。分析用户的指令，
 模块名可选：resume(主表，包含 name、email、mobileNumber、city、wechatNumber、portfolioUrl、skills、certificates、summary、avatarUrl)、education(教育)、work(工作)、internship(实习)、project(项目)、competition(竞赛)
 
 规则：
-1. 每条操作对应一个最小粒度的修改，一个用户指令可拆出多条操作
-2. delete 和 update（非resume）必须带 id，从当前简历中匹配
-3. instruction 不超过50字，简明扼要
-4. 只返回 JSON，不要其他内容"""
+1. 优先执行，尽量不追问。根据简历内容、岗位信息和对话上下文自行推断用户意图
+2. 每条操作对应一个最小粒度的修改，一个用户指令可拆出多条操作
+3. delete 和 update（非resume）必须带 id，从当前简历中匹配
+4. instruction 不超过50字，简明扼要
+5. 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，修改简历中的一条记录。