offerpai/offerpai_python_ai
6
0
Fork 0
Code Issues Packages Projects Releases Wiki Activity

优化 岗位编辑agent 性能

Browse Source
This commit is contained in:
zk
2026-04-14 12:12:46 +08:00
parent 9bc8bb492c
commit ebffbc8615
4 changed files with 326 additions and 120 deletions
Download Patch File Download Diff File Expand all files Collapse all files
app/ai/skill_gap_analyzer/analyzer.py
+42 -13
View File
@@ -14,7 +14,7 @@ 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,
AGENT_PLAN_PROMPT, AGENT_MODULE_EDIT_PROMPT, AGENT_MODULE_ADD_PROMPT, MODULE_SCHEMAS,
)
from app.core.logger import log
@@ -100,11 +100,13 @@ _plan_chain = (
)
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"""
async def plan_edit(job_title: str, job_description: str, resume_json: str,
chat_history: str, instruction: str) -> dict | None:
"""Agent 规划：分析用户指令，返回原子操作列表或对话回复"""
try:
raw = await _plan_chain.ainvoke({
"job_title": job_title, "resume_json": resume_json,
"job_title": job_title, "job_description": job_description,
"resume_json": resume_json,
"chat_history": chat_history, "instruction": instruction,
})
result = _parse_json(raw)
@@ -114,24 +116,51 @@ async def plan_edit(job_title: str, resume_json: str, chat_history: str, instruc
return None
# ===== Agent - 模块修改 =====
# ===== Agent - 单条记录修改 =====
_module_edit_chain = (
_record_edit_chain = (
ChatPromptTemplate.from_messages([("system", AGENT_MODULE_EDIT_PROMPT), ("human", "请执行修改。")])
| LLM.GPT_4O.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"""
async def execute_record_edit(job_title: str, job_description: str, instruction: str,
chat_history: str, module_schema: str,
record_data: str) -> dict | list | None:
"""修改单条记录：根据指令修改指定记录数据"""
try:
raw = await _module_edit_chain.ainvoke({
"job_title": job_title, "module_instruction": module_instruction,
"module_schema": module_schema, "module_data": module_data,
raw = await _record_edit_chain.ainvoke({
"job_title": job_title, "job_description": job_description,
"instruction": instruction, "chat_history": chat_history,
"module_schema": module_schema, "record_data": record_data,
})
return _parse_json(raw)
except Exception as e:
log.warning(f"AI模块修改失败: {e}")
log.warning(f"AI单条记录修改失败: {e}")
return None
# ===== Agent - 新增记录 =====
_record_add_chain = (
ChatPromptTemplate.from_messages([("system", AGENT_MODULE_ADD_PROMPT), ("human", "请生成新记录。")])
| LLM.GPT_4O.create(temperature=0.3)
| StrOutputParser()
)
async def execute_record_add(job_title: str, job_description: str, instruction: str,
chat_history: str, module_schema: str) -> dict | None:
"""新增一条记录：根据指令生成新记录"""
try:
raw = await _record_add_chain.ainvoke({
"job_title": job_title, "job_description": job_description,
"instruction": instruction, "chat_history": chat_history,
"module_schema": module_schema,
})
result = _parse_json(raw)
return result if isinstance(result, dict) else None
except Exception as e:
log.warning(f"AI新增记录失败: {e}")
return None
app/ai/skill_gap_analyzer/prompts.py
+53 -22
View File
@@ -52,10 +52,11 @@ EXPERIENCE_OPTIMIZE_PROMPT = """你是一个简历优化助手。根据目标岗
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。
AGENT_PLAN_PROMPT = """你是一个简历编辑助手。分析用户的指令，将其拆解为原子操作。
【目标岗位】
{job_title}
{job_description}
【当前简历】
{resume_json}
@@ -66,43 +67,73 @@ 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：
如果用户指令不明确或需要澄清，返回：
{{"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。"""
如果用户指令明确，将其拆解为原子操作列表，返回：
{{"action": "modify", "operations": [...]}}
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。
操作类型：
1. 删除记录：{{"type": "delete", "module": "模块名", "id": "记录id"}}
2. 修改记录：{{"type": "update", "module": "模块名", "id": "记录id", "instruction": "修改说明(50字内)"}}
3. 修改主表：{{"type": "update", "module": "resume", "instruction": "修改说明(50字内)"}}
4. 新增记录：{{"type": "add", "module": "模块名", "instruction": "新增说明(50字内)"}}
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"""
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。
【目标岗位】
{job_title}
{job_description}
【修改要求】
{module_instruction}
{instruction}
【最近对话】
{chat_history}
【模块数据结构】
{module_schema}
【当前模块数据】
{module_data}
【当前记录数据】
{record_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
1. 严格按照修改要求操作
2. 未要求修改的字段保持不变
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）"""
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，删除段落直接移除
6. 返回修改后的完整记录数据（JSON 格式，与输入格式一致）"""
AGENT_MODULE_ADD_PROMPT = """你是一个简历编辑助手。根据要求，生成一条新的简历记录。
【目标岗位】
{job_title}
{job_description}
【新增要求】
{instruction}
【最近对话】
{chat_history}
【模块数据结构】
{module_schema}
规则：
1. 按照模块数据结构生成完整字段
2. id 使用随机8位字符串
3. description 中每个段落的 id 也使用随机8位字符串
4. 内容要合理真实，贴合目标岗位方向
5. 返回一条完整记录的 JSON，与模块数据结构一致"""
# 各模块数据结构定义（传入 prompt 的 module_schema）
MODULE_SCHEMAS: dict[str, str] = {