Compare commits
12
Commits
89d033c9f9
..
test
| Author | SHA1 | Date | |
|---|---|---|---|
 zk
|
62dc9b4e84 | ||
|
zk
|
35080327d6 | ||
|
zk
|
8051933dcf | ||
|
zk
|
dc1590f404 | ||
|
zk
|
54f5c0ac63 | ||
|
zk
|
3047c47916 | ||
|
zk
|
f98b87379f | ||
|
zk
|
b50eb98653 | ||
|
zk
|
65d711ec25 | ||
|
zk
|
410ab09561 | ||
|
zk
|
7ca1d58721 | ||
|
zk
|
af6195ba4e |
+23
@@ -54,3 +54,26 @@ nosetests.xml
|
|||||||
coverage.xml
|
coverage.xml
|
||||||
*.cover
|
*.cover
|
||||||
.hypothesis/
|
.hypothesis/
|
||||||
|
|
||||||
|
# Kiro 本地配置
|
||||||
|
.kiro/
|
||||||
|
|
||||||
|
# ===== IDE / 编辑器（补充） =====
|
||||||
|
.vs/
|
||||||
|
.fleet/
|
||||||
|
.history/
|
||||||
|
*.iml
|
||||||
|
*.ipr
|
||||||
|
*.iws
|
||||||
|
|
||||||
|
# ===== AI 编码工具 =====
|
||||||
|
.claude/
|
||||||
|
.codex/
|
||||||
|
.cursor/
|
||||||
|
.cursorrules
|
||||||
|
.windsurf/
|
||||||
|
.continue/
|
||||||
|
.aider*
|
||||||
|
|
||||||
|
# ===== 操作系统 =====
|
||||||
|
desktop.ini
|
||||||
|
|||||||
@@ -1,427 +0,0 @@
|
|||||||
# 简历诊断功能 - 技术方案
|
|
||||||
|
|
||||||
## 一、功能概述
|
|
||||||
|
|
||||||
对用户已有简历的**描述文本**进行 AI 诊断，找出问题、给出改进建议和 AI 改写版本，生成诊断报告。
|
|
||||||
|
|
||||||
### 诊断范围（只诊断描述文本）
|
|
||||||
|
|
||||||
| 来源表 | 字段 | module_type |
|
|
||||||
|--------|------|-------------|
|
|
||||||
| bg_user_resume | summary（个人概述） | summary |
|
|
||||||
| bg_user_resume_education | description | education |
|
|
||||||
| bg_user_resume_work | description | work |
|
|
||||||
| bg_user_resume_internship | description | internship |
|
|
||||||
| bg_user_resume_project | description | project |
|
|
||||||
| bg_user_resume_competition | description | competition |
|
|
||||||
|
|
||||||
### 执行策略：先分后合
|
|
||||||
|
|
||||||
```
|
|
||||||
第一阶段：所有模块记录并行 AI 诊断（asyncio.gather）
|
|
||||||
第二阶段：汇总 issues → 代码算评级 → AI 生成整体评价 → 写入数据库
|
|
||||||
```
|
|
||||||
|
|
||||||
AI 模型：`LLM.DOUBAO_SEED_PRO`，暂不接入功能权限校验。
|
|
||||||
|
|
||||||
---
|
|
||||||
|
|
||||||
## 二、问题分类与诊断判断思路
|
|
||||||
|
|
||||||
### 2.1 紧急修复（urgent）
|
|
||||||
|
|
||||||
#### typo — 错别字 / 语病
|
|
||||||
|
|
||||||
**判断思路：**
|
|
||||||
- 检查文本中是否存在明显的**错别字**（如"功则"应为"功能"、"负责"写成"付责"）
|
|
||||||
- 检查是否存在**语病**：主谓搭配不当、语序混乱、成分残缺
|
|
||||||
- 检查**标点符号**使用错误：中英文标点混用、缺少句号、逗号过多造成长句
|
|
||||||
- 检查**用词不当**：近义词误用、口语化表达出现在正式简历中
|
|
||||||
|
|
||||||
**AI 判断信号：**
|
|
||||||
- 同音字替换（的/得/地 混用）
|
|
||||||
- 句子读不通顺，需要反复阅读才能理解
|
|
||||||
- 专业术语拼写错误
|
|
||||||
- 一句话中出现多个逗号，缺少句号断句
|
|
||||||
|
|
||||||
---
|
|
||||||
|
|
||||||
### 2.2 重点优化（important）
|
|
||||||
|
|
||||||
#### no_result — 缺少成果
|
|
||||||
|
|
||||||
**判断思路：**
|
|
||||||
- 描述只写了"做了什么"（任务/职责），没有写"做出了什么结果"
|
|
||||||
- 典型的**流水账式描述**：只有动作没有产出
|
|
||||||
- 缺少对业务/团队/项目的**实际贡献**和**影响**
|
|
||||||
|
|
||||||
**AI 判断信号：**
|
|
||||||
- 只有动词+宾语（"负责XX系统开发"、"参与XX项目"），没有后续的结果说明
|
|
||||||
- 全是过程描述，找不到"提升了"、"优化了"、"实现了"、"完成了"等结果性表述
|
|
||||||
- 对比 STAR 法则：有 Situation + Task + Action，但缺 Result
|
|
||||||
|
|
||||||
**正面示例（有成果）：**
|
|
||||||
> 负责用户中心系统重构，将接口响应时间从 800ms 降至 200ms，用户投诉率下降 60%
|
|
||||||
|
|
||||||
**反面示例（缺成果）：**
|
|
||||||
> 负责用户中心系统重构，使用 Spring Boot + Redis 实现了新的架构
|
|
||||||
|
|
||||||
#### no_quantify — 缺少量化
|
|
||||||
|
|
||||||
**判断思路：**
|
|
||||||
- 有成果描述但**没有具体数字**支撑
|
|
||||||
- 使用了模糊表达："大幅提升"、"显著改善"、"大量用户"，但没有具体数值
|
|
||||||
- 缺少以下任何维度的量化：人数、金额、百分比、时间周期、覆盖范围、处理规模
|
|
||||||
|
|
||||||
**AI 判断信号：**
|
|
||||||
- 出现"大幅"、"显著"、"有效"、"极大"等模糊程度副词，但没有跟随数字
|
|
||||||
- 提到了结果但只是定性描述，没有定量数据
|
|
||||||
- 可以合理推断应该有数据但未提供（如"提升了性能"没说提升多少）
|
|
||||||
|
|
||||||
**正面示例（有量化）：**
|
|
||||||
> 优化数据库查询，将平均响应时间从 2s 降至 200ms，日处理订单量从 5 万提升至 20 万
|
|
||||||
|
|
||||||
**反面示例（缺量化）：**
|
|
||||||
> 优化数据库查询，显著提升了系统性能，改善了用户体验
|
|
||||||
|
|
||||||
#### weak_relevance — 岗位相关性弱
|
|
||||||
|
|
||||||
> **前置条件：仅在 `target_position` 有值时才判断，未填目标岗位则跳过此维度，计数为 0。**
|
|
||||||
|
|
||||||
**判断思路：**
|
|
||||||
- 需要结合 `target_position`（目标岗位）进行判断
|
|
||||||
- 描述内容与目标岗位的**核心职责**关联度低
|
|
||||||
- 花大量篇幅描述与目标岗位**无关的技能或经历**
|
|
||||||
- 对于目标岗位来说，这段描述**无法体现匹配度**
|
|
||||||
|
|
||||||
**AI 判断信号：**
|
|
||||||
- 目标岗位是"Java后端工程师"，但描述中全是前端或运营内容
|
|
||||||
- 描述的技能/工具与目标岗位的 JD 常见要求差距大
|
|
||||||
- 可转移技能存在但未被强调，反而突出了无关内容
|
|
||||||
|
|
||||||
---
|
|
||||||
|
|
||||||
### 2.3 表达提升（expression）
|
|
||||||
|
|
||||||
#### not_concise — 表述不精炼
|
|
||||||
|
|
||||||
**判断思路：**
|
|
||||||
- 句子**偏长**（单句超过 50 字），信息密度低
|
|
||||||
- 存在**赘词和重复表达**："进行了开发"可简化为"开发了"
|
|
||||||
- **信息堆叠**：一句话塞了太多内容，应拆分为多个要点
|
|
||||||
- 使用了**空泛的修饰词**："充分"、"积极"、"认真"等无实质信息
|
|
||||||
|
|
||||||
**AI 判断信号：**
|
|
||||||
- 单个描述段落超过 80 字但核心信息只有一个
|
|
||||||
- 出现"进行了"、"完成了对...的"、"负责了...的工作"等冗余句式
|
|
||||||
- 同一段落中重复表达相似的意思
|
|
||||||
- 可以删去一半文字而不损失关键信息
|
|
||||||
|
|
||||||
**正面示例（精炼）：**
|
|
||||||
> 设计并实现分布式缓存方案，QPS 从 1000 提升至 8000，缓存命中率 95%
|
|
||||||
|
|
||||||
**反面示例（不精炼）：**
|
|
||||||
> 在项目中，我积极主动地参与了分布式缓存方案的设计与实现工作，通过对缓存策略的深入研究和反复优化，最终成功地将系统的 QPS 从原来的 1000 提升到了 8000
|
|
||||||
|
|
||||||
#### format_inconsistent — 格式不统一
|
|
||||||
|
|
||||||
**判断思路：**
|
|
||||||
- 同一份简历中**时间格式不统一**（有的写"2023.06"，有的写"2023年6月"，有的写"2023/06"）
|
|
||||||
- **标点风格不统一**：有的段落用分号结尾，有的用句号，有的不加标点
|
|
||||||
- **数字写法不统一**：有的用阿拉伯数字，有的用中文数字
|
|
||||||
- **项目符号不统一**：有的用"•"，有的用"-"，有的用"1."
|
|
||||||
- **人称不统一**：有的用"我"，有的用第三人称，有的省略主语
|
|
||||||
|
|
||||||
**AI 判断信号：**
|
|
||||||
- 同一段描述中出现两种以上的格式风格
|
|
||||||
- 与模块上下文中的时间格式不一致
|
|
||||||
- 段落之间的排版结构差异明显
|
|
||||||
|
|
||||||
---
|
|
||||||
|
|
||||||
## 三、综合评级规则
|
|
||||||
|
|
||||||
由代码硬算，不依赖 AI 判断：
|
|
||||||
|
|
||||||
| 评级 | 条件 | 评语 |
|
|
||||||
|------|------|------|
|
|
||||||
| A（优秀） | urgent=0, important<=1, expression<=1 | 您的简历相当出彩，在求职市场中格外抢眼，能清晰展现您的优势与经历，已经超越绝大多数候选人了。 |
|
|
||||||
| B（良好） | urgent=0, important 2-3, expression<=2 | 简历已经很棒了，但还有提升的潜力。再调整一下细节，会有更具有竞争力！ |
|
|
||||||
| C（一般） | urgent=1, 或 important 3-4 | 你的简历还有打磨空间，多推敲细节、补充些具体内容，整体会更出彩。 |
|
|
||||||
| D（待提升） | urgent>=2, 或 (important>=4 且 has_weak_relevance) | 您的简历目前还有较大提升空间，建议尽快补充关键经历、完善内容表达，并优化整体结构。 |
|
|
||||||
|
|
||||||
判断优先级：从 D → C → B → A 依次判断，命中即返回。
|
|
||||||
|
|
||||||
---
|
|
||||||
|
|
||||||
## 四、数据库表设计
|
|
||||||
|
|
||||||
### bg_resume_diagnosis_report
|
|
||||||
|
|
||||||
| 字段 | 类型 | 说明 |
|
|
||||||
|------|------|------|
|
|
||||||
| id | BigInteger | 主键，雪花ID |
|
|
||||||
| resume_id | BigInteger | 关联 bg_user_resume.id |
|
|
||||||
| user_id | BigInteger | 用户ID |
|
|
||||||
| grade | VARCHAR(1) | 评级 A/B/C/D |
|
|
||||||
| summary | TEXT | AI 生成的整体评价 |
|
|
||||||
| urgent_total | Integer | 紧急修复总数 |
|
|
||||||
| important_total | Integer | 重点优化总数 |
|
|
||||||
| expression_total | Integer | 表达提升总数 |
|
|
||||||
| create_time | DateTime | 创建时间 |
|
|
||||||
| update_time | DateTime | 更新时间 |
|
|
||||||
|
|
||||||
### bg_resume_diagnosis_issue
|
|
||||||
|
|
||||||
| 字段 | 类型 | 说明 |
|
|
||||||
|------|------|------|
|
|
||||||
| id | BigInteger | 主键，雪花ID |
|
|
||||||
| report_id | BigInteger | 关联 report.id |
|
|
||||||
| resume_id | BigInteger | 关联 bg_user_resume.id |
|
|
||||||
| user_id | BigInteger | 用户ID |
|
|
||||||
| module_type | VARCHAR(32) | summary/education/work/internship/project/competition |
|
|
||||||
| module_record_id | BigInteger | 模块记录ID（summary 时为 resume_id） |
|
|
||||||
| finding | TEXT | 诊断发现 |
|
|
||||||
| importance | TEXT | 为什么重要 |
|
|
||||||
| suggestion | TEXT | 改进建议 |
|
|
||||||
| urgent_issues | JSON | {"typo": 0} |
|
|
||||||
| important_issues | JSON | {"no_result": 0, "no_quantify": 0, "weak_relevance": 0} |
|
|
||||||
| expression_issues | JSON | {"not_concise": 0, "format_inconsistent": 0} |
|
|
||||||
| optimized_content | JSON | AI改写后的内容。子表模块（education/work/internship/project/competition）与原 description 格式一致 `[{id, text}]`，保持原 id 不变只改写 text；summary 模块为纯文本字符串 |
|
|
||||||
| status | Integer | 0=待处理 1=已处理 |
|
|
||||||
| user_feedback | Integer | 0=未评价 1=符合 2=不符合 |
|
|
||||||
| create_time | DateTime | 创建时间 |
|
|
||||||
| update_time | DateTime | 更新时间 |
|
|
||||||
|
|
||||||
### 建表 SQL
|
|
||||||
|
|
||||||
```sql
|
|
||||||
CREATE TABLE `bg_resume_diagnosis_report` (
|
|
||||||
`id` bigint NOT NULL COMMENT '主键，雪花ID',
|
|
||||||
`resume_id` bigint NOT NULL COMMENT '关联bg_user_resume.id',
|
|
||||||
`user_id` bigint NOT NULL COMMENT '用户ID',
|
|
||||||
`grade` varchar(1) DEFAULT NULL COMMENT '评级 A/B/C/D',
|
|
||||||
`summary` text COMMENT 'AI生成的整体评价',
|
|
||||||
`urgent_total` int NOT NULL DEFAULT '0' COMMENT '紧急修复总数',
|
|
||||||
`important_total` int NOT NULL DEFAULT '0' COMMENT '重点优化总数',
|
|
||||||
`expression_total` int NOT NULL DEFAULT '0' COMMENT '表达提升总数',
|
|
||||||
`create_time` datetime DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
|
|
||||||
`update_time` datetime DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间',
|
|
||||||
PRIMARY KEY (`id`),
|
|
||||||
KEY `idx_resume_id` (`resume_id`),
|
|
||||||
KEY `idx_user_id` (`user_id`)
|
|
||||||
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='简历诊断报告表';
|
|
||||||
|
|
||||||
CREATE TABLE `bg_resume_diagnosis_issue` (
|
|
||||||
`id` bigint NOT NULL COMMENT '主键，雪花ID',
|
|
||||||
`report_id` bigint NOT NULL COMMENT '关联report.id',
|
|
||||||
`resume_id` bigint NOT NULL COMMENT '关联bg_user_resume.id',
|
|
||||||
`user_id` bigint NOT NULL COMMENT '用户ID',
|
|
||||||
`module_type` varchar(32) NOT NULL COMMENT '模块类型: summary/education/work/internship/project/competition',
|
|
||||||
`module_record_id` bigint NOT NULL COMMENT '模块记录ID，summary时为resume_id',
|
|
||||||
`finding` text COMMENT '诊断发现',
|
|
||||||
`importance` text COMMENT '为什么重要',
|
|
||||||
`suggestion` text COMMENT '改进建议',
|
|
||||||
`urgent_issues` json DEFAULT NULL COMMENT '紧急修复子类型计数 {"typo": 0}',
|
|
||||||
`important_issues` json DEFAULT NULL COMMENT '重点优化子类型计数 {"no_result": 0, "no_quantify": 0, "weak_relevance": 0}',
|
|
||||||
`expression_issues` json DEFAULT NULL COMMENT '表达提升子类型计数 {"not_concise": 0, "format_inconsistent": 0}',
|
|
||||||
`optimized_content` json DEFAULT NULL COMMENT 'AI改写后的内容，子表模块与原description格式一致[{id,text}]保持原id只改写text，summary模块为纯文本字符串',
|
|
||||||
`status` int NOT NULL DEFAULT '0' COMMENT '0=待处理 1=已处理',
|
|
||||||
`user_feedback` int NOT NULL DEFAULT '0' COMMENT '0=未评价 1=符合 2=不符合',
|
|
||||||
`create_time` datetime DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
|
|
||||||
`update_time` datetime DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间',
|
|
||||||
PRIMARY KEY (`id`),
|
|
||||||
KEY `idx_report_id` (`report_id`),
|
|
||||||
KEY `idx_resume_id` (`resume_id`),
|
|
||||||
KEY `idx_user_id` (`user_id`)
|
|
||||||
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='简历诊断问题表';
|
|
||||||
```
|
|
||||||
|
|
||||||
---
|
|
||||||
|
|
||||||
## 五、API 设计
|
|
||||||
|
|
||||||
### 1. POST /resume/diagnose — 触发诊断
|
|
||||||
|
|
||||||
**请求体：** `{"resume_id": 123}`
|
|
||||||
|
|
||||||
**执行流程：**
|
|
||||||
|
|
||||||
```
|
|
||||||
┌──────────────────────────────────────────────────┐
|
|
||||||
│ 1. RequestContext.user_id.get() 获取当前用户 │
|
|
||||||
├──────────────────────────────────────────────────┤
|
|
||||||
│ 2. 短事务1（只读） │
|
|
||||||
│ async for session in get_db(): │
|
|
||||||
│ service = ResumeDiagnoseService(session) │
|
|
||||||
│ resume, tasks = await service │
|
|
||||||
│ .load_resume_data(resume_id, user_id) │
|
|
||||||
│ → 加载主表 + 5 张子表数据 │
|
|
||||||
│ → 组装 AI 任务列表 │
|
|
||||||
│ → 事务结束，释放数据库连接 │
|
|
||||||
├──────────────────────────────────────────────────┤
|
|
||||||
│ 3. 校验 tasks 非空 │
|
|
||||||
│ → 空则 raise ValueError("无可诊断内容") │
|
|
||||||
├──────────────────────────────────────────────────┤
|
|
||||||
│ 4. 并行 AI 诊断（不持有数据库连接） │
|
|
||||||
│ ai_results = await diagnose_all(tasks) │
|
|
||||||
│ → asyncio.gather 并行调用 N 条诊断链 │
|
|
||||||
│ → 每条链独立容错，失败返回空结果 │
|
|
||||||
├──────────────────────────────────────────────────┤
|
|
||||||
│ 5. 汇总统计 + 评级（纯计算，无 IO） │
|
|
||||||
│ → 遍历 ai_results 统计问题数量 │
|
|
||||||
│ → 过滤无问题的记录（所有计数都为 0 则跳过） │
|
|
||||||
│ → 代码硬算评级（_calc_grade） │
|
|
||||||
├──────────────────────────────────────────────────┤
|
|
||||||
│ 6. AI 生成整体评价（不持有数据库连接） │
|
|
||||||
│ summary = await generate_summary(...) │
|
|
||||||
│ → 传入评级、统计、all_findings │
|
|
||||||
│ → 返回纯文本评价 │
|
|
||||||
├──────────────────────────────────────────────────┤
|
|
||||||
│ 7. 短事务2（纯写入，无 AI 调用） │
|
|
||||||
│ async for session in get_db(): │
|
|
||||||
│ service = ResumeDiagnoseService(session) │
|
|
||||||
│ report_id = await service.save_report(...) │
|
|
||||||
│ → 写入 report + issues 表 │
|
|
||||||
│ → 事务提交 │
|
|
||||||
└──────────────────────────────────────────────────┘
|
|
||||||
```
|
|
||||||
|
|
||||||
**响应：** `{"reportId": 456}`
|
|
||||||
|
|
||||||
### 2. GET /resume/diagnose/{resume_id} — 查询最近一次报告
|
|
||||||
|
|
||||||
**执行流程：**
|
|
||||||
1. 获取 user_id
|
|
||||||
2. 查 report 表（ORDER BY create_time DESC LIMIT 1）
|
|
||||||
3. 查该 report 下所有 issues
|
|
||||||
4. 返回 `{"report": {...}, "issues": [...]}`
|
|
||||||
|
|
||||||
**响应示例：**
|
|
||||||
```json
|
|
||||||
{
|
|
||||||
"report": {
|
|
||||||
"id": "123",
|
|
||||||
"resumeId": "456",
|
|
||||||
"grade": "B",
|
|
||||||
"summary": "您的简历整体质量良好...",
|
|
||||||
"urgentTotal": 0,
|
|
||||||
"importantTotal": 3,
|
|
||||||
"expressionTotal": 1,
|
|
||||||
"createTime": "2026-04-07 10:30:00"
|
|
||||||
},
|
|
||||||
"issues": [
|
|
||||||
{
|
|
||||||
"id": "789",
|
|
||||||
"moduleType": "work",
|
|
||||||
"moduleRecordId": "1001",
|
|
||||||
"finding": "工作描述缺少量化数据...",
|
|
||||||
"importance": "量化数据能让招聘者...",
|
|
||||||
"suggestion": "建议在描述中添加...",
|
|
||||||
"urgentIssues": {"typo": 0},
|
|
||||||
"importantIssues": {"no_result": 0, "no_quantify": 1, "weak_relevance": 0},
|
|
||||||
"expressionIssues": {"not_concise": 0, "format_inconsistent": 0},
|
|
||||||
"optimizedContent": [{"id": "abc123", "text": "负责XX系统后端开发，日均处理100万+请求..."}],
|
|
||||||
"status": 0,
|
|
||||||
"userFeedback": 0
|
|
||||||
}
|
|
||||||
]
|
|
||||||
}
|
|
||||||
```
|
|
||||||
|
|
||||||
### 3. PUT /resume/diagnose/issue/{issue_id}/resolve — 标记已处理
|
|
||||||
|
|
||||||
**请求体：** `{"user_feedback": 1}` （1=符合 2=不符合）
|
|
||||||
|
|
||||||
**执行流程：**
|
|
||||||
1. 获取 user_id
|
|
||||||
2. 查 issue 记录（校验 user_id）
|
|
||||||
3. 设置 status=1, user_feedback
|
|
||||||
4. 返回 null
|
|
||||||
|
|
||||||
---
|
|
||||||
|
|
||||||
## 六、文件变更清单
|
|
||||||
|
|
||||||
### 新增 7 个文件
|
|
||||||
|
|
||||||
```
|
|
||||||
app/models/resume_diagnosis_report.py — 诊断报告 ORM
|
|
||||||
app/models/resume_diagnosis_issue.py — 诊断问题 ORM
|
|
||||||
app/ai/resume_diagnoser/__init__.py — 包初始化（空文件）
|
|
||||||
app/ai/resume_diagnoser/prompts.py — Prompt 模板
|
|
||||||
app/ai/resume_diagnoser/diagnoser.py — AI 诊断引擎
|
|
||||||
app/services/resume_diagnose_service.py — 业务逻辑
|
|
||||||
app/api/resume_diagnose.py — API 路由
|
|
||||||
```
|
|
||||||
|
|
||||||
### 修改 1 个文件
|
|
||||||
|
|
||||||
```
|
|
||||||
app/main.py — 注册新路由（加 2 行）
|
|
||||||
```
|
|
||||||
|
|
||||||
---
|
|
||||||
|
|
||||||
## 七、模块设计
|
|
||||||
|
|
||||||
### AI 诊断模块 (`app/ai/resume_diagnoser/`)
|
|
||||||
|
|
||||||
**prompts.py** — 两个 Prompt 模板：
|
|
||||||
- `DIAGNOSE_MODULE_PROMPT`：第一阶段，单条记录诊断，输入 module_type/target_position/context/description_text（子表传原始 JSON `[{id,text}]`，summary 传纯文本），输出 JSON
|
|
||||||
- `SUMMARY_PROMPT`：第二阶段，汇总评价，输入统计数据 + 所有 findings，输出纯文本
|
|
||||||
|
|
||||||
**diagnoser.py** — 参照 `app/ai/resume_extractor/extractor.py` 的模式：
|
|
||||||
- 诊断链：`ChatPromptTemplate → DOUBAO_SEED_PRO(temperature=0) → JsonOutputParser`
|
|
||||||
- 汇总链：`ChatPromptTemplate → DOUBAO_SEED_PRO(temperature=0.3) → StrOutputParser`
|
|
||||||
- `diagnose_all(tasks)` — asyncio.gather 并行
|
|
||||||
- `generate_summary(...)` — AI 生成整体评价
|
|
||||||
- `_safe_invoke()` — 容错
|
|
||||||
|
|
||||||
### Service 层 (`app/services/resume_diagnose_service.py`)
|
|
||||||
|
|
||||||
```
|
|
||||||
ResumeDiagnoseService(session: AsyncSession)
|
|
||||||
├─ load_resume_data(resume_id, user_id) → (resume, tasks)
|
|
||||||
│ 加载主表 + 5 张子表，组装 AI 任务列表
|
|
||||||
│
|
|
||||||
├─ save_report(resume_id, user_id, grade, summary, stats, tasks, ai_results) → report_id
|
|
||||||
│ 纯写入：接收已算好的 grade、summary、统计数据，写入 report + issues
|
|
||||||
│ 跳过无问题的记录（所有计数为 0 则不创建 issue 行）
|
|
||||||
│
|
|
||||||
├─ get_latest_report(resume_id, user_id) → dict | None
|
|
||||||
└─ resolve_issue(issue_id, user_id, user_feedback) → None
|
|
||||||
|
|
||||||
工具函数（无状态，路由层或 Service 外部可调用）：
|
|
||||||
├─ _build_description_text(description) — 子表传原始 JSON 字符串 [{id,text}]，summary 传纯文本
|
|
||||||
├─ _calc_grade(urgent, important, expression, has_weak_relevance) — 评级硬算
|
|
||||||
├─ _aggregate_results(tasks, ai_results) — 统计汇总 + 过滤无问题记录
|
|
||||||
└─ _issue_to_dict(issue) — ORM → camelCase dict
|
|
||||||
```
|
|
||||||
|
|
||||||
**description_text 传入格式：**
|
|
||||||
- 子表模块：传原始 JSON 字符串 `[{"id": "abc123", "text": "负责XX系统..."}, ...]`，AI 能看到每个段落的 id
|
|
||||||
- summary 模块：传纯文本（summary 字段本身就是 VARCHAR）
|
|
||||||
|
|
||||||
**optimized_content 返回格式：**
|
|
||||||
- 子表模块：与原始 description 格式一致 `[{id, text}]`，保持原 id 不变，只改写 text
|
|
||||||
- summary 模块：纯文本字符串（与原始 summary 字段格式一致）
|
|
||||||
|
|
||||||
### API 路由 (`app/api/resume_diagnose.py`)
|
|
||||||
|
|
||||||
```
|
|
||||||
router = APIRouter(prefix="/resume/diagnose", tags=["简历诊断"])
|
|
||||||
├─ POST "" — 触发诊断
|
|
||||||
├─ GET "/{resume_id}" — 查询报告
|
|
||||||
└─ PUT "/issue/{issue_id}/resolve" — 标记已处理
|
|
||||||
```
|
|
||||||
|
|
||||||
---
|
|
||||||
|
|
||||||
## 八、实施顺序
|
|
||||||
|
|
||||||
1. ORM 模型（`resume_diagnosis_report.py` + `resume_diagnosis_issue.py`）
|
|
||||||
2. AI 模块（`__init__.py` + `prompts.py` + `diagnoser.py`）
|
|
||||||
3. Service 层（`resume_diagnose_service.py`）
|
|
||||||
4. API 路由（`resume_diagnose.py`）+ 修改 `main.py`
|
|
||||||
5. 更新项目结构文档
|
|
||||||
@@ -1,718 +0,0 @@
|
|||||||
# 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，gaps 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：差距条目 JSON 数组，每条含 keyword（缺失技能，skill_tags 子集）、title（≤12字）、description（≤30字）
|
|
||||||
6. 计算匹配分：`score = (skill_tags总数 - gaps条目数) / 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"
|
|
||||||
},
|
|
||||||
"gaps": [
|
|
||||||
{ "keyword": "SQL", "title": "缺少 SQL 关键词", "description": "岗位要求数据查询分析能力，简历未体现。" },
|
|
||||||
{ "keyword": "数据分析", "title": "数据分析证据不足", "description": "建议补充指标拆解与结论产出的经历。" }
|
|
||||||
]
|
|
||||||
}
|
|
||||||
```
|
|
||||||
|
|
||||||
### 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，gaps 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，找出用户简历中未覆盖的技能并生成差距说明。
|
|
||||||
|
|
||||||
【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. 只针对未覆盖的技能输出差距条目，已覆盖的技能不输出
|
|
||||||
3. 每个差距条目包含三个字段：
|
|
||||||
- keyword：缺失的技能，必须是岗位技能标签中的原文，不要修改
|
|
||||||
- title：差距点的简短标题，不超过 12 个字（例如"缺少 SQL 关键词"）
|
|
||||||
- description：结合岗位要求的一句说明或建议，不超过 30 个字
|
|
||||||
4. 返回 JSON 数组格式，如：
|
|
||||||
[{"keyword": "SQL", "title": "缺少 SQL 关键词", "description": "岗位要求数据查询分析能力，简历未体现。"}]
|
|
||||||
5. 如果全部覆盖，返回空数组 []
|
|
||||||
6. 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 gaps 的 keyword）
|
|
||||||
|
|
||||||
### 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）
|
|
||||||
|
|
||||||
核心思路：将用户操作原子化，把模块级并发拆成记录级并发，减少单次 AI 输出量，提升响应速度。
|
|
||||||
|
|
||||||
#### 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、requirement
|
|
||||||
|
|
||||||
#### 第二步：规划 AI（意图识别 + 操作原子化）
|
|
||||||
|
|
||||||
输入：用户指令 + 对话历史 + 当前完整简历内容 + 岗位信息（title + description + requirement）
|
|
||||||
|
|
||||||
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。
|
|
||||||
|
|
||||||
**操作计划（指令明确）**：
|
|
||||||
```json
|
|
||||||
{
|
|
||||||
"action": "modify",
|
|
||||||
"operations": [
|
|
||||||
{ "type": "delete", "module": "work", "id": "abc12345" },
|
|
||||||
{ "type": "update", "module": "work", "id": "def67890", "instruction": "精简描述，突出量化成果" },
|
|
||||||
{ "type": "update", "module": "resume", "instruction": "在summary中融入数据分析关键词" },
|
|
||||||
{ "type": "add", "module": "internship", "instruction": "新增一段数据分析实习经历" }
|
|
||||||
]
|
|
||||||
}
|
|
||||||
```
|
|
||||||
|
|
||||||
操作类型：
|
|
||||||
- **delete**：删除记录，需要 module + id
|
|
||||||
- **update**：修改记录，需要 module + id + instruction（resume 主表不需要 id）
|
|
||||||
- **add**：新增记录，需要 module + instruction
|
|
||||||
|
|
||||||
规则：
|
|
||||||
- 每个操作对应一条原子操作，一个用户指令可拆出多条操作
|
|
||||||
- `instruction` 限 50 字以内
|
|
||||||
- `delete` 和 `update`（非 resume）必须带 `id`，从当前简历中匹配
|
|
||||||
- `update` module 为 `resume` 时不需要 `id`（主表是单对象）
|
|
||||||
- `add` 不需要 `id`
|
|
||||||
|
|
||||||
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：按操作类型并发执行
|
|
||||||
|
|
||||||
先处理 delete（零 AI 开销），再并发执行所有 update 和 add（asyncio.gather）：
|
|
||||||
|
|
||||||
- **delete**：后端直接按 module + id 从数组移除，不调 AI
|
|
||||||
- **update（含 resume 主表和子表记录）**：按 id 取出单条记录 + instruction + schema + 岗位信息（title + description + requirement）+ 最近 10 条对话历史，调 AI 修改，只输出单条记录。resume 主表和子表记录复用同一个 prompt
|
|
||||||
- **add**：instruction + schema + 岗位信息（title + description + requirement）+ 最近 10 条对话历史，调 AI 生成一条新记录
|
|
||||||
|
|
||||||
#### 第四步：合并
|
|
||||||
|
|
||||||
- delete 已直接处理
|
|
||||||
- update 按 module + id 替换回原数据（resume 主表直接整体替换）
|
|
||||||
- add 按 module 追加到对应数组
|
|
||||||
- AI 调用失败的操作跳过，不影响其他操作
|
|
||||||
|
|
||||||
#### 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. `updatedModulesLabel` 由后端根据 operations 中的 module 去重映射中文名拼接
|
|
||||||
4. 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，找出用户简历中未覆盖的技能并生成差距说明。
|
|
||||||
|
|
||||||
【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. 只针对未覆盖的技能输出差距条目，已覆盖的技能不输出
|
|
||||||
3. 每个差距条目包含三个字段：
|
|
||||||
- keyword：缺失的技能，必须是岗位技能标签中的原文，不要修改
|
|
||||||
- title：差距点的简短标题，不超过 12 个字（例如"缺少 SQL 关键词"）
|
|
||||||
- description：结合岗位要求的一句说明或建议，不超过 30 个字
|
|
||||||
4. 返回 JSON 数组格式，如：
|
|
||||||
[{"keyword": "SQL", "title": "缺少 SQL 关键词", "description": "岗位要求数据查询分析能力，简历未体现。"}]
|
|
||||||
5. 如果全部覆盖，返回空数组 []
|
|
||||||
6. 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，将其拆解为原子操作。
|
|
||||||
|
|
||||||
【目标岗位】
|
|
||||||
{job_title}
|
|
||||||
{job_description}
|
|
||||||
|
|
||||||
【当前简历】
|
|
||||||
{resume_json}
|
|
||||||
|
|
||||||
【对话历史】
|
|
||||||
{chat_history}
|
|
||||||
|
|
||||||
【用户指令】
|
|
||||||
{instruction}
|
|
||||||
|
|
||||||
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"}
|
|
||||||
|
|
||||||
如果用户指令明确，将其拆解为原子操作列表，返回：
|
|
||||||
{"action": "modify", "operations": [...]}
|
|
||||||
|
|
||||||
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
|
|
||||||
```
|
|
||||||
|
|
||||||
### 5. Agent - 单条记录修改 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】
|
|
||||||
{instruction}
|
|
||||||
|
|
||||||
【最近对话】
|
|
||||||
{chat_history}
|
|
||||||
|
|
||||||
【模块数据结构】
|
|
||||||
{module_schema}
|
|
||||||
|
|
||||||
【当前记录数据】
|
|
||||||
{record_data}
|
|
||||||
|
|
||||||
规则：
|
|
||||||
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, 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
|
|
||||||
6. 返回修改后的完整记录数据（JSON 格式，与输入格式一致）
|
|
||||||
```
|
|
||||||
|
|
||||||
### 6. Agent - 新增记录 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）
|
|
||||||
|
|
||||||
**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 |
|
|
||||||
@@ -1,31 +0,0 @@
|
|||||||
---
|
|
||||||
inclusion: always
|
|
||||||
---
|
|
||||||
|
|
||||||
# 项目规范执行指引
|
|
||||||
|
|
||||||
## 方案讨论前
|
|
||||||
|
|
||||||
必读 `#[[file:.kiro/steering/项目结构说明.md]]`，全面了解：
|
|
||||||
- 项目分层结构：`config` → `core` → `ai` → `models` → `services` → `api`
|
|
||||||
- 所有 ORM 模型及其关联
|
|
||||||
- 鉴权体系设计（JWT + Redis + 功能权限）
|
|
||||||
- 现有的公共能力（中间件、日志、异常处理、AI 模型枚举），避免重复造轮子
|
|
||||||
- 与 Java 后端（back-end）的关系：共享数据库、Redis、JWT Secret
|
|
||||||
|
|
||||||
方案讨论时：
|
|
||||||
- 优先给出简洁的方案思路（涉及哪些模块、新增内容放在哪、核心流程概要），不要一开始就铺开所有细节
|
|
||||||
- 用户明确要求时，再给出详细的方案流程（表结构、接口清单、完整逻辑步骤等）
|
|
||||||
- 做好解耦，说明与现有模块的关系
|
|
||||||
|
|
||||||
## 开发方案输出前 / 写代码前
|
|
||||||
|
|
||||||
必读 `#[[file:.kiro/steering/代码开发风格文档.md]]`，严格遵守：
|
|
||||||
- 命名约定、类型注解规范
|
|
||||||
- 分包规则（api/services/models/schemas 按功能模块组织）
|
|
||||||
- Service 类注释规范（主要功能、依赖服务、使用的表、方法逻辑流程）
|
|
||||||
- 接口规范、异常处理、Redis 使用、数据库设计风格
|
|
||||||
|
|
||||||
## 写完代码后
|
|
||||||
|
|
||||||
涉及新增文件、新增模块或目录结构变更时，必须同步更新 `#[[file:.kiro/steering/项目结构说明.md]]`，保持文档与实际代码一致。
|
|
||||||
@@ -1,245 +0,0 @@
|
|||||||
---
|
|
||||||
inclusion: manual
|
|
||||||
---
|
|
||||||
|
|
||||||
# 代码开发风格文档
|
|
||||||
|
|
||||||
本项目为 FastAPI + SQLAlchemy (asyncio) 的 Python 3.12 后端项目，应用主目录为 `app/`。
|
|
||||||
|
|
||||||
## 项目结构
|
|
||||||
|
|
||||||
- `app/config/` — 配置层：Pydantic Settings 统一配置
|
|
||||||
- `app/core/` — 核心基础设施：数据库、Redis、鉴权、中间件、异常处理、日志、统一响应
|
|
||||||
- `app/ai/` — AI 能力层：LLM 模型枚举与实例创建
|
|
||||||
- `app/api/` — 路由层：REST API 接口定义
|
|
||||||
- `app/models/` — ORM 模型层：SQLAlchemy 声明式映射
|
|
||||||
- `app/services/` — 业务逻辑层：Service 类
|
|
||||||
- `app/core/schemas/` — 公共 Schema：统一响应模型等
|
|
||||||
|
|
||||||
## 命名约定
|
|
||||||
|
|
||||||
### 文件命名
|
|
||||||
- 全部小写，下划线分隔，如 `func_permission_service.py`、`user_func_usage_log.py`
|
|
||||||
- 路由文件以业务名命名，如 `health.py`、`resume.py`
|
|
||||||
- ORM 模型文件与表名对应（去掉 `bg_` 前缀），如 `func_permission.py` 对应 `bg_func_permission`
|
|
||||||
|
|
||||||
### 类命名
|
|
||||||
- Service 以 `Service` 结尾，如 `FuncPermissionService`
|
|
||||||
- ORM 模型用 PascalCase 业务名，无后缀，如 `FuncPermission`、`UserFuncUsageLog`
|
|
||||||
- Pydantic Schema 按用途命名：请求参数以 `Param` 结尾，响应以 `Dto` 结尾，如 `ResumeParam`、`ResumeDto`
|
|
||||||
- 枚举类以大写命名，如 `LLM`
|
|
||||||
|
|
||||||
### 变量与函数命名
|
|
||||||
- 函数和变量使用 snake_case，如 `check_and_deduct`、`user_id`
|
|
||||||
- 私有函数以单下划线开头，如 `_insert_usage_log`
|
|
||||||
- 常量使用全大写下划线，如 `_FRIENDLY_MESSAGES`、`_SKIP_PATHS`
|
|
||||||
|
|
||||||
## 类型注解
|
|
||||||
|
|
||||||
- 所有函数参数和返回值必须有类型注解
|
|
||||||
- ORM 模型字段使用 `Mapped[T]` + `mapped_column()` 声明
|
|
||||||
- Pydantic 模型字段使用标准类型注解 + `Field()`
|
|
||||||
- 可选字段使用 `Optional[T]` 或 `T | None`
|
|
||||||
- 集合类型使用 `list[T]`、`dict[K, V]`（Python 3.12 内置泛型）
|
|
||||||
|
|
||||||
## 注释规范
|
|
||||||
|
|
||||||
- 模块级注释使用文件顶部的 docstring，说明模块用途和使用示例
|
|
||||||
- 类注释使用 docstring，说明对应的表名和用途
|
|
||||||
- 方法注释使用 docstring，简洁描述功能
|
|
||||||
- 复杂逻辑用行内注释 `#` 说明
|
|
||||||
|
|
||||||
### ORM 模型类注释
|
|
||||||
- 类 docstring 说明对应的表名和用途
|
|
||||||
- 特殊字段通过 `comment` 参数说明含义，如 `comment="状态 1=启用 0=禁用"`
|
|
||||||
|
|
||||||
### Service 类注释
|
|
||||||
- 模块级 docstring 说明该服务的主要功能、依赖服务、使用的表
|
|
||||||
- 格式示例：
|
|
||||||
```python
|
|
||||||
"""功能权限 Service
|
|
||||||
|
|
||||||
校验用户功能权限并扣减库存，业务异常时回退。
|
|
||||||
逻辑与 Java 端 FuncPermissionService 完全一致。
|
|
||||||
"""
|
|
||||||
```
|
|
||||||
- 每个方法用 docstring 简要说明逻辑流程，复杂方法可分步骤描述
|
|
||||||
|
|
||||||
## 分包规则
|
|
||||||
|
|
||||||
### API 路由（`app/api/`）
|
|
||||||
- 每个业务模块一个路由文件，如 `health.py`、`resume.py`
|
|
||||||
- 使用 `APIRouter(prefix="/xxx", tags=["xxx"])` 定义路由前缀和标签
|
|
||||||
- 在 `app/main.py` 中注册路由
|
|
||||||
|
|
||||||
### Service（`app/services/`）
|
|
||||||
- 每个业务模块一个 Service 文件
|
|
||||||
- Service 类通过构造函数接收 `AsyncSession`，如 `def __init__(self, session: AsyncSession)`
|
|
||||||
- 不使用全局 Service 实例，每次请求通过依赖注入创建
|
|
||||||
|
|
||||||
### ORM 模型（`app/models/`）
|
|
||||||
- 每个表一个模型文件
|
|
||||||
- 所有模型继承 `app.core.database.Base`
|
|
||||||
- 表名通过 `__tablename__` 指定
|
|
||||||
|
|
||||||
### Pydantic Schema（`app/core/schemas/`）
|
|
||||||
- 公共 Schema 放在 `app/core/schemas/` 下，如 `responses.py`
|
|
||||||
- 业务相关的请求/响应 Schema 放在对应的 `app/api/` 或 `app/services/` 同级目录，或集中在 `app/core/schemas/{功能模块}/` 下
|
|
||||||
|
|
||||||
## 获取当前登录用户
|
|
||||||
|
|
||||||
- 通过 `RequestContext.user_id.get()` 获取当前登录用户 ID
|
|
||||||
- 或通过依赖注入 `Depends(require_login)` 获取并校验
|
|
||||||
- 需要功能权限校验时使用 `Depends(func_permission("func_code"))`
|
|
||||||
|
|
||||||
## 接口规范
|
|
||||||
|
|
||||||
- Router 只负责参数接收和调用 Service，不写业务逻辑
|
|
||||||
- 白名单路径（无需鉴权）在 `settings.auth_whitelist` 中配置
|
|
||||||
- POST 用 `@router.post()`，GET 用 `@router.get()`
|
|
||||||
- 复杂参数使用 Pydantic 模型 + `Body()`，简单参数使用 `Query()` 或 `Path()`
|
|
||||||
- 路由方法直接返回业务数据，由 `ResponseWrapMiddleware` 自动包装为 `StandardResponse`
|
|
||||||
|
|
||||||
## 异常处理
|
|
||||||
|
|
||||||
### 核心约定
|
|
||||||
- 统一异常与全局处理器都集中在 `app/core/exceptions.py`，`main.py` 只调用一次 `register_exception_handlers(app)`
|
|
||||||
- **自定义异常一律 HTTP 500**，真实业务含义靠响应体里的 `code` 区分（前端拦截器读 `code`）
|
|
||||||
- 抛异常时传一句具体原因（detail）即可，不用记错误码；不传就用类别名兜底
|
|
||||||
- `raise BizError("不支持的商品")` → msg = `业务异常[不支持的商品]`
|
|
||||||
- `raise BizError()` → msg = `业务异常`
|
|
||||||
- **不要** catch 后吞掉异常，交由全局异常处理器统一处理
|
|
||||||
|
|
||||||
### 自定义异常类（`app/core/exceptions.py`）
|
|
||||||
业务代码优先抛下列语义化异常，不要直接 `raise HTTPException`：
|
|
||||||
|
|
||||||
| 异常类 | code | 类别名 | 典型场景 |
|
|
||||||
|--------|------|--------|----------|
|
|
||||||
| `ParamError` | 4000 | 参数异常 | 入参缺失/非法、模型档位不支持 |
|
|
||||||
| `AssertError` | 4100 | 断言异常 | 业务前置条件不满足（由 `Assert` 工具抛出） |
|
|
||||||
| `BizError` | 4200 | 业务异常 | 资源不存在、限频、验证码、越权、会员校验 |
|
|
||||||
| `CreditError` | 4300 | 扣费异常 | 余额不足、扣费失败（前端引导充值） |
|
|
||||||
| `SysError` | 5000 | 系统异常 | 已知内部错误 / 上游模型调用失败（主动抛） |
|
|
||||||
|
|
||||||
- 所有自定义异常继承 `AppError`，处理器只在基类上注册，靠继承链自动覆盖全部子类
|
|
||||||
- 流式（SSE）场景用 `exc.to_event()` 输出 error 事件；上游异常包装用 `SysError.from_exc(exc)`
|
|
||||||
- 兜底：未建模的异常由 `global_exception_handler` 统一按系统异常（code=5000）返回，dev 环境暴露细节，生产只回通用提示
|
|
||||||
|
|
||||||
```python
|
|
||||||
from app.core.exceptions import BizError, CreditError, ParamError
|
|
||||||
|
|
||||||
if not resume:
|
|
||||||
raise BizError("简历不存在")
|
|
||||||
if balance < cost:
|
|
||||||
raise CreditError("积分不足")
|
|
||||||
if model not in ALLOWED:
|
|
||||||
raise ParamError(f"不支持的模型档位: {model}")
|
|
||||||
```
|
|
||||||
|
|
||||||
### 业务断言工具（`app/core/asserts.py`）
|
|
||||||
前置条件校验优先用 `Assert` 工具类（风格参考 Spring `Assert`），条件不满足时抛 `AssertError`(code=4100)，**不要**再手写 `if not ... raise` 或裸 `assert`：
|
|
||||||
|
|
||||||
```python
|
|
||||||
from app.core.asserts import Assert
|
|
||||||
|
|
||||||
Assert.not_none(user, "用户不存在")
|
|
||||||
Assert.has_text(func_code, "功能编码不能为空")
|
|
||||||
Assert.not_empty(items, "列表不能为空")
|
|
||||||
Assert.gt(days, 0, "天数必须大于0")
|
|
||||||
Assert.eq(status, 1, "状态不可用")
|
|
||||||
```
|
|
||||||
|
|
||||||
常用方法：`is_true` / `is_false` / `not_none` / `is_none` / `has_text` / `not_empty` / `gt` / `gte` / `lt` / `lte` / `eq` / `ne`
|
|
||||||
|
|
||||||
### HTTPException
|
|
||||||
- 仅在需要返回特定 HTTP 状态码的场景（如框架层、鉴权 401/403）使用 `raise HTTPException(status_code=xxx, detail="描述")`
|
|
||||||
- 业务拒绝一律用上面的自定义异常，不要用 `HTTPException` 表达业务错误
|
|
||||||
|
|
||||||
## Redis 使用规范
|
|
||||||
|
|
||||||
- 通过 `app.core.redis.redis_client` 或依赖注入 `Depends(get_redis)` 获取客户端
|
|
||||||
- key 命名与 Java 端保持一致，如 `login:token:{userId}`
|
|
||||||
- 值统一 JSON 序列化（`json.dumps` / `json.loads`）
|
|
||||||
- 设置 TTL 时使用 `ex` 参数（秒）
|
|
||||||
|
|
||||||
## 数据库设计风格
|
|
||||||
|
|
||||||
- 与 Java 端共享同一数据库，表结构由 Java 端管理
|
|
||||||
- 表名以 `bg_` 前缀，下划线命名，如 `bg_func_permission`
|
|
||||||
- 主键 `id`，类型 `BigInteger`
|
|
||||||
- 时间字段使用 `DateTime` 类型，包含 `create_time` 和 `update_time`
|
|
||||||
- 逻辑删除字段 `is_delete`，类型 `BigInteger`，0=正常，非0=删除
|
|
||||||
- 状态字段用 `Integer`，0/1 表示，通过 `comment` 说明含义
|
|
||||||
- 查询使用 SQLAlchemy `select()` + `where()` 构建条件
|
|
||||||
- 更新使用 `update()` + `where()` + `values()`
|
|
||||||
- 会话通过 `get_db()` 依赖注入获取，自动 commit/rollback/close
|
|
||||||
|
|
||||||
## 异步规范
|
|
||||||
|
|
||||||
- 所有数据库操作、Redis 操作、HTTP 请求使用 `async/await`
|
|
||||||
- Service 方法统一使用 `async def`
|
|
||||||
- 路由处理函数统一使用 `async def`
|
|
||||||
- 避免在异步上下文中使用同步阻塞操作
|
|
||||||
|
|
||||||
## AI 调用规范
|
|
||||||
|
|
||||||
- 业务代码**不直接使用** `LLM` 枚举，而是从 `app.ai.model_config` 中引用对应模块的场景配置类
|
|
||||||
- `model_config.py` 中每个模块一个 class，每个场景一个类属性，属性值为预创建的 `ChatOpenAI` 实例
|
|
||||||
- 修改模型或调整参数只需改 `model_config.py` 一个文件，业务代码不动
|
|
||||||
- AI 调用应做好异常捕获和容错，单次失败不应影响整体流程
|
|
||||||
- 长耗时 AI 调用考虑异步执行
|
|
||||||
|
|
||||||
### 模型引用示例
|
|
||||||
```python
|
|
||||||
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 = (
|
|
||||||
ChatPromptTemplate.from_messages([...])
|
|
||||||
| SkillGapModel.AGENT_PLAN
|
|
||||||
| StrOutputParser()
|
|
||||||
)
|
|
||||||
|
|
||||||
# 非 chain 场景直接 await 调用
|
|
||||||
result = await NovaChatModel.CHAT.ainvoke(messages)
|
|
||||||
```
|
|
||||||
|
|
||||||
### 新增 AI 场景步骤
|
|
||||||
1. 在 `app/ai/model_config.py` 对应模块的 class 中新增一个类属性，指定模型和参数
|
|
||||||
2. 在业务代码中 `from app.ai.model_config import XxxModel`，引用该属性
|
|
||||||
3. 如需新增模块，在 `model_config.py` 中新建一个 class
|
|
||||||
|
|
||||||
### AI 输出 JSON 解析
|
|
||||||
- LLM 返回的 JSON 经常被 markdown 代码块（` ```json ... ``` `）包裹，**禁止**直接使用 LangChain 的 `JsonOutputParser`
|
|
||||||
- 统一使用 `app.tool.json_helper.parse_llm_json` 解析 AI 输出的 JSON 文本
|
|
||||||
- `parse_llm_json` 会自动剥离 markdown 代码块标记，并通过 `json_repair` 做容错修复
|
|
||||||
- **不要**在各模块中自行编写 JSON 清洗/解析逻辑，统一复用 `parse_llm_json`
|
|
||||||
|
|
||||||
## 代码格式规范
|
|
||||||
|
|
||||||
### 紧凑风格
|
|
||||||
- 避免过度换行，保持代码紧凑易读
|
|
||||||
- 链式调用尽量写在一行，除非超过 120 字符
|
|
||||||
- 方法参数列表较多时，可适当换行但保持紧凑
|
|
||||||
- f-string 拼接优先写在一行
|
|
||||||
|
|
||||||
### 示例
|
|
||||||
|
|
||||||
**推荐（紧凑风格）：**
|
|
||||||
```python
|
|
||||||
# 查询语句一行
|
|
||||||
result = await session.execute(select(FuncPermission).where(FuncPermission.func_code == func_code, FuncPermission.status == 1))
|
|
||||||
|
|
||||||
# 链式操作一行
|
|
||||||
perm = result.scalar_one_or_none()
|
|
||||||
|
|
||||||
# f-string 拼接一行
|
|
||||||
log.info(f"功能权限校验 userId:{user_id} funcCode:{func_code}")
|
|
||||||
|
|
||||||
# 方法参数紧凑排列
|
|
||||||
async def check_and_deduct(self, user_id: int, func_code: str) -> int:
|
|
||||||
|
|
||||||
# 多条件 where 紧凑排列
|
|
||||||
result = await self.session.execute(select(UserFuncPermissionStock).where(
|
|
||||||
UserFuncPermissionStock.user_id == user_id, UserFuncPermissionStock.func_code == func_code))
|
|
||||||
```
|
|
||||||
@@ -1,201 +0,0 @@
|
|||||||
---
|
|
||||||
inclusion: manual
|
|
||||||
---
|
|
||||||
|
|
||||||
# OfferPie Python AI 项目结构说明
|
|
||||||
|
|
||||||
## 1️⃣ 项目整体层次
|
|
||||||
```
|
|
||||||
offerpie_python_ai/
|
|
||||||
│
|
|
||||||
├─ .env / .env.test / .env.prod # 环境变量配置（dev/test/prod）
|
|
||||||
├─ requirements.txt # Python 依赖清单
|
|
||||||
│
|
|
||||||
└─ app/ # 应用主目录
|
|
||||||
├─ main.py # FastAPI 应用入口（注册异常处理、中间件、CORS、路由）
|
|
||||||
├─ banner.txt # 启动 Banner
|
|
||||||
│
|
|
||||||
├─ config/ # **配置层**
|
|
||||||
│ └─ settings.py # Pydantic Settings 统一配置（环境、数据库、Redis、LLM供应商、JWT、CORS、日志等）
|
|
||||||
│
|
|
||||||
├─ core/ # **核心基础设施层**
|
|
||||||
│ ├─ auth.py # 权限校验依赖（require_login、func_permission 装饰器）
|
|
||||||
│ ├─ context.py # 请求上下文变量（RequestContext：request_id、user_id）
|
|
||||||
│ ├─ database.py # SQLAlchemy 异步引擎 + 会话工厂（init_db、close_db、get_db）
|
|
||||||
│ ├─ redis.py # Redis 异步连接池（init_redis、close_redis、get_redis）
|
|
||||||
│ ├─ lifespan.py # FastAPI 生命周期管理（启动初始化 DB/Redis，关闭释放资源）
|
|
||||||
│ ├─ logger.py # Loguru 日志配置（控制台+文件，自动注入 request_id/user_id）
|
|
||||||
│ ├─ middleware.py # 中间件注册（RequestID、JWT鉴权、登录拦截、请求日志、响应统一包装）
|
|
||||||
│ ├─ exceptions.py # 统一异常定义 + 全局异常处理器（AppError/ParamError/BizError/CreditError/AssertError/SysError + HTTP/验证/断言/未知兜底）
|
|
||||||
│ ├─ asserts.py # 业务断言工具类 Assert（风格参考 Spring Assert，条件不满足抛 AssertError code=4100）
|
|
||||||
│ └─ schemas/
|
|
||||||
│ └─ responses.py # 统一响应模型 StandardResponse（code/msg/data/timestamp/uuid）
|
|
||||||
│
|
|
||||||
├─ ai/ # **AI 能力层**
|
|
||||||
│ ├─ models.py # LLM 模型枚举（LLM.DOUBAO_PRO_32K、DEEPSEEK_V3、GPT_4O 等），基于 LangChain ChatOpenAI
|
|
||||||
│ ├─ model_config.py # AI 模型场景配置（集中管理各模块的模型选择与参数，业务代码引用此文件而非直接使用 LLM 枚举）
|
|
||||||
│ ├─ 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_polisher/ # 简历段落润色模块
|
|
||||||
│ │ ├─ prompts.py # 润色 Prompt 模板（仅格式/错字/表达优化，不改内容）
|
|
||||||
│ │ └─ polisher.py # AI 段落润色（polish_paragraphs 入口，输出等长数组）
|
|
||||||
│ ├─ 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）
|
|
||||||
│ │ └─ diagnoser.py # AI 并行诊断（diagnose_all 入口 + generate_summary 汇总评价）
|
|
||||||
│ ├─ 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（岗位简历优化）
|
|
||||||
│ │ ├─ prompts.py # 岗位简历优化 Prompt 模板
|
|
||||||
│ │ └─ 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）
|
|
||||||
│ └─ chat.py # Nova 对话 AI 引擎（拼 prompt + 调 LLM，返回纯文本）
|
|
||||||
│
|
|
||||||
├─ 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）
|
|
||||||
│ ├─ 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/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）
|
|
||||||
│ ├─ func_permission.py # 功能权限定义表（bg_func_permission）
|
|
||||||
│ ├─ user_func_permission_stock.py # 用户功能权限库存表（bg_user_func_permission_stock）
|
|
||||||
│ ├─ user_func_usage_log.py # 用户功能使用记录表（bg_user_func_usage_log）
|
|
||||||
│ ├─ user_resume.py # 用户简历主表（bg_user_resume）
|
|
||||||
│ ├─ user_resume_education.py # 简历-教育经历表（bg_user_resume_education）
|
|
||||||
│ ├─ user_resume_work.py # 简历-工作经历表（bg_user_resume_work）
|
|
||||||
│ ├─ user_resume_internship.py # 简历-实习经历表（bg_user_resume_internship）
|
|
||||||
│ ├─ 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）
|
|
||||||
│ ├─ job.py # 岗位表（bg_job，只读，用于技能差距分析）
|
|
||||||
│ ├─ job_agent_config.py # 求职助手配置表（bg_job_agent_config）
|
|
||||||
│ └─ user_job_customize_resume.py # 用户岗位定制简历表（bg_user_job_customize_resume）
|
|
||||||
│
|
|
||||||
├─ 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(.docx)/TXT/Markdown → 文本单元数组，parse_to_segments 入口方法）
|
|
||||||
│ ├─ json_helper.py # AI 输出 JSON 解析工具（自动去除 markdown 代码块包裹 + json_repair 容错，parse_llm_json 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）
|
|
||||||
│ ├─ customize_resume.py # 定制简历 Schema（CustomizeResume、ResumeProfile、Education、Work、Internship、Project、Competition、Paragraph）
|
|
||||||
│ ├─ 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**
|
|
||||||
├─ func_permission_service.py # 功能权限服务（校验+扣减+回退，逻辑与Java端一致）
|
|
||||||
├─ resume_service.py # 简历服务（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）
|
|
||||||
├─ 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）
|
|
||||||
```
|
|
||||||
|
|
||||||
## 2️⃣ 各层模块职责
|
|
||||||
| 层级 | 主要职责 | 关键类/文件 |
|
|
||||||
|------|----------|-------------|
|
|
||||||
| **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、断言工具、统一响应 | `database.py`、`redis.py`、`auth.py`、`middleware.py`、`exceptions.py`（统一异常+全局处理器）、`asserts.py`（业务断言工具 `Assert`）、`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 |
|
|
||||||
|------|----------|------|
|
|
||||||
| **Web 框架** | FastAPI + Uvicorn + Gunicorn | 异步 ASGI 框架 |
|
|
||||||
| **ORM** | SQLAlchemy 2.0 (asyncio) + asyncmy | 异步 MySQL 驱动 |
|
|
||||||
| **缓存** | redis-py (asyncio) | 异步 Redis 客户端 |
|
|
||||||
| **AI/LLM** | LangChain + LangChain-OpenAI + LangGraph | AI 编排框架，兼容 OpenAI 协议的多供应商接入 |
|
|
||||||
| **配置** | Pydantic Settings + python-dotenv | 类型安全的环境变量管理 |
|
|
||||||
| **日志** | Loguru | 结构化日志，自动注入请求上下文 |
|
|
||||||
| **鉴权** | PyJWT | JWT 解析，与 Java 端共享同一 jwt_secret |
|
|
||||||
| **数据处理** | Pandas + NumPy | 数据分析与处理 |
|
|
||||||
| **HTTP** | httpx | 异步 HTTP 客户端 |
|
|
||||||
| **文件解析** | pdfplumber + python-docx | PDF 和 Word 文件内容提取 |
|
|
||||||
|
|
||||||
## 4️⃣ 中间件执行链（由外到内）
|
|
||||||
| 顺序 | 中间件 | 职责 |
|
|
||||||
|------|--------|------|
|
|
||||||
| 1 | `RequestIDMiddleware` | 生成 ShortUUID 请求ID，写入响应头 X-Request-ID |
|
|
||||||
| 2 | `JwtAuthMiddleware` | 从 Cookie/Header 解析 JWT，校验 Redis 登录信息，续期，写入 RequestContext.user_id |
|
|
||||||
| 3 | `AuthRequiredMiddleware` | 非白名单路径必须有 user_id，否则返回 401 |
|
|
||||||
| 4 | `RequestLogMiddleware` | 记录请求方法、URL、参数、响应状态码和耗时 |
|
|
||||||
| 5 | `ResponseWrapMiddleware` | 将业务路由的 JSON 响应统一包装为 StandardResponse 格式 |
|
|
||||||
|
|
||||||
## 5️⃣ 鉴权体系
|
|
||||||
- 与 Java 端共享同一 JWT Secret 和 Redis 登录信息
|
|
||||||
- Token 来源：优先 Cookie `Token`，其次 Header `Token`
|
|
||||||
- 白名单路径（`/health/**`、`/docs/**`、`/redoc/**`、`/openapi.json`）跳过鉴权
|
|
||||||
- 功能权限校验通过 `func_permission(func_code)` 依赖注入实现，逻辑与 Java 端 `FuncPermissionAspect` 完全一致：
|
|
||||||
1. 校验每日免费额度
|
|
||||||
2. 查付费库存（时间+次数维度）
|
|
||||||
3. SQL 原子扣减
|
|
||||||
4. 业务异常自动回退
|
|
||||||
|
|
||||||
## 6️⃣ AI 模型配置
|
|
||||||
|
|
||||||
### 模型定义（`app/ai/models.py`）
|
|
||||||
| 供应商 | 模型 | 枚举值 |
|
|
||||||
|--------|------|--------|
|
|
||||||
| 火山引擎 | doubao-1-5-pro-32k-250115 | `LLM.DOUBAO_PRO_32K` |
|
|
||||||
| 火山引擎 | doubao-1-5-lite-32k-250115 | `LLM.DOUBAO_LITE_32K` |
|
|
||||||
| 火山引擎 | deepseek-v3-250324 | `LLM.DEEPSEEK_V3` |
|
|
||||||
| 火山引擎 | deepseek-r1-250528 | `LLM.DEEPSEEK_R1` |
|
|
||||||
| 火山引擎 | doubao-seed-2-0-mini-260215 | `LLM.DOUBAO_SEED_MINI` |
|
|
||||||
| 火山引擎 | doubao-seed-2-0-lite-260215 | `LLM.DOUBAO_SEED_LITE` |
|
|
||||||
| 火山引擎 | doubao-seed-2-0-pro-260215 | `LLM.DOUBAO_SEED_PRO` |
|
|
||||||
| 加鱼 | gpt-4o | `LLM.GPT_4O` |
|
|
||||||
| 接口 | gpt-4o-mini | `LLM.GPT_4O_MINI` |
|
|
||||||
| 接口 | gemini-2.5-flash | `LLM.GEMINI_FLASH` |
|
|
||||||
| 加鱼 | claude-sonnet-4.5 | `LLM.JIAYU_CLAUDE_SONNET_4_5` |
|
|
||||||
| 加鱼 | claude-haiku-4.5 | `LLM.JIAYU_CLAUDE_HAIKU_4_5` |
|
|
||||||
| 加鱼 | deepseek-3.2 | `LLM.JIAYU_DEEPSEEK_3_2` |
|
|
||||||
| 加鱼 | glm-5 | `LLM.JIAYU_GLM_5` |
|
|
||||||
| 加鱼 | qwen3-coder-next | `LLM.JIAYU_QWEN3_CODER_NEXT` |
|
|
||||||
| 加鱼 | minimax-m2.5 | `LLM.JIAYU_MINIMAX_M2_5` |
|
|
||||||
| ZM | gpt-5.5 | `LLM.ZM_GPT_5_5` |
|
|
||||||
| ZM | gpt-5.4 | `LLM.ZM_GPT_5_4` |
|
|
||||||
| ZM | gpt-5.4-mini | `LLM.ZM_GPT_5_4_MINI` |
|
|
||||||
| ZM | gpt-5.2 | `LLM.ZM_GPT_5_2` |
|
|
||||||
|
|
||||||
所有模型通过 `LLM.XXX.create(**kwargs)` 创建 LangChain `ChatOpenAI` 实例，kwargs 透传 temperature、max_tokens 等参数。
|
|
||||||
|
|
||||||
### 场景模型配置（`app/ai/model_config.py`）
|
|
||||||
|
|
||||||
业务代码**不直接使用** `LLM` 枚举，而是通过 `model_config.py` 中的场景配置类引用预创建的模型实例。修改模型或参数只需改此文件。
|
|
||||||
|
|
||||||
| 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` | 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 |
|
|
||||||
| `BrowserPlugModel` | FORM_FILL | 浏览器插件模块 |
|
|
||||||
|
|
||||||
业务代码引用示例：`from app.ai.model_config import SkillGapModel`，然后在 chain 中直接使用 `SkillGapModel.ANALYSIS`。
|
|
||||||
|
|
||||||
## 7️⃣ 与 Java 后端的关系
|
|
||||||
- **共享数据库**：Python 端与 Java 端（back-end）连接同一 MySQL 数据库（offerpie），ORM 模型对应相同的表
|
|
||||||
- **共享 Redis**：共享登录态（`login:token:{userId}`），JWT Secret 一致
|
|
||||||
- **共享权限体系**：功能权限校验逻辑与 Java 端 `FuncPermissionAspect` 完全对齐
|
|
||||||
- **职责分工**：Java 端负责业务 CRUD（用户、简历、岗位等），Python 端负责 AI 能力（LLM 调用、智能分析等）
|
|
||||||
|
|
||||||
## 8️⃣ 构建与运行
|
|
||||||
- **虚拟环境**：项目使用 `.venv` 目录管理 Python 虚拟环境
|
|
||||||
- **依赖安装**：`pip install -r requirements.txt`
|
|
||||||
- **开发启动**：`python -m app.main`（默认 ENV=dev，端口由 settings.server_port 控制）
|
|
||||||
- **生产部署**：通过 Gunicorn + Uvicorn Worker 运行
|
|
||||||
- **环境切换**：通过 `.env` / `.env.test` / `.env.prod` 文件控制环境变量
|
|
||||||
@@ -40,14 +40,14 @@ class NovaChatModel:
|
|||||||
|
|
||||||
class ResumeExtractorModel:
|
class ResumeExtractorModel:
|
||||||
"""简历解析模块"""
|
"""简历解析模块"""
|
||||||
# 简历结构化提取：两阶段并行提取简历文本为JSON结构
|
# 简历结构化提取：并行提取简历文本为JSON结构
|
||||||
PARSE = LLM.DOUBAO_PRO_32K.create(temperature=0)
|
PARSE = LLM.DEEPSEEK_V4_FLASH.create(temperature=0)
|
||||||
|
|
||||||
|
|
||||||
class ResumePolisherModel:
|
class ResumePolisherModel:
|
||||||
"""简历段落润色模块"""
|
"""简历段落润色模块"""
|
||||||
# 段落润色：仅做格式/错字/表达优化，不改内容，低温度保证稳定
|
# 段落润色：仅做格式/错字/表达优化，不改内容，低温度保证稳定
|
||||||
POLISH = LLM.DEEPSEEK_V4_FLASH.create(temperature=0.2)
|
POLISH = LLM.DOUBAO_PRO_32K.create(temperature=0.2)
|
||||||
|
|
||||||
|
|
||||||
class DiagnoserModel:
|
class DiagnoserModel:
|
||||||
|
|||||||
@@ -3,7 +3,7 @@
|
|||||||
Nova 求职对话助手的 system prompt，根据用户意图自行选择回答策略。
|
Nova 求职对话助手的 system prompt，根据用户意图自行选择回答策略。
|
||||||
"""
|
"""
|
||||||
|
|
||||||
SYSTEM_PROMPT = """你是 Nova，OfferPie 的 AI 求职助手。
|
SYSTEM_PROMPT = """你是 Nova，Offer派 的 AI 求职助手。
|
||||||
你现在是一个兼具客观、犀利的资深技术招聘专家。你的任务是帮候选人进行冷酷的岗位差距分析，而不是一味鼓励。
|
你现在是一个兼具客观、犀利的资深技术招聘专家。你的任务是帮候选人进行冷酷的岗位差距分析，而不是一味鼓励。
|
||||||
|
|
||||||
【候选人简历】
|
【候选人简历】
|
||||||
|
|||||||
@@ -18,6 +18,22 @@ description/summary 输出格式：字符串数组 list[str]，每个元素代
|
|||||||
- 同一段原文只应属于一条记录：不要为了描述完整而把其它记录已包含的内容再抄一遍，避免多条记录重复。
|
- 同一段原文只应属于一条记录：不要为了描述完整而把其它记录已包含的内容再抄一遍，避免多条记录重复。
|
||||||
- 宁可少选，不确定归属的内容一律不选。
|
- 宁可少选，不确定归属的内容一律不选。
|
||||||
|
|
||||||
|
模块归属总原则（防同一内容被多个模块重复收录）：
|
||||||
|
- 原文中的**每一段经历只能归属一个模块**。一条内容要么是工作、要么是实习、要么是项目、要么是竞赛，不能同时出现在两个模块。
|
||||||
|
- 工作/实习经历条目内部所描述的职责、成果、子项目，属于该**工作/实习**记录本身的描述，**不要**再把它们抽成独立的"项目"记录。
|
||||||
|
- 只有出现在**独立"项目/项目经历"板块**下、有自己标题的条目，才算项目记录。
|
||||||
|
- "做了作品/项目 + 参加比赛获奖"这类既像项目又像竞赛的条目（如机器人竞赛、创新创业大赛作品），**只归竞赛**，不要在项目里重复。
|
||||||
|
|
||||||
|
description/summary 输出的**分条铁律**（必须遵守）：
|
||||||
|
- description 是**字符串数组**，原文中的**每一条 bullet / 每一个段落**各自作为**一个独立数组元素**。
|
||||||
|
- **严禁**把多条 bullet 合并进同一个元素；**严禁**用 " / "、"；"、"、"、换行符等把多条内容拼接成一个长字符串。
|
||||||
|
- 正例：["负责A模块开发", "主导B方案落地"]；反例（禁止）：["负责A模块开发 / 主导B方案落地"]。
|
||||||
|
|
||||||
|
短字段准确性铁律：
|
||||||
|
- 时间：起止时间按原文如实填写，**开始时间不得晚于结束时间**，不要把起止写反；无法确定的填 null，不要臆造精确年月。
|
||||||
|
- 手机号：完整照抄，不要漏位、截断或改写（通常 11 位）；微信号只填到 wechatNumber，绝不当手机号。
|
||||||
|
- 角色/职位等：只填原文明确写出的，原文没有就填 null，**不要臆造或按常见值默认补全**。
|
||||||
|
|
||||||
花括号用 {{ }} 转义，避免被 ChatPromptTemplate 当作变量。{name} 为运行时替换的记录标识名。
|
花括号用 {{ }} 转义，避免被 ChatPromptTemplate 当作变量。{name} 为运行时替换的记录标识名。
|
||||||
"""
|
"""
|
||||||
|
|
||||||
@@ -31,7 +47,7 @@ OVERVIEW_PROFILE_PROMPT = """严格根据简历原文提取，不要猜测或编
|
|||||||
规则：
|
规则：
|
||||||
- 只提取以上6个字段，不提取skills/certificates/summary/经历。没有的填null。
|
- 只提取以上6个字段，不提取skills/certificates/summary/经历。没有的填null。
|
||||||
- name：填完整姓名，原文怎么写就怎么填，不要截断或只取一个字。
|
- name：填完整姓名，原文怎么写就怎么填，不要截断或只取一个字。
|
||||||
- mobileNumber：只填手机号（通常11位数字）；微信号必须填到wechatNumber，绝不能把微信号当手机号。
|
- mobileNumber：只填**一个**手机号（通常11位数字），若原文出现多个手机号只取第一个，绝不能把多个号码拼接或用逗号/顿号等连接填入；微信号必须填到wechatNumber，绝不能把微信号当手机号。
|
||||||
- portfolioUrl：只填作品集/个人主页/GitHub 等链接。
|
- portfolioUrl：只填作品集/个人主页/GitHub 等链接。
|
||||||
只输出JSON。"""
|
只输出JSON。"""
|
||||||
|
|
||||||
@@ -43,9 +59,10 @@ OVERVIEW_EDUCATION_PROMPT = """严格根据简历原文提取，不要猜测或
|
|||||||
规则：
|
规则：
|
||||||
1. 列出原文中每一个**实际就读或已获得学历**的**就读阶段**，不同阶段（本科/硕士/博士）分别列出，一段都不能漏。
|
1. 列出原文中每一个**实际就读或已获得学历**的**就读阶段**，不同阶段（本科/硕士/博士）分别列出，一段都不能漏。
|
||||||
2. 每个标识必须**唯一**：若同一所学校有多个不同就读阶段（如本科、硕士），用「学校+学位」区分（如"剑桥大学-硕士""剑桥大学-本科"），避免重名导致后续混淆。
|
2. 每个标识必须**唯一**：若同一所学校有多个不同就读阶段（如本科、硕士），用「学校+学位」区分（如"剑桥大学-硕士""剑桥大学-本科"），避免重名导致后续混淆。
|
||||||
3. **不要过度拆分**：
|
3. **不要过度拆分**（这是最常见的错误，务必克制）：
|
||||||
- 联合培养、交换、访学、海外学期属于对应主学历就读的一部分，**并入该主学历那一条**，不要单列成独立教育记录。
|
- 联合培养、交换、访学、海外学期、双学位/主辅修，都属于对应主学历就读的一部分，**并入该主学历那一条**，不要单列成独立教育记录。
|
||||||
- 同一学校同一就读阶段的双学位/主辅修，算**一条**，不要拆成两条。
|
- 同一所学校**同一就读阶段**只能有一条，不要因为专业不同、学院不同、或原文重复出现就拆成/重复成多条。
|
||||||
|
- 一个人的教育条目数 = 其真实就读的学历阶段数（通常本科1条、硕士1条…），不要多。
|
||||||
4. 仅"录取通知/offer/拟就读但尚未入学"的，**不算**教育经历，不要列入。
|
4. 仅"录取通知/offer/拟就读但尚未入学"的，**不算**教育经历，不要列入。
|
||||||
5. 培训机构、实习/工作单位、科研机构、社团不算学历教育，不要列入。
|
5. 培训机构、实习/工作单位、科研机构、社团不算学历教育，不要列入。
|
||||||
6. 没有输出[]。只输出JSON。"""
|
6. 没有输出[]。只输出JSON。"""
|
||||||
@@ -68,12 +85,13 @@ OVERVIEW_PROJECT_PROMPT = """严格根据简历原文提取，不要猜测或编
|
|||||||
["订单系统重构", "支付网关"]
|
["订单系统重构", "支付网关"]
|
||||||
```
|
```
|
||||||
规则：
|
规则：
|
||||||
1. 只提取作为**独立项目条目标题**出现的项目名（通常单独成行、常带"项目X："前缀或【】标题、并配有自己的起止时间/角色/描述）。
|
1. 只提取出现在**独立"项目/项目经历"板块**下、有自己标题的项目条目（通常单独成行、常带"项目X："前缀或【】标题、并配有自己的起止时间/角色/描述）。
|
||||||
2. **绝对不要**把出现在某段职责/产品描述句子内部、被"如/包括/例如/【】"等列举的功能点、模块、子功能当作项目（这些是描述内容，不是项目）。
|
2. **绝对不要**把"工作经历/实习经历"条目内部描述的职责、成果、子项目当作独立项目——它们属于对应的工作/实习记录，不要在项目模块重复收录。
|
||||||
3. **绝对不要**把社团/学生组织、校园活动、志愿服务、任职/职务、兴趣爱好当作项目——这些不是项目经历。
|
3. **绝对不要**把出现在某段职责/产品描述句子内部、被"如/包括/例如/【】"等列举的功能点、模块、子功能当作项目（这些是描述内容，不是项目）。
|
||||||
4. **绝对不要**把竞赛/比赛/大赛条目当作项目（如"XX大赛""挑战杯""创新创业大赛""职业规划大赛"等，以参赛/获奖为核心的条目）——这些归竞赛模块，即使参赛做了作品也不要在这里重复列。
|
4. **绝对不要**把社团/学生组织、校园活动、志愿服务、任职/职务、兴趣爱好当作项目——这些不是项目经历。
|
||||||
5. 同一个项目只列一次，不要因为它在工作经历里被提到就重复列。
|
5. **绝对不要**把竞赛/比赛/大赛条目当作项目（如"XX大赛""挑战杯""创新创业大赛""职业规划大赛"等，以参赛/获奖为核心的条目，即使参赛做了作品）——这些归竞赛模块。
|
||||||
6. 没有输出[]。只输出JSON。"""
|
6. 同一个项目只列一次。
|
||||||
|
7. 没有输出[]。只输出JSON。"""
|
||||||
|
|
||||||
OVERVIEW_COMPETITION_PROMPT = """严格根据简历原文提取，不要猜测或编造。
|
OVERVIEW_COMPETITION_PROMPT = """严格根据简历原文提取，不要猜测或编造。
|
||||||
输入为简历纯文本全文。从中仅提取竞赛/获奖经历的竞赛名称列表，输出JSON数组：
|
输入为简历纯文本全文。从中仅提取竞赛/获奖经历的竞赛名称列表，输出JSON数组：
|
||||||
@@ -91,7 +109,7 @@ OVERVIEW_COMPETITION_PROMPT = """严格根据简历原文提取，不要猜测
|
|||||||
# ==================== 第二阶段：详情提取 ====================
|
# ==================== 第二阶段：详情提取 ====================
|
||||||
|
|
||||||
# 通用尾注：description 数组的输出规范 + 清理规范。各详情 prompt 复用。
|
# 通用尾注：description 数组的输出规范 + 清理规范。各详情 prompt 复用。
|
||||||
_DESC_RULE = """description 为字符串数组，每个元素是原文中的一条 bullet 或一个段落：忠实还原原文措辞，按原文分条拆成多个数组元素（一条 bullet 一个元素），不要把多条内容塞进同一个元素；允许轻度清理（去除水印/页眉页脚/乱码碎片、把被折断的同一句话拼回完整），但不要改写、润色、扩写或编造；没有描述则填[]。只选属于"{name}"这条记录的内容，不要串入其它公司/项目/教育/竞赛/社团经历的内容，即使它们在原文中相邻。只输出JSON。"""
|
_DESC_RULE = """description 为字符串数组，**每个元素只装原文中的一条 bullet 或一个段落**：忠实还原原文措辞；**严禁把多条 bullet 合并进一个元素，严禁用 " / "、"；"、换行等符号把多条内容拼成一个长字符串**（正例 ["做了A","做了B"]；反例 ["做了A / 做了B"]）。允许轻度清理（去除水印/页眉页脚/乱码碎片、把被折断的同一句话拼回完整），但不要改写、润色、扩写或编造；没有描述则填[]。只选属于"{name}"这条记录的内容，不要串入其它公司/项目/教育/竞赛/社团经历的内容，即使它们在原文中相邻。只输出JSON。"""
|
||||||
|
|
||||||
DETAIL_EDUCATION_PROMPT = """严格根据简历原文提取，不要猜测或编造。输入为简历纯文本全文。
|
DETAIL_EDUCATION_PROMPT = """严格根据简历原文提取，不要猜测或编造。输入为简历纯文本全文。
|
||||||
请提取"{name}"这条教育经历的详细信息，输出JSON：
|
请提取"{name}"这条教育经历的详细信息，输出JSON：
|
||||||
|
|||||||
@@ -0,0 +1,2 @@
|
|||||||
|
|
||||||
|
|
||||||
@@ -0,0 +1,124 @@
|
|||||||
|
"""简历一步并发提取
|
||||||
|
|
||||||
|
7 路并发（个人信息 / 教育 / 工作 / 实习 / 项目 / 竞赛 / 社团组织），每路独立负责一个模块，
|
||||||
|
各自基于简历全文一次性输出该模块的全部内容（短字段 + description），无第二阶段。
|
||||||
|
相比两阶段方案：少一个串行轮次、全文只 prefill 7 次、无标识名定位环节。
|
||||||
|
description/summary 由 AI 直接按原文结构输出为字符串数组，代码只做类型兜底与清理。
|
||||||
|
最终组装为与两阶段方案完全一致的 dict 结构（description 为 list[str]，summary 为 str），上下游无感知。
|
||||||
|
任意模块提取失败：记录日志后丢弃该模块（主表字段退化为空、子表退化为空数组），不影响其余模块。
|
||||||
|
"""
|
||||||
|
|
||||||
|
import asyncio
|
||||||
|
import time
|
||||||
|
|
||||||
|
from langchain_core.output_parsers import StrOutputParser
|
||||||
|
from langchain_core.prompts import ChatPromptTemplate
|
||||||
|
|
||||||
|
from app.ai.model_config import ResumeExtractorModel
|
||||||
|
from app.ai.resume_extractor_v2.prompts import (
|
||||||
|
PROFILE_PROMPT, EDUCATION_PROMPT, WORK_PROMPT,
|
||||||
|
INTERNSHIP_PROMPT, PROJECT_PROMPT, COMPETITION_PROMPT,
|
||||||
|
ORGANIZATION_PROMPT,
|
||||||
|
)
|
||||||
|
from app.core.logger import log
|
||||||
|
from app.tool.json_helper import parse_llm_json
|
||||||
|
|
||||||
|
|
||||||
|
# ==================== LLM 调用工具 ====================
|
||||||
|
|
||||||
|
def _build_chain(prompt: str):
|
||||||
|
"""构建提取链：prompt → LLM → 文本输出"""
|
||||||
|
return ChatPromptTemplate.from_messages([("system", prompt), ("human", "{text}")]) | ResumeExtractorModel.PARSE | StrOutputParser()
|
||||||
|
|
||||||
|
|
||||||
|
async def _safe_invoke(chain, inp: dict, label: str):
|
||||||
|
"""单个链调用，记录耗时，失败返回空"""
|
||||||
|
start = time.perf_counter()
|
||||||
|
try:
|
||||||
|
raw = await chain.ainvoke(inp)
|
||||||
|
log.info(f"AI提取[{label}]完成，耗时: {time.perf_counter() - start:.2f}s")
|
||||||
|
return parse_llm_json(raw)
|
||||||
|
except Exception as e:
|
||||||
|
log.warning(f"AI提取[{label}]失败已丢弃，耗时: {time.perf_counter() - start:.2f}s，错误: {e}")
|
||||||
|
return None
|
||||||
|
|
||||||
|
|
||||||
|
# ==================== 结果清理 ====================
|
||||||
|
|
||||||
|
def _clean_str_list(value) -> list[str]:
|
||||||
|
"""将 AI 返回值规整为字符串数组：过滤非字符串与空白元素，去除首尾空白"""
|
||||||
|
if not isinstance(value, list):
|
||||||
|
return []
|
||||||
|
return [s.strip() for s in value if isinstance(s, str) and s.strip()]
|
||||||
|
|
||||||
|
|
||||||
|
def _clean_records(value, label: str) -> list[dict]:
|
||||||
|
"""将 AI 返回的模块结果规整为记录数组：过滤非 dict 元素，并清理每条记录的 description"""
|
||||||
|
if not isinstance(value, list):
|
||||||
|
if value is not None:
|
||||||
|
log.warning(f"AI提取[{label}]返回类型异常已丢弃: {type(value).__name__}")
|
||||||
|
return []
|
||||||
|
records = []
|
||||||
|
for item in value:
|
||||||
|
if not isinstance(item, dict):
|
||||||
|
continue
|
||||||
|
item["description"] = _clean_str_list(item.get("description"))
|
||||||
|
records.append(item)
|
||||||
|
return records
|
||||||
|
|
||||||
|
|
||||||
|
# ==================== 模块配置 ====================
|
||||||
|
|
||||||
|
# 子表模块统一配置（单一数据源）：(模块键, prompt, 日志标签)
|
||||||
|
# 并发调度、结果组装、日志统计均复用此清单，新增子表只需在此追加一行。
|
||||||
|
_SUB_MODULES: tuple[tuple[str, str, str], ...] = (
|
||||||
|
("education", EDUCATION_PROMPT, "教育"),
|
||||||
|
("work", WORK_PROMPT, "工作"),
|
||||||
|
("internship", INTERNSHIP_PROMPT, "实习"),
|
||||||
|
("project", PROJECT_PROMPT, "项目"),
|
||||||
|
("competition", COMPETITION_PROMPT, "竞赛"),
|
||||||
|
("organization", ORGANIZATION_PROMPT, "社团组织"),
|
||||||
|
)
|
||||||
|
|
||||||
|
# 无运行时 prompt 替换，7 条链在模块加载时一次性建好，请求期只做 ainvoke
|
||||||
|
_profile_chain = _build_chain(PROFILE_PROMPT)
|
||||||
|
_sub_chains = tuple((module, _build_chain(prompt), label) for module, prompt, label in _SUB_MODULES)
|
||||||
|
|
||||||
|
|
||||||
|
# ==================== 组装 ====================
|
||||||
|
|
||||||
|
def _assemble_profile(profile) -> dict:
|
||||||
|
"""个人信息路结果 → 主表字段 dict（skills 最多5个，summary 段落合并为字符串）"""
|
||||||
|
result = dict(profile) if isinstance(profile, dict) else {}
|
||||||
|
result["skills"] = _clean_str_list(result.get("skills"))[:30]
|
||||||
|
result["certificates"] = _clean_str_list(result.get("certificates"))
|
||||||
|
summary_paras = _clean_str_list(result.get("summary"))
|
||||||
|
result["summary"] = "\n".join(summary_paras) if summary_paras else None
|
||||||
|
return result
|
||||||
|
|
||||||
|
|
||||||
|
# ==================== 入口 ====================
|
||||||
|
|
||||||
|
async def extract_all(text: str) -> dict:
|
||||||
|
"""一步7路并发提取简历，返回与两阶段方案完全一致的结构化数据
|
||||||
|
|
||||||
|
text: 简历纯文本全文（PyMuPDF/docx/txt 提取，保留原始换行）。
|
||||||
|
"""
|
||||||
|
log.info(f"一步7路并发提取开始，文本字符数: {len(text)}")
|
||||||
|
start = time.perf_counter()
|
||||||
|
|
||||||
|
inp = {"text": text}
|
||||||
|
profile, *sub_results = await asyncio.gather(
|
||||||
|
_safe_invoke(_profile_chain, inp, "个人信息"),
|
||||||
|
*(_safe_invoke(chain, inp, label) for _, chain, label in _sub_chains),
|
||||||
|
)
|
||||||
|
|
||||||
|
result = _assemble_profile(profile)
|
||||||
|
for (module, _, label), raw in zip(_sub_chains, sub_results):
|
||||||
|
result[module] = _clean_records(raw, label)
|
||||||
|
|
||||||
|
log.info(
|
||||||
|
f"一步7路并发提取完成，总耗时: {time.perf_counter() - start:.2f}s - "
|
||||||
|
+ " ".join(f"{label}:{len(result[module])}" for module, _, label in _sub_chains)
|
||||||
|
)
|
||||||
|
return result
|
||||||
@@ -0,0 +1,195 @@
|
|||||||
|
"""简历一步并发提取 Prompt
|
||||||
|
|
||||||
|
7 路并发，每路独立负责一个模块（个人信息 / 教育 / 工作 / 实习 / 项目 / 竞赛 / 社团组织），
|
||||||
|
各自基于简历全文一次性输出该模块的**全部内容**（短字段 + description），无第二阶段。
|
||||||
|
|
||||||
|
与两阶段方案的差异：
|
||||||
|
- 不再有「先提标识名、再按名提详情」的过程，因此不需要标识名唯一性约束。
|
||||||
|
- 每路要一次输出该模块的多条记录，对「不偷懒」的要求更高（见下方记录完整性铁律）。
|
||||||
|
|
||||||
|
输入文本格式：简历纯文本全文（PyMuPDF/docx/txt 提取，保留原始换行）。
|
||||||
|
|
||||||
|
description/summary 输出格式：字符串数组 list[str]，每个元素代表原文中的「一条 bullet / 一个段落」，
|
||||||
|
由前端按元素换行展示。规则：
|
||||||
|
- 忠实还原原文措辞，按原文的分条/分段拆成数组元素，一条 bullet 一个元素。
|
||||||
|
- 允许轻度清理：去除水印/页眉页脚/乱码碎片，把被 PDF 折断的同一句话拼回完整。
|
||||||
|
- 不主动改写、润色、扩写、编造内容；没有内容则返回空数组 []。
|
||||||
|
|
||||||
|
模块归属总原则（防同一内容被多个模块重复收录）：
|
||||||
|
- 原文中的**每一段经历只能归属一个模块**。一条内容要么是工作、要么是实习、要么是项目、要么是竞赛、要么是社团组织，不能同时出现在两个模块。
|
||||||
|
- 工作/实习互为补集：明确标注实习的只归实习模块，未标注实习的只归工作模块，两边都不重复收。
|
||||||
|
- 工作/实习条目内部所描述的职责、成果、子项目，属于该**工作/实习**记录本身的描述，**不要**再把它们抽成独立的"项目"记录。
|
||||||
|
- 只有出现在**独立"项目/项目经历"板块**下、有自己标题的条目，才算项目记录。
|
||||||
|
- "做了作品/项目 + 参加比赛获奖"这类既像项目又像竞赛的条目（如机器人竞赛、创新创业大赛作品），**只归竞赛**，不要在项目里重复。
|
||||||
|
- 社团/学生组织任职、校园活动、志愿服务/公益，**只归社团组织模块**，教育/工作/实习/项目/竞赛五个模块一律不收。
|
||||||
|
- 社团名义参加的竞赛仍**只归竞赛**；社团组织模块只收非竞赛的组织与活动经历。
|
||||||
|
|
||||||
|
各模块通用铁律（防跨记录串扰/重复）：
|
||||||
|
- 每条记录只装真正属于它本身的内容；即使原文中相邻的内容属于**另一条**记录
|
||||||
|
（另一家公司、另一个项目、另一段学历、校园/社团/实习/竞赛等），也**绝不纳入**。
|
||||||
|
- 同一段原文只应属于一条记录：不要为了描述完整而把其它记录已包含的内容再抄一遍，避免多条记录重复。
|
||||||
|
- 宁可少选，不确定归属的内容一律不选。
|
||||||
|
|
||||||
|
description/summary 输出的**分条铁律**（必须遵守）：
|
||||||
|
- description 是**字符串数组**，原文中的**每一条 bullet / 每一个段落**各自作为**一个独立数组元素**。
|
||||||
|
- **严禁**把多条 bullet 合并进同一个元素；**严禁**用 " / "、"；"、"、"、换行符等把多条内容拼接成一个长字符串。
|
||||||
|
- 正例：["负责A模块开发", "主导B方案落地"]；反例（禁止）：["负责A模块开发 / 主导B方案落地"]。
|
||||||
|
|
||||||
|
**记录完整性铁律**（一步方案新增，一次输出多条记录时最易违反）：
|
||||||
|
- 按**原文出现顺序**输出记录，顺序即前端展示顺序，不要打乱。
|
||||||
|
- **每一条记录都必须完整输出**，不得因为记录条数多就简写、省略、截断后面的记录。
|
||||||
|
- 严禁合并记录，严禁用"同上""略""等等""其余类似"之类的措辞代指任何内容。
|
||||||
|
- 记录条数由原文决定：不足不要凑数，多也不要砍。
|
||||||
|
|
||||||
|
短字段准确性铁律：
|
||||||
|
- 时间：起止时间按原文如实填写，**开始时间不得晚于结束时间**，不要把起止写反；无法确定的填 null，不要臆造精确年月。
|
||||||
|
- 手机号：完整照抄，不要漏位、截断或改写（通常 11 位）；微信号只填到 wechatNumber，绝不当手机号。
|
||||||
|
- 角色/职位等：只填原文明确写出的，原文没有就填 null，**不要臆造或按常见值默认补全**。
|
||||||
|
|
||||||
|
花括号用 {{ }} 转义，避免被 ChatPromptTemplate 当作变量。本方案无运行时占位替换，prompt 中不含任何单花括号变量。
|
||||||
|
"""
|
||||||
|
|
||||||
|
# ==================== 通用尾注 ====================
|
||||||
|
|
||||||
|
# description 数组输出规范 + 记录归属/完整性规范。5 个子模块 prompt 复用。
|
||||||
|
_DESC_RULE = """description 输出规范：为字符串数组，**每个元素只装原文中的一条 bullet 或一个段落**：忠实还原原文措辞；**严禁把多条 bullet 合并进一个元素，严禁用 " / "、"；"、换行等符号把多条内容拼成一个长字符串**（正例 ["做了A","做了B"]；反例 ["做了A / 做了B"]）。允许轻度清理（去除水印/页眉页脚/乱码碎片、把被折断的同一句话拼回完整），但不要改写、润色、扩写或编造；没有描述则填[]。
|
||||||
|
记录归属规范：每条记录的 description 只装属于**该条记录本身**的内容。即使原文中相邻的内容属于另一条记录（另一家公司、另一个项目、另一段学历、社团/实习/竞赛等），也绝不纳入；同一段原文只应归属一条记录，不要为了描述完整而把其它记录已包含的内容再抄一遍。宁可少选，不确定归属的内容一律不选。
|
||||||
|
记录完整性规范：按**原文出现顺序**输出记录；**每一条记录都必须完整输出**，不得因记录条数多而简写、省略、截断或合并记录，也不得用"同上""略""等等"代指任何内容；记录条数由原文决定，不足不要凑数，多也不要砍。
|
||||||
|
只输出JSON，不要输出任何解释文字。"""
|
||||||
|
|
||||||
|
# ==================== 个人信息 ====================
|
||||||
|
|
||||||
|
PROFILE_PROMPT = """严格根据简历原文提取，不要猜测或编造，没有的填null。
|
||||||
|
输入为简历纯文本全文。从中提取个人基本信息、技能标签、证书和自我评价，输出JSON：
|
||||||
|
```json
|
||||||
|
{{ "name": "姓名", "email": "邮箱", "mobileNumber": "手机号", "city": "所在城市", "wechatNumber": "微信号", "portfolioUrl": "作品集链接", "hobbies": "兴趣爱好", "languageSkills": "语言能力", "skills": ["技能1"], "certificates": ["证书1"], "summary": ["自我评价段落1", "自我评价段落2"] }}
|
||||||
|
```
|
||||||
|
规则：
|
||||||
|
- 只提取以上11个字段，**不要提取任何经历**（教育/工作/实习/项目/竞赛/社团组织由其它模块单独负责）。前8个字段没有的填null，后3个数组字段没有的填[]。
|
||||||
|
- name：填完整姓名，原文怎么写就怎么填，不要截断或只取一个字。
|
||||||
|
- mobileNumber：只填**一个**手机号（通常11位数字），若原文出现多个手机号只取第一个，绝不能把多个号码拼接或用逗号/顿号等连接填入；微信号必须填到wechatNumber，绝不能把微信号当手机号。
|
||||||
|
- portfolioUrl：只填作品集/个人主页/GitHub 等链接。
|
||||||
|
- hobbies：**字符串**（不是数组）。填原文中兴趣爱好/爱好/个人兴趣板块的内容，原文怎么写就怎么填，多项之间保留原文的分隔写法。不要把技能、证书、社团经历当作兴趣爱好；没有填null。
|
||||||
|
- languageSkills：**字符串**（不是数组）。填原文中明确写出的语言能力描述（如"英语（流利）、日语 N2"），原文怎么写就怎么填。标准化考试成绩（CET-4/6、雅思、托福、GRE 等）归 certificates，**不要**重复填到本字段；原文没有语言能力描述则填null。
|
||||||
|
- skills：仅当简历中有明确的"技能"/"专业技能"等**独立模块**时才提取，按原文逐字填，最多10个；如果没有专门的技能模块，填[]。**不要**从工作/项目/自我评价里归纳技能，尤其不要把"团队沟通""抗压能力""责任心"等软素质描述当作技能。**证书/语言等级类（如CET-4/6、雅思、托福、GRE、计算机等级、教师资格证等）一律不计入 skills，它们只归 certificates。**
|
||||||
|
- certificates：填真正的**证书/证件/标准化考试成绩**，包括语言与等级类（如CET-4/6、雅思、托福、GRE、计算机等级、教师资格证、驾照等）。**不要**把竞赛奖项、荣誉称号、名次、奖学金，或工作描述里顺带提到的"认证"句子当作证书；没有填[]。
|
||||||
|
- summary：自我评价/个人概述**正文**的字符串数组，按原文分段拆成数组元素，一个段落一个元素。不要包含板块标题（如"个人优势""自我评价"），不要把技能列表、兴趣爱好、语言能力、经历内容纳入（兴趣爱好归 hobbies，语言能力归 languageSkills）；允许轻度清理（去除乱码/水印碎片），不要改写或编造；没有填[]。
|
||||||
|
只输出JSON，不要输出任何解释文字。"""
|
||||||
|
|
||||||
|
# ==================== 教育 ====================
|
||||||
|
|
||||||
|
EDUCATION_PROMPT = """严格根据简历原文提取，不要猜测或编造。输入为简历纯文本全文。
|
||||||
|
从中提取**全部学历教育**经历，按原文出现顺序输出JSON数组，每个元素为一条教育记录：
|
||||||
|
```json
|
||||||
|
[{{ "school": "学校", "major": "专业", "degree": "学历", "studyType": "全日制/非全日制", "startDate": "2020.09", "endDate": "2024.06", "description": ["描述段落1", "描述段落2"] }}]
|
||||||
|
```
|
||||||
|
记录选取规则：
|
||||||
|
1. 每一个**实际就读或已获得学历**的**就读阶段**输出一条，不同阶段（本科/硕士/博士）分别输出，一段都不能漏。
|
||||||
|
2. **不要过度拆分**（这是最常见的错误，务必克制）：
|
||||||
|
- 联合培养、交换、访学、海外学期、双学位/主辅修，都属于对应主学历就读的一部分，**并入该主学历那一条**，不要单列成独立教育记录。
|
||||||
|
- 同一所学校**同一就读阶段**只能有一条，不要因为专业不同、学院不同、或原文重复出现就拆成/重复成多条。
|
||||||
|
- 一个人的教育条目数 = 其真实就读的学历阶段数（通常本科1条、硕士1条…），不要多。
|
||||||
|
3. 仅"录取通知/offer/拟就读但尚未入学"的，**不算**教育经历，不要输出。
|
||||||
|
4. 培训机构、实习/工作单位、科研机构、社团不算学历教育，不要输出。
|
||||||
|
5. 没有则输出[]。
|
||||||
|
字段规则：短字段直接填值，时间格式YYYY.MM，没有的填null。
|
||||||
|
description 只填该校**学业本身**的额外正文（主修课程、绩点/排名、在校获得的学术成就）；学校/专业/学历/时间已有独立字段，不要重复纳入。
|
||||||
|
**严禁纳入以下内容**（它们属于其它模块、会被单独提取，即使在原文中紧跟这条教育经历也不要选）：实习、工作、项目、社团/学生组织、校园活动、志愿服务、竞赛获奖、科研/论文经历。宁可少选，不确定是否属于本校学业的内容一律不选。
|
||||||
|
""" + _DESC_RULE
|
||||||
|
|
||||||
|
# ==================== 工作 ====================
|
||||||
|
|
||||||
|
WORK_PROMPT = """严格根据简历原文提取，不要猜测或编造。输入为简历纯文本全文。
|
||||||
|
从中提取**全部正式工作经历**，按原文出现顺序输出JSON数组，每个元素为一条工作记录：
|
||||||
|
```json
|
||||||
|
[{{ "companyName": "公司", "position": "职位", "startDate": "2024.07", "endDate": "2025.03", "description": ["描述段落1", "描述段落2"] }}]
|
||||||
|
```
|
||||||
|
记录选取规则：
|
||||||
|
1. 只收**正式工作**经历。凡原文明确标注"实习/实习生/intern/Internship"的条目，**一律排除**，它们由实习模块单独负责，这里绝不收录。
|
||||||
|
2. 未明确标注实习的任职经历，都归本模块，不要因为"看起来像实习"就漏掉。
|
||||||
|
3. 每一段真实的任职经历输出一条，不要遗漏；同一段经历不要重复输出。若同一公司有多段不同岗位/时间的经历，按段分别输出多条。
|
||||||
|
4. **不要**把公司内部的具体项目当作独立的工作条目。
|
||||||
|
5. 社团/学生组织职务、校园活动、志愿服务不算工作经历，不要输出。
|
||||||
|
6. 没有则输出[]。
|
||||||
|
字段规则：短字段直接填值，时间格式YYYY.MM，在职/至今则 endDate 填null，没有的填null。
|
||||||
|
description 填直接描述该公司/岗位**整体职责或概述**的正文。若某段内容明显是某个**独立项目的明细**（且该项目会由项目模块单独提取），不要纳入，避免与项目模块重复；但公司层面的职责概述应当保留，不要整条留空导致内容丢失。
|
||||||
|
""" + _DESC_RULE
|
||||||
|
|
||||||
|
# ==================== 实习 ====================
|
||||||
|
|
||||||
|
INTERNSHIP_PROMPT = """严格根据简历原文提取，不要猜测或编造。输入为简历纯文本全文。
|
||||||
|
从中提取**全部实习经历**，按原文出现顺序输出JSON数组，每个元素为一条实习记录：
|
||||||
|
```json
|
||||||
|
[{{ "companyName": "公司", "position": "职位", "startDate": "2023.06", "endDate": "2023.09", "description": ["描述段落1", "描述段落2"] }}]
|
||||||
|
```
|
||||||
|
记录选取规则：
|
||||||
|
1. 只收原文**明确标注**"实习/实习生/intern/Internship"的经历（标注可出现在岗位名、公司行、板块标题上）。
|
||||||
|
2. 未明确标注实习的任职经历，视为正式工作，由工作模块负责，这里**不要收**，避免两个模块重复。
|
||||||
|
3. 每一段真实的实习经历输出一条，不要遗漏；同一段经历不要重复输出。若同一公司有多段不同岗位/时间的实习，按段分别输出多条。
|
||||||
|
4. **不要**把实习期间的具体项目当作独立的实习条目。
|
||||||
|
5. 社团/学生组织职务、校园活动、志愿服务、竞赛不算实习经历，不要输出。
|
||||||
|
6. 没有则输出[]。
|
||||||
|
字段规则：短字段直接填值，时间格式YYYY.MM，至今则 endDate 填null，没有的填null。
|
||||||
|
description 填直接描述该公司/岗位**整体职责或概述**的正文。若某段内容明显是某个**独立项目的明细**（且该项目会由项目模块单独提取），不要纳入，避免与项目模块重复；但岗位层面的职责概述应保留，不要整条留空导致内容丢失。
|
||||||
|
""" + _DESC_RULE
|
||||||
|
|
||||||
|
# ==================== 项目 ====================
|
||||||
|
|
||||||
|
PROJECT_PROMPT = """严格根据简历原文提取，不要猜测或编造。输入为简历纯文本全文。
|
||||||
|
从中提取**全部项目经历**，按原文出现顺序输出JSON数组，每个元素为一条项目记录：
|
||||||
|
```json
|
||||||
|
[{{ "companyName": "所属公司", "projectName": "项目名", "role": "角色名称", "startDate": "2023.03", "endDate": "2023.12", "description": ["描述段落1", "描述段落2"] }}]
|
||||||
|
```
|
||||||
|
记录选取规则：
|
||||||
|
1. 只提取出现在**独立"项目/项目经历"板块**下、有自己标题的项目条目（通常单独成行、常带"项目X："前缀或【】标题、并配有自己的起止时间/角色/描述）。
|
||||||
|
2. **绝对不要**把"工作经历/实习经历"条目内部描述的职责、成果、子项目当作独立项目——它们属于对应的工作/实习记录，不要在项目模块重复收录。
|
||||||
|
3. **绝对不要**把出现在某段职责/产品描述句子内部、被"如/包括/例如/【】"等列举的功能点、模块、子功能当作项目（这些是描述内容，不是项目）。
|
||||||
|
4. **绝对不要**把社团/学生组织、校园活动、志愿服务、任职/职务、兴趣爱好当作项目——这些不是项目经历。
|
||||||
|
5. **绝对不要**把竞赛/比赛/大赛条目当作项目（如"XX大赛""挑战杯""创新创业大赛""职业规划大赛"等，以参赛/获奖为核心的条目，即使参赛做了作品）——这些归竞赛模块。
|
||||||
|
6. 同一个项目只输出一条。
|
||||||
|
7. 没有则输出[]。
|
||||||
|
字段规则：短字段直接填值，时间格式YYYY.MM，没有的填null。
|
||||||
|
role 只填原文中**明确写出**的简短角色名；若原文没有写明该项目的角色，填null，**不要臆造或默认**（如不要凭空填"Developer""开发工程师""团队成员"）。
|
||||||
|
companyName 只填原文明确写出的所属公司/学校，没有写就填null。
|
||||||
|
description 填该项目的描述内容。
|
||||||
|
""" + _DESC_RULE
|
||||||
|
|
||||||
|
# ==================== 竞赛 ====================
|
||||||
|
|
||||||
|
COMPETITION_PROMPT = """严格根据简历原文提取，不要猜测或编造。输入为简历纯文本全文。
|
||||||
|
从中提取**全部竞赛/获奖经历**，按原文出现顺序输出JSON数组，每个元素为一条竞赛记录：
|
||||||
|
```json
|
||||||
|
[{{ "competitionName": "竞赛名", "award": "获奖情况", "awardDate": "2023.07", "description": ["描述段落1", "描述段落2"] }}]
|
||||||
|
```
|
||||||
|
记录选取规则：
|
||||||
|
1. 只提取真正的**竞赛/比赛/获奖**条目（以报名参赛、比赛名次/获奖为核心的条目，如"XX大赛""挑战杯""数学建模竞赛"）。
|
||||||
|
2. 同一个竞赛只输出一条，即使它拿了多个奖项，也不要按奖项拆成多条——多个奖项写进同一条的 award 字段。
|
||||||
|
3. **绝对不要**把社团活动、职务、示例文字、描述里顺带提到的活动当作竞赛。
|
||||||
|
4. **绝对不要**把工作/实习/研究/开发**项目**当作竞赛——即使该项目获过奖，它仍归项目模块，不要在这里重复输出（判断依据：条目本质是"做了一个项目/产品/研究"还是"参加了一场比赛"）。
|
||||||
|
5. 奖学金、荣誉称号、考试成绩不属于竞赛，不要输出。
|
||||||
|
6. 没有则输出[]。
|
||||||
|
字段规则：短字段直接填值，时间格式YYYY.MM，没有的填null。
|
||||||
|
description 填该竞赛/获奖的额外描述内容。
|
||||||
|
""" + _DESC_RULE
|
||||||
|
|
||||||
|
# ==================== 社团组织 ====================
|
||||||
|
|
||||||
|
ORGANIZATION_PROMPT = """严格根据简历原文提取，不要猜测或编造。输入为简历纯文本全文。
|
||||||
|
从中提取**全部社团/学生组织/校园活动/志愿服务**经历，按原文出现顺序输出JSON数组，每个元素为一条社团组织记录：
|
||||||
|
```json
|
||||||
|
[{{ "organizationName": "社团/组织名称", "role": "担任角色", "startDate": "2022.04", "endDate": "2023.06", "description": ["描述段落1", "描述段落2"] }}]
|
||||||
|
```
|
||||||
|
记录选取规则：
|
||||||
|
1. 只收**非任职、非竞赛**的组织类经历，包括：学生会/社团/协会/学生组织任职，校园活动的组织与参与，志愿服务/公益/支教，学校或院系的非学业性组织工作。
|
||||||
|
2. **绝对不要**把正式工作、实习经历当作社团经历——凡是公司/企业/机构的任职（含实习），一律归工作或实习模块，这里不收。
|
||||||
|
3. **绝对不要**把竞赛/比赛/大赛条目当作社团经历（如"XX大赛""挑战杯""创新创业大赛"等以参赛/获奖为核心的条目）——这些归竞赛模块，即使该竞赛由某社团组织或以社团名义参加。
|
||||||
|
4. **绝对不要**把出现在独立"项目/项目经历"板块下、有自己标题的项目条目当作社团经历——这些归项目模块。
|
||||||
|
5. **绝对不要**把学历教育经历当作社团经历。
|
||||||
|
6. 同一个社团/组织的同一段任职只输出一条；若同一组织有多段不同职务/时间的经历，按段分别输出多条。
|
||||||
|
7. 单纯的兴趣爱好罗列（如"爱好篮球、摄影"）不算社团组织经历，不要输出。
|
||||||
|
8. 没有则输出[]。
|
||||||
|
字段规则：短字段直接填值，时间格式YYYY.MM，至今则 endDate 填null，没有的填null。
|
||||||
|
organizationName 填社团/组织/活动的名称，原文怎么写就怎么填。
|
||||||
|
role 只填原文中**明确写出**的简短角色名（如"部长""统筹""志愿者"）；若原文没有写明，填null，**不要臆造或默认**（如不要凭空填"成员""负责人"）。
|
||||||
|
description 填该社团/组织经历的职责与成果描述。
|
||||||
|
""" + _DESC_RULE
|
||||||
@@ -1,16 +1,22 @@
|
|||||||
"""简历段落润色 Prompt 模板"""
|
"""简历段落润色 Prompt 模板"""
|
||||||
|
|
||||||
POLISH_PROMPT = """你是一位严谨的简历文字校对助手。请对用户提交的简历段落进行"表面润色"，只做表达层面的优化。
|
POLISH_PROMPT = """你是一位资深简历顾问，擅长把平淡的经历描述改写得更专业、更有表现力。请对用户提交的简历段落进行"表达优化"，在不虚构事实的前提下大胆提升表达力。
|
||||||
|
|
||||||
## 优化范围（只允许做这些）
|
## 优化目标（要真正做出改变）
|
||||||
- 修正错别字、标点、语法错误
|
- 强化表达力：把口语化、平淡、流水账式的描述，改写成专业、有力、简历书写规范的表达
|
||||||
- 优化文本格式与排版（如多余空格、断句、全半角混用）
|
- 善用动作动词：以有力的动词开头（负责/主导/搭建/推动/优化/提升等），突出你的贡献
|
||||||
- 让表达更通顺、专业，去除明显口语化和冗余措辞
|
- 理清逻辑结构：让每条描述尽量体现"做了什么 → 怎么做 → 带来什么结果"，条理清晰
|
||||||
|
- 精炼措辞：删除冗余、重复、无意义的填充词，让句子更紧凑
|
||||||
|
- 修正错别字、标点、语法、格式问题（多余空格、断句、全半角混用等）
|
||||||
|
|
||||||
## 严格禁止（绝对不能做）
|
## 红线（绝对不能碰）
|
||||||
- 不得改变原意，不得增加或删除任何信息点
|
- 只优化表达，不虚构事实：**严禁**凭空添加或夸大任何数字、量化成果、技能、职责、技术栈、奖项、成就
|
||||||
- 不得编造、补充任何内容（尤其禁止凭空添加数字、量化成果、技能、成就）
|
- 原文没有的量化数据（百分比、金额、规模等）绝不能编造；原文有的数字必须原样保留，不得改动
|
||||||
- 不得改变段落的数量和顺序
|
- 不改变经历的核心事实与含义，不无中生有地拔高
|
||||||
|
- 保留用户本人的基本语气与专业方向，是"把他说得更好"，而不是换成另一个人
|
||||||
|
|
||||||
|
## 格式约束
|
||||||
|
- 输出段落的**数量和顺序必须与输入完全一致**：输入几段就输出几段，一一对应，不合并、不拆分、不增删段落
|
||||||
|
|
||||||
## 输入
|
## 输入
|
||||||
用户提交的段落数组（每个元素是一个段落）：
|
用户提交的段落数组（每个元素是一个段落）：
|
||||||
@@ -18,4 +24,4 @@ POLISH_PROMPT = """你是一位严谨的简历文字校对助手。请对用户
|
|||||||
|
|
||||||
## 输出格式
|
## 输出格式
|
||||||
严格输出 JSON 数组，元素个数和顺序必须与输入完全一致，不要输出其他任何内容：
|
严格输出 JSON 数组，元素个数和顺序必须与输入完全一致，不要输出其他任何内容：
|
||||||
["润色后的段落1", "润色后的段落2"]"""
|
["优化后的段落1", "优化后的段落2"]"""
|
||||||
|
|||||||
@@ -94,7 +94,7 @@ AGENT_PLAN_PROMPT = """你是一个简历编辑助手。你的唯一职责是根
|
|||||||
3. 修改主表：{{"type": "update", "module": "resume", "instruction": "修改说明(30字内)"}}
|
3. 修改主表：{{"type": "update", "module": "resume", "instruction": "修改说明(30字内)"}}
|
||||||
4. 新增记录：{{"type": "add", "module": "模块名", "instruction": "新增说明(30字内)"}}
|
4. 新增记录：{{"type": "add", "module": "模块名", "instruction": "新增说明(30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)
|
模块名可选：resume(主表，包含 name、email、mobileNumber、city、wechatNumber、portfolioUrl、skills、certificates、summary、avatarUrl、hobbies、languageSkills)、education(教育)、work(工作)、internship(实习)、project(项目)、competition(竞赛)、organization(社团组织)
|
||||||
|
|
||||||
规则：
|
规则：
|
||||||
1. 非简历修改相关的指令一律拒绝，返回固定话术，不要尝试回答或引导
|
1. 非简历修改相关的指令一律拒绝，返回固定话术，不要尝试回答或引导
|
||||||
@@ -154,10 +154,11 @@ AGENT_MODULE_ADD_PROMPT = """你是一个简历编辑助手。根据要求，生
|
|||||||
|
|
||||||
# 各模块数据结构定义（传入 prompt 的 module_schema）
|
# 各模块数据结构定义（传入 prompt 的 module_schema）
|
||||||
MODULE_SCHEMAS: dict[str, str] = {
|
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" }',
|
"resume": '{ "avatarUrl": "string", "name": "string", "email": "string", "mobileNumber": "string", "city": "string", "wechatNumber": "string", "portfolioUrl": "string", "skills": ["string"], "certificates": ["string"], "summary": "string", "hobbies": "string", "languageSkills": "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"}] }]',
|
"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"}] }]',
|
"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"}] }]',
|
"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"}] }]',
|
"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"}] }]',
|
"competition": '[{ "id": "string(8位)", "competitionName": "string", "award": "string", "awardDate": "2023.07", "description": [{"id": "string(8位)", "text": "string"}] }]',
|
||||||
|
"organization": '[{ "id": "string(8位)", "organizationName": "string", "role": "string", "startDate": "2022.04", "endDate": "2023.06", "description": [{"id": "string(8位)", "text": "string"}] }]',
|
||||||
}
|
}
|
||||||
|
|||||||
@@ -2,6 +2,7 @@
|
|||||||
|
|
||||||
from fastapi import APIRouter, Depends
|
from fastapi import APIRouter, Depends
|
||||||
|
|
||||||
|
from app.core.asserts import Assert
|
||||||
from app.core.auth import func_permission
|
from app.core.auth import func_permission
|
||||||
from app.core.context import RequestContext
|
from app.core.context import RequestContext
|
||||||
from app.core.database import get_db
|
from app.core.database import get_db
|
||||||
@@ -13,17 +14,18 @@ router = APIRouter(prefix="/job-agent", tags=["求职助手agent"])
|
|||||||
|
|
||||||
@router.post("/match-score", summary="岗位匹配度评分")
|
@router.post("/match-score", summary="岗位匹配度评分")
|
||||||
async def match_score(param: MatchScoreParam):
|
async def match_score(param: MatchScoreParam):
|
||||||
"""根据定制简历和岗位，从技能/学历/经验维度评估匹配度，返回 0-100 分"""
|
"""根据定制简历或原始简历和岗位，从技能/学历/经验维度评估匹配度，返回 0-100 分"""
|
||||||
|
Assert.is_true(param.customize_resume_id is not None or param.resume_id is not None, "customizeResumeId 和 resumeId 至少传一个")
|
||||||
user_id = RequestContext.user_id.get()
|
user_id = RequestContext.user_id.get()
|
||||||
async for session in get_db():
|
async for session in get_db():
|
||||||
service = JobAgentChatService(session)
|
service = JobAgentChatService(session)
|
||||||
result = await service.score_match(user_id, param.customize_resume_id, param.job_id)
|
result = await service.score_match(user_id, param.job_id, param.customize_resume_id, param.resume_id)
|
||||||
return result
|
return result
|
||||||
|
|
||||||
|
|
||||||
@router.post("/optimize-resume", summary="针对岗位优化简历")
|
@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"))):
|
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"""
|
"""根据目标岗位，AI并发优化简历（summary + 6张子表经历），存Redis并返回"""
|
||||||
user_id = RequestContext.user_id.get()
|
user_id = RequestContext.user_id.get()
|
||||||
async for session in get_db():
|
async for session in get_db():
|
||||||
service = JobAgentChatService(session)
|
service = JobAgentChatService(session)
|
||||||
|
|||||||
@@ -17,7 +17,7 @@ class ResumeDiagnosisIssue(Base):
|
|||||||
report_id: Mapped[int] = mapped_column(BigInteger, nullable=False, comment="关联report.id")
|
report_id: Mapped[int] = mapped_column(BigInteger, nullable=False, comment="关联report.id")
|
||||||
resume_id: Mapped[int] = mapped_column(BigInteger, nullable=False, comment="关联bg_user_resume.id")
|
resume_id: Mapped[int] = mapped_column(BigInteger, nullable=False, comment="关联bg_user_resume.id")
|
||||||
user_id: Mapped[int] = mapped_column(BigInteger, nullable=False, comment="用户ID")
|
user_id: Mapped[int] = mapped_column(BigInteger, nullable=False, comment="用户ID")
|
||||||
module_type: Mapped[str] = mapped_column(String(32), nullable=False, comment="模块类型: summary/education/work/internship/project/competition")
|
module_type: Mapped[str] = mapped_column(String(32), nullable=False, comment="模块类型: summary/education/work/internship/project/competition/organization")
|
||||||
module_record_id: Mapped[int] = mapped_column(BigInteger, nullable=False, comment="模块记录ID，summary时为resume_id")
|
module_record_id: Mapped[int] = mapped_column(BigInteger, nullable=False, comment="模块记录ID，summary时为resume_id")
|
||||||
finding: Mapped[Optional[str]] = mapped_column(Text, nullable=True, comment="诊断发现")
|
finding: Mapped[Optional[str]] = mapped_column(Text, nullable=True, comment="诊断发现")
|
||||||
importance: Mapped[Optional[str]] = mapped_column(Text, nullable=True, comment="为什么重要")
|
importance: Mapped[Optional[str]] = mapped_column(Text, nullable=True, comment="为什么重要")
|
||||||
|
|||||||
@@ -35,6 +35,8 @@ class UserResume(Base):
|
|||||||
skills: Mapped[Optional[list]] = mapped_column(JSON, nullable=True, comment="技能标签列表")
|
skills: Mapped[Optional[list]] = mapped_column(JSON, nullable=True, comment="技能标签列表")
|
||||||
certificates: Mapped[Optional[list]] = mapped_column(JSON, nullable=True, comment="证书标签列表")
|
certificates: Mapped[Optional[list]] = mapped_column(JSON, nullable=True, comment="证书标签列表")
|
||||||
summary: Mapped[Optional[str]] = mapped_column(String(2000), nullable=True, comment="个人概述")
|
summary: Mapped[Optional[str]] = mapped_column(String(2000), nullable=True, comment="个人概述")
|
||||||
|
hobbies: Mapped[Optional[str]] = mapped_column(String(2000), nullable=True, comment="兴趣爱好")
|
||||||
|
language_skills: Mapped[Optional[str]] = mapped_column(String(2000), nullable=True, comment="语言能力")
|
||||||
|
|
||||||
create_time: Mapped[datetime] = mapped_column(DateTime, default=datetime.now, comment="创建时间")
|
create_time: Mapped[datetime] = mapped_column(DateTime, default=datetime.now, comment="创建时间")
|
||||||
update_time: Mapped[datetime] = mapped_column(DateTime, default=datetime.now, onupdate=datetime.now, comment="更新时间")
|
update_time: Mapped[datetime] = mapped_column(DateTime, default=datetime.now, onupdate=datetime.now, comment="更新时间")
|
||||||
|
|||||||
@@ -0,0 +1,26 @@
|
|||||||
|
"""简历-社团组织经历表（bg_user_resume_organization）"""
|
||||||
|
|
||||||
|
from datetime import datetime
|
||||||
|
from typing import Optional
|
||||||
|
|
||||||
|
from sqlalchemy import BigInteger, Integer, String, DateTime, JSON
|
||||||
|
from sqlalchemy.orm import Mapped, mapped_column
|
||||||
|
|
||||||
|
from app.core.database import Base
|
||||||
|
|
||||||
|
|
||||||
|
class UserResumeOrganization(Base):
|
||||||
|
"""简历-社团组织经历表 bg_user_resume_organization"""
|
||||||
|
__tablename__ = "bg_user_resume_organization"
|
||||||
|
|
||||||
|
id: Mapped[int] = mapped_column(BigInteger, primary_key=True)
|
||||||
|
resume_id: Mapped[int] = mapped_column(BigInteger, nullable=False, comment="关联bg_user_resume.id")
|
||||||
|
user_id: Mapped[int] = mapped_column(BigInteger, nullable=False, comment="用户ID")
|
||||||
|
organization_name: Mapped[Optional[str]] = mapped_column(String(128), nullable=True, comment="社团/组织名称")
|
||||||
|
role: Mapped[Optional[str]] = mapped_column(String(64), nullable=True, comment="担任角色")
|
||||||
|
start_date: Mapped[Optional[str]] = mapped_column(String(16), nullable=True, comment="开始时间，格式：2023.06")
|
||||||
|
end_date: Mapped[Optional[str]] = mapped_column(String(16), nullable=True, comment="结束时间，格式：2023.09")
|
||||||
|
description: Mapped[Optional[list]] = mapped_column(JSON, nullable=True, comment="描述段落 [{id, text}]")
|
||||||
|
sort_order: Mapped[Optional[int]] = mapped_column(Integer, nullable=True, comment="排序序号")
|
||||||
|
create_time: Mapped[datetime] = mapped_column(DateTime, default=datetime.now, comment="创建时间")
|
||||||
|
update_time: Mapped[datetime] = mapped_column(DateTime, default=datetime.now, onupdate=datetime.now, comment="更新时间")
|
||||||
@@ -28,6 +28,8 @@ class ResumeProfile(_AliasModel):
|
|||||||
skills: list[str] = Field(default_factory=list)
|
skills: list[str] = Field(default_factory=list)
|
||||||
certificates: list[str] = Field(default_factory=list)
|
certificates: list[str] = Field(default_factory=list)
|
||||||
summary: str = Field(default="")
|
summary: str = Field(default="")
|
||||||
|
hobbies: str = Field(default="")
|
||||||
|
language_skills: str = Field(default="", alias="languageSkills")
|
||||||
|
|
||||||
|
|
||||||
class Education(_AliasModel):
|
class Education(_AliasModel):
|
||||||
@@ -77,6 +79,15 @@ class Competition(_AliasModel):
|
|||||||
description: list[Paragraph] = Field(default_factory=list)
|
description: list[Paragraph] = Field(default_factory=list)
|
||||||
|
|
||||||
|
|
||||||
|
class Organization(_AliasModel):
|
||||||
|
id: str = Field(default="")
|
||||||
|
organization_name: str = Field(default="", alias="organizationName")
|
||||||
|
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 CustomizeResume(_AliasModel):
|
class CustomizeResume(_AliasModel):
|
||||||
"""定制简历结构"""
|
"""定制简历结构"""
|
||||||
resume: ResumeProfile = Field(default_factory=ResumeProfile)
|
resume: ResumeProfile = Field(default_factory=ResumeProfile)
|
||||||
@@ -85,3 +96,4 @@ class CustomizeResume(_AliasModel):
|
|||||||
internship: list[Internship] = Field(default_factory=list)
|
internship: list[Internship] = Field(default_factory=list)
|
||||||
project: list[Project] = Field(default_factory=list)
|
project: list[Project] = Field(default_factory=list)
|
||||||
competition: list[Competition] = Field(default_factory=list)
|
competition: list[Competition] = Field(default_factory=list)
|
||||||
|
organization: list[Organization] = Field(default_factory=list)
|
||||||
|
|||||||
@@ -13,5 +13,6 @@ class OptimizeResumeParam(BaseModel):
|
|||||||
|
|
||||||
|
|
||||||
class MatchScoreParam(BaseModel):
|
class MatchScoreParam(BaseModel):
|
||||||
customize_resume_id: int = Field(..., alias="customizeResumeId", description="定制简历ID")
|
customize_resume_id: int | None = Field(None, alias="customizeResumeId", description="定制简历ID")
|
||||||
|
resume_id: int | None = Field(None, alias="resumeId", description="简历ID")
|
||||||
job_id: int = Field(..., alias="jobId", description="岗位ID")
|
job_id: int = Field(..., alias="jobId", description="岗位ID")
|
||||||
|
|||||||
@@ -95,7 +95,11 @@ class BrowserPlugService:
|
|||||||
parts.append(f"证书：{'、'.join(resume['certificates'])}")
|
parts.append(f"证书：{'、'.join(resume['certificates'])}")
|
||||||
if resume.get("summary"):
|
if resume.get("summary"):
|
||||||
parts.append(f"个人概述：{resume['summary']}")
|
parts.append(f"个人概述：{resume['summary']}")
|
||||||
for section, title in [("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")]:
|
if resume.get("hobbies"):
|
||||||
|
parts.append(f"兴趣爱好：{resume['hobbies']}")
|
||||||
|
if resume.get("languageSkills"):
|
||||||
|
parts.append(f"语言能力：{resume['languageSkills']}")
|
||||||
|
for section, title in [("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"), ("organization", "社团组织经历")]:
|
||||||
items = data.get(section, [])
|
items = data.get(section, [])
|
||||||
if items:
|
if items:
|
||||||
parts.append(f"{title}：")
|
parts.append(f"{title}：")
|
||||||
@@ -108,4 +112,6 @@ class BrowserPlugService:
|
|||||||
parts.append(f" - {item.get('projectName', '')} {item.get('role', '')}")
|
parts.append(f" - {item.get('projectName', '')} {item.get('role', '')}")
|
||||||
elif section == "competition":
|
elif section == "competition":
|
||||||
parts.append(f" - {item.get('competitionName', '')} {item.get('award', '')}")
|
parts.append(f" - {item.get('competitionName', '')} {item.get('award', '')}")
|
||||||
|
elif section == "organization":
|
||||||
|
parts.append(f" - {item.get('organizationName', '')} {item.get('role', '')}")
|
||||||
return "\n".join(parts) if parts else "暂无简历信息"
|
return "\n".join(parts) if parts else "暂无简历信息"
|
||||||
|
|||||||
@@ -13,7 +13,7 @@ from app.core.database import get_db
|
|||||||
from app.core.redis import RedisManager
|
from app.core.redis import RedisManager
|
||||||
from app.models.user_job_customize_resume import UserJobCustomizeResume
|
from app.models.user_job_customize_resume import UserJobCustomizeResume
|
||||||
from app.schemas.customize_resume import (
|
from app.schemas.customize_resume import (
|
||||||
CustomizeResume, ResumeProfile, Education, Work, Internship, Project, Competition, Paragraph,
|
CustomizeResume, ResumeProfile, Education, Work, Internship, Project, Competition, Organization, Paragraph,
|
||||||
)
|
)
|
||||||
from app.services.resume_loader import ResumeDetail, load_default_resume_detail
|
from app.services.resume_loader import ResumeDetail, load_default_resume_detail
|
||||||
from app.tool.snowflake import next_id
|
from app.tool.snowflake import next_id
|
||||||
@@ -46,6 +46,7 @@ def build_from_detail(detail: ResumeDetail) -> CustomizeResume:
|
|||||||
wechatNumber=resume.wechat_number or "", portfolioUrl=resume.portfolio_url or "",
|
wechatNumber=resume.wechat_number or "", portfolioUrl=resume.portfolio_url or "",
|
||||||
skills=resume.skills or [], certificates=resume.certificates or [],
|
skills=resume.skills or [], certificates=resume.certificates or [],
|
||||||
summary=resume.summary or "",
|
summary=resume.summary or "",
|
||||||
|
hobbies=resume.hobbies or "", languageSkills=resume.language_skills or "",
|
||||||
)
|
)
|
||||||
return CustomizeResume(
|
return CustomizeResume(
|
||||||
resume=profile,
|
resume=profile,
|
||||||
@@ -65,6 +66,9 @@ def build_from_detail(detail: ResumeDetail) -> CustomizeResume:
|
|||||||
competition=[Competition(id=_rand_id(), competitionName=r.competition_name or "", award=r.award or "",
|
competition=[Competition(id=_rand_id(), competitionName=r.competition_name or "", award=r.award or "",
|
||||||
awardDate=r.award_date or "",
|
awardDate=r.award_date or "",
|
||||||
description=_build_paragraphs(r.description)) for r in detail.competition],
|
description=_build_paragraphs(r.description)) for r in detail.competition],
|
||||||
|
organization=[Organization(id=_rand_id(), organizationName=r.organization_name or "", role=r.role or "",
|
||||||
|
startDate=r.start_date or "", endDate=r.end_date or "",
|
||||||
|
description=_build_paragraphs(r.description)) for r in detail.organization],
|
||||||
)
|
)
|
||||||
|
|
||||||
|
|
||||||
@@ -104,7 +108,7 @@ async def get_by_id(user_id: int, customize_resume_id: int) -> CustomizeResume |
|
|||||||
async def get(user_id: int, job_id: int) -> dict | None:
|
async def get(user_id: int, job_id: int) -> dict | None:
|
||||||
"""查询定制简历，查不到则加载默认简历构建返回
|
"""查询定制简历，查不到则加载默认简历构建返回
|
||||||
|
|
||||||
返回结构：{id, resumeId, resumeName, resume, education, work, internship, project, competition}
|
返回结构：{id, resumeId, resumeName, resume, education, work, internship, project, competition, organization}
|
||||||
fallback 默认简历时：id=None, resumeId=默认简历id, resumeName=原简历名
|
fallback 默认简历时：id=None, resumeId=默认简历id, resumeName=原简历名
|
||||||
"""
|
"""
|
||||||
async for session in get_db():
|
async for session in get_db():
|
||||||
|
|||||||
@@ -2,7 +2,7 @@
|
|||||||
|
|
||||||
主要功能：针对岗位并发优化简历；岗位匹配度评分。
|
主要功能：针对岗位并发优化简历；岗位匹配度评分。
|
||||||
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）、job_agent.match_scorer（匹配评分）
|
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）、job_agent.match_scorer（匹配评分）
|
||||||
使用表：bg_user_resume + 5张子表（通过 resume_loader 查询）、bg_job（查岗位）、bg_user_job_customize_resume（定制简历）
|
使用表：bg_user_resume + 6张子表（通过 resume_loader 查询）、bg_job（查岗位）、bg_user_job_customize_resume（定制简历）
|
||||||
"""
|
"""
|
||||||
|
|
||||||
import asyncio
|
import asyncio
|
||||||
@@ -16,7 +16,7 @@ from app.ai.job_agent.resume_optimizer import optimize_summary, optimize_experie
|
|||||||
from app.ai.job_agent.match_scorer import score_match as ai_score_match
|
from app.ai.job_agent.match_scorer import score_match as ai_score_match
|
||||||
from app.core.logger import log
|
from app.core.logger import log
|
||||||
from app.models.job import Job
|
from app.models.job import Job
|
||||||
from app.schemas.customize_resume import CustomizeResume, Education, Work, Internship, Project, Competition
|
from app.schemas.customize_resume import CustomizeResume, Education, Work, Internship, Project, Competition, Organization
|
||||||
from app.services.resume_loader import load_resume_detail
|
from app.services.resume_loader import load_resume_detail
|
||||||
from app.services import customize_resume_store
|
from app.services import customize_resume_store
|
||||||
|
|
||||||
@@ -26,11 +26,15 @@ class JobAgentChatService:
|
|||||||
def __init__(self, session: AsyncSession):
|
def __init__(self, session: AsyncSession):
|
||||||
self.session = session
|
self.session = session
|
||||||
|
|
||||||
async def score_match(self, user_id: int, customize_resume_id: int, job_id: int) -> int:
|
async def score_match(self, user_id: int, job_id: int, customize_resume_id: int | None = None, resume_id: int | None = None) -> int:
|
||||||
"""岗位匹配评分：查定制简历 + 岗位 → 序列化简历 → 调AI评分，返回 0-100 整数"""
|
"""岗位匹配评分：查定制简历或原始简历 + 岗位 → 序列化简历 → 调AI评分，返回 0-100 整数"""
|
||||||
cr = await customize_resume_store.get_by_id(user_id, customize_resume_id)
|
if customize_resume_id:
|
||||||
if cr is None:
|
cr = await customize_resume_store.get_by_id(user_id, customize_resume_id)
|
||||||
raise ValueError("定制简历不存在")
|
if cr is None:
|
||||||
|
raise ValueError("定制简历不存在")
|
||||||
|
else:
|
||||||
|
detail = await load_resume_detail(self.session, resume_id, user_id)
|
||||||
|
cr = customize_resume_store.build_from_detail(detail)
|
||||||
job = await self._get_job(job_id)
|
job = await self._get_job(job_id)
|
||||||
resume_text = self._build_resume_text_from_cr(cr)
|
resume_text = self._build_resume_text_from_cr(cr)
|
||||||
skill_tags = "、".join(job.skill_tags) if job.skill_tags else ""
|
skill_tags = "、".join(job.skill_tags) if job.skill_tags else ""
|
||||||
@@ -50,6 +54,10 @@ class JobAgentChatService:
|
|||||||
parts.append(f"证书：{'、'.join(r.certificates)}")
|
parts.append(f"证书：{'、'.join(r.certificates)}")
|
||||||
if r.summary:
|
if r.summary:
|
||||||
parts.append(f"个人概述：{r.summary}")
|
parts.append(f"个人概述：{r.summary}")
|
||||||
|
if r.hobbies:
|
||||||
|
parts.append(f"兴趣爱好：{r.hobbies}")
|
||||||
|
if r.language_skills:
|
||||||
|
parts.append(f"语言能力：{r.language_skills}")
|
||||||
if cr.education:
|
if cr.education:
|
||||||
parts.append("教育经历：")
|
parts.append("教育经历：")
|
||||||
for e in cr.education:
|
for e in cr.education:
|
||||||
@@ -73,6 +81,11 @@ class JobAgentChatService:
|
|||||||
parts.append("竞赛经历：")
|
parts.append("竞赛经历：")
|
||||||
for c in cr.competition:
|
for c in cr.competition:
|
||||||
parts.append(f" - {c.competition_name} {c.award}".rstrip())
|
parts.append(f" - {c.competition_name} {c.award}".rstrip())
|
||||||
|
if cr.organization:
|
||||||
|
parts.append("社团组织经历：")
|
||||||
|
for o in cr.organization:
|
||||||
|
parts.append(f" - {o.organization_name} {o.role}".rstrip())
|
||||||
|
parts.extend(f" {p.text}" for p in o.description if p.text)
|
||||||
return "\n".join(parts) if parts else "暂无简历信息"
|
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:
|
async def optimize_resume(self, user_id: int, resume_id: int, job_id: int) -> dict:
|
||||||
@@ -113,7 +126,8 @@ class JobAgentChatService:
|
|||||||
"""构建各子表的 AI 优化任务列表，按单条记录拆分"""
|
"""构建各子表的 AI 优化任务列表，按单条记录拆分"""
|
||||||
result: list[tuple[str, int, str]] = []
|
result: list[tuple[str, int, str]] = []
|
||||||
for name, items in [("education", cr.education), ("work", cr.work), ("internship", cr.internship),
|
for name, items in [("education", cr.education), ("work", cr.work), ("internship", cr.internship),
|
||||||
("project", cr.project), ("competition", cr.competition)]:
|
("project", cr.project), ("competition", cr.competition),
|
||||||
|
("organization", cr.organization)]:
|
||||||
for idx, item in enumerate(items or []):
|
for idx, item in enumerate(items or []):
|
||||||
result.append((name, idx, json.dumps(item.model_dump(by_alias=True), ensure_ascii=False)))
|
result.append((name, idx, json.dumps(item.model_dump(by_alias=True), ensure_ascii=False)))
|
||||||
return result
|
return result
|
||||||
@@ -132,8 +146,8 @@ class JobAgentChatService:
|
|||||||
if key == "summary" and isinstance(result, str):
|
if key == "summary" and isinstance(result, str):
|
||||||
cr.resume.summary = result
|
cr.resume.summary = result
|
||||||
return
|
return
|
||||||
model_map = {"education": Education, "work": Work, "internship": Internship, "project": Project, "competition": Competition}
|
model_map = {"education": Education, "work": Work, "internship": Internship, "project": Project, "competition": Competition, "organization": Organization}
|
||||||
list_map = {"education": cr.education, "work": cr.work, "internship": cr.internship, "project": cr.project, "competition": cr.competition}
|
list_map = {"education": cr.education, "work": cr.work, "internship": cr.internship, "project": cr.project, "competition": cr.competition, "organization": cr.organization}
|
||||||
model_cls = model_map.get(key)
|
model_cls = model_map.get(key)
|
||||||
items = list_map.get(key)
|
items = list_map.get(key)
|
||||||
if model_cls is None or items is None:
|
if model_cls is None or items is None:
|
||||||
|
|||||||
@@ -2,7 +2,7 @@
|
|||||||
|
|
||||||
主要功能：查询简历数据 + 查询岗位（可选），调用 AI 模块完成对话。
|
主要功能：查询简历数据 + 查询岗位（可选），调用 AI 模块完成对话。
|
||||||
依赖：resume_loader（简历统一查询）、nova_chat AI 模块
|
依赖：resume_loader（简历统一查询）、nova_chat AI 模块
|
||||||
使用表：bg_user_resume + 5张子表（通过 resume_loader 查询）、bg_job（查岗位，可选）
|
使用表：bg_user_resume + 6张子表（通过 resume_loader 查询）、bg_job（查岗位，可选）
|
||||||
"""
|
"""
|
||||||
|
|
||||||
from typing import Optional
|
from typing import Optional
|
||||||
@@ -60,6 +60,10 @@ class NovaChatService:
|
|||||||
parts.append(f"证书：{'、'.join(resume.certificates)}")
|
parts.append(f"证书：{'、'.join(resume.certificates)}")
|
||||||
if resume.summary:
|
if resume.summary:
|
||||||
parts.append(f"个人概述：{resume.summary}")
|
parts.append(f"个人概述：{resume.summary}")
|
||||||
|
if resume.hobbies:
|
||||||
|
parts.append(f"兴趣爱好：{resume.hobbies}")
|
||||||
|
if resume.language_skills:
|
||||||
|
parts.append(f"语言能力：{resume.language_skills}")
|
||||||
if detail.education:
|
if detail.education:
|
||||||
parts.append("教育经历：")
|
parts.append("教育经历：")
|
||||||
for r in detail.education:
|
for r in detail.education:
|
||||||
@@ -80,4 +84,8 @@ class NovaChatService:
|
|||||||
parts.append("竞赛经历：")
|
parts.append("竞赛经历：")
|
||||||
for r in detail.competition:
|
for r in detail.competition:
|
||||||
parts.append(f" - {r.competition_name or ''} {r.award or ''}")
|
parts.append(f" - {r.competition_name or ''} {r.award or ''}")
|
||||||
|
if detail.organization:
|
||||||
|
parts.append("社团组织经历：")
|
||||||
|
for r in detail.organization:
|
||||||
|
parts.append(f" - {r.organization_name or ''} {r.role or ''}")
|
||||||
return "\n".join(parts) if parts else "暂无简历信息"
|
return "\n".join(parts) if parts else "暂无简历信息"
|
||||||
|
|||||||
@@ -2,7 +2,7 @@
|
|||||||
|
|
||||||
加载简历描述数据 → 并行 AI 诊断 → 统计评级 → AI 汇总评价 → 写入数据库。
|
加载简历描述数据 → 并行 AI 诊断 → 统计评级 → AI 汇总评价 → 写入数据库。
|
||||||
依赖：resume_diagnoser（AI诊断引擎）
|
依赖：resume_diagnoser（AI诊断引擎）
|
||||||
使用表：bg_user_resume + 5张子表（读）、bg_resume_diagnosis_report + issue（写）
|
使用表：bg_user_resume + 6张子表（读）、bg_resume_diagnosis_report + issue（写）
|
||||||
"""
|
"""
|
||||||
|
|
||||||
import json
|
import json
|
||||||
@@ -21,6 +21,7 @@ from app.tool.snowflake import next_id
|
|||||||
_MODULE_LABELS = {
|
_MODULE_LABELS = {
|
||||||
"summary": "个人概述", "education": "教育经历", "work": "工作经历",
|
"summary": "个人概述", "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",
|
"internship": "实习经历", "project": "项目经历", "competition": "竞赛经历",
|
||||||
|
"organization": "社团组织经历",
|
||||||
}
|
}
|
||||||
|
|
||||||
|
|
||||||
@@ -30,7 +31,7 @@ class ResumeDiagnoseService:
|
|||||||
self.session = session
|
self.session = session
|
||||||
|
|
||||||
async def load_resume_data(self, resume_id: int, user_id: int) -> tuple[UserResume, list[dict]]:
|
async def load_resume_data(self, resume_id: int, user_id: int) -> tuple[UserResume, list[dict]]:
|
||||||
"""加载简历主表 + 5 张子表数据，组装 AI 任务列表"""
|
"""加载简历主表 + 6 张子表数据，组装 AI 任务列表"""
|
||||||
detail = await load_resume_detail(self.session, resume_id, user_id)
|
detail = await load_resume_detail(self.session, resume_id, user_id)
|
||||||
resume = detail.resume
|
resume = detail.resume
|
||||||
|
|
||||||
@@ -57,6 +58,8 @@ class ResumeDiagnoseService:
|
|||||||
lambda r: f"公司: {r.company_name or ''}, 项目: {r.project_name or ''}, 角色: {r.role or ''}")
|
lambda r: f"公司: {r.company_name or ''}, 项目: {r.project_name or ''}, 角色: {r.role or ''}")
|
||||||
self._collect_tasks(tasks, target_position, "competition", detail.competition,
|
self._collect_tasks(tasks, target_position, "competition", detail.competition,
|
||||||
lambda r: f"竞赛: {r.competition_name or ''}, 获奖: {r.award or ''}")
|
lambda r: f"竞赛: {r.competition_name or ''}, 获奖: {r.award or ''}")
|
||||||
|
self._collect_tasks(tasks, target_position, "organization", detail.organization,
|
||||||
|
lambda r: f"社团/组织: {r.organization_name or ''}, 角色: {r.role or ''}")
|
||||||
return resume, tasks
|
return resume, tasks
|
||||||
|
|
||||||
@staticmethod
|
@staticmethod
|
||||||
|
|||||||
@@ -1,6 +1,6 @@
|
|||||||
"""简历统一查询模块
|
"""简历统一查询模块
|
||||||
|
|
||||||
提供简历主表 + 5张子表的统一查询能力，返回脱离 session 的 ResumeDetail dataclass。
|
提供简历主表 + 6张子表的统一查询能力，返回脱离 session 的 ResumeDetail dataclass。
|
||||||
各 Service 统一复用，避免重复查询逻辑。
|
各 Service 统一复用，避免重复查询逻辑。
|
||||||
"""
|
"""
|
||||||
|
|
||||||
@@ -15,31 +15,33 @@ from app.models.user_resume_work import UserResumeWork
|
|||||||
from app.models.user_resume_internship import UserResumeInternship
|
from app.models.user_resume_internship import UserResumeInternship
|
||||||
from app.models.user_resume_project import UserResumeProject
|
from app.models.user_resume_project import UserResumeProject
|
||||||
from app.models.user_resume_competition import UserResumeCompetition
|
from app.models.user_resume_competition import UserResumeCompetition
|
||||||
|
from app.models.user_resume_organization import UserResumeOrganization
|
||||||
|
|
||||||
|
|
||||||
@dataclass
|
@dataclass
|
||||||
class ResumeDetail:
|
class ResumeDetail:
|
||||||
"""简历完整数据，主表 + 5张子表"""
|
"""简历完整数据，主表 + 6张子表"""
|
||||||
resume: UserResume
|
resume: UserResume
|
||||||
education: list[UserResumeEducation] = field(default_factory=list)
|
education: list[UserResumeEducation] = field(default_factory=list)
|
||||||
work: list[UserResumeWork] = field(default_factory=list)
|
work: list[UserResumeWork] = field(default_factory=list)
|
||||||
internship: list[UserResumeInternship] = field(default_factory=list)
|
internship: list[UserResumeInternship] = field(default_factory=list)
|
||||||
project: list[UserResumeProject] = field(default_factory=list)
|
project: list[UserResumeProject] = field(default_factory=list)
|
||||||
competition: list[UserResumeCompetition] = field(default_factory=list)
|
competition: list[UserResumeCompetition] = field(default_factory=list)
|
||||||
|
organization: list[UserResumeOrganization] = field(default_factory=list)
|
||||||
|
|
||||||
|
|
||||||
async def load_resume_detail(session: AsyncSession, resume_id: int, user_id: int) -> ResumeDetail:
|
async def load_resume_detail(session: AsyncSession, resume_id: int, user_id: int) -> ResumeDetail:
|
||||||
"""按ID查简历主表（校验归属）+ 5张子表，返回 ResumeDetail"""
|
"""按ID查简历主表（校验归属）+ 6张子表，返回 ResumeDetail"""
|
||||||
result = await session.execute(select(UserResume).where(UserResume.id == resume_id, UserResume.user_id == user_id))
|
result = await session.execute(select(UserResume).where(UserResume.id == resume_id, UserResume.user_id == user_id))
|
||||||
resume = result.scalar_one_or_none()
|
resume = result.scalar_one_or_none()
|
||||||
if not resume:
|
if not resume:
|
||||||
raise ValueError("简历不存在")
|
raise ValueError("简历不存在")
|
||||||
edu, work, intern, proj, comp = await _load_sub_tables(session, resume_id)
|
edu, work, intern, proj, comp, org = await _load_sub_tables(session, resume_id)
|
||||||
return ResumeDetail(resume=resume, education=edu, work=work, internship=intern, project=proj, competition=comp)
|
return ResumeDetail(resume=resume, education=edu, work=work, internship=intern, project=proj, competition=comp, organization=org)
|
||||||
|
|
||||||
|
|
||||||
async def load_default_resume_detail(session: AsyncSession, user_id: int) -> ResumeDetail:
|
async def load_default_resume_detail(session: AsyncSession, user_id: int) -> ResumeDetail:
|
||||||
"""自动选默认简历（先默认再最新）+ 5张子表，返回 ResumeDetail"""
|
"""自动选默认简历（先默认再最新）+ 6张子表，返回 ResumeDetail"""
|
||||||
result = await session.execute(
|
result = await session.execute(
|
||||||
select(UserResume).where(UserResume.user_id == user_id, UserResume.is_default == 1)
|
select(UserResume).where(UserResume.user_id == user_id, UserResume.is_default == 1)
|
||||||
.order_by(desc(UserResume.update_time)).limit(1))
|
.order_by(desc(UserResume.update_time)).limit(1))
|
||||||
@@ -51,15 +53,16 @@ async def load_default_resume_detail(session: AsyncSession, user_id: int) -> Res
|
|||||||
resume = result.scalar_one_or_none()
|
resume = result.scalar_one_or_none()
|
||||||
if not resume:
|
if not resume:
|
||||||
raise ValueError("请先创建简历")
|
raise ValueError("请先创建简历")
|
||||||
edu, work, intern, proj, comp = await _load_sub_tables(session, resume.id)
|
edu, work, intern, proj, comp, org = await _load_sub_tables(session, resume.id)
|
||||||
return ResumeDetail(resume=resume, education=edu, work=work, internship=intern, project=proj, competition=comp)
|
return ResumeDetail(resume=resume, education=edu, work=work, internship=intern, project=proj, competition=comp, organization=org)
|
||||||
|
|
||||||
|
|
||||||
async def _load_sub_tables(session: AsyncSession, resume_id: int):
|
async def _load_sub_tables(session: AsyncSession, resume_id: int):
|
||||||
"""查询简历5张子表"""
|
"""查询简历6张子表"""
|
||||||
edu = (await session.execute(select(UserResumeEducation).where(UserResumeEducation.resume_id == resume_id))).scalars().all()
|
edu = (await session.execute(select(UserResumeEducation).where(UserResumeEducation.resume_id == resume_id))).scalars().all()
|
||||||
work = (await session.execute(select(UserResumeWork).where(UserResumeWork.resume_id == resume_id))).scalars().all()
|
work = (await session.execute(select(UserResumeWork).where(UserResumeWork.resume_id == resume_id))).scalars().all()
|
||||||
intern = (await session.execute(select(UserResumeInternship).where(UserResumeInternship.resume_id == resume_id))).scalars().all()
|
intern = (await session.execute(select(UserResumeInternship).where(UserResumeInternship.resume_id == resume_id))).scalars().all()
|
||||||
proj = (await session.execute(select(UserResumeProject).where(UserResumeProject.resume_id == resume_id))).scalars().all()
|
proj = (await session.execute(select(UserResumeProject).where(UserResumeProject.resume_id == resume_id))).scalars().all()
|
||||||
comp = (await session.execute(select(UserResumeCompetition).where(UserResumeCompetition.resume_id == resume_id))).scalars().all()
|
comp = (await session.execute(select(UserResumeCompetition).where(UserResumeCompetition.resume_id == resume_id))).scalars().all()
|
||||||
return edu, work, intern, proj, comp
|
org = (await session.execute(select(UserResumeOrganization).where(UserResumeOrganization.resume_id == resume_id))).scalars().all()
|
||||||
|
return edu, work, intern, proj, comp, org
|
||||||
|
|||||||
@@ -2,19 +2,20 @@
|
|||||||
|
|
||||||
上传简历文件 → 解析为纯文本 → AI 两阶段并行结构化 → 写入数据库。
|
上传简历文件 → 解析为纯文本 → AI 两阶段并行结构化 → 写入数据库。
|
||||||
依赖：resume_text_extractor（文件文本提取）、resume_extractor（AI两阶段并行提取）
|
依赖：resume_text_extractor（文件文本提取）、resume_extractor（AI两阶段并行提取）
|
||||||
使用表：bg_user_resume（主表）、bg_user_resume_education/work/internship/project/competition（5张子表）
|
使用表：bg_user_resume（主表）、bg_user_resume_education/work/internship/project/competition/organization（6张子表）
|
||||||
"""
|
"""
|
||||||
|
|
||||||
import shortuuid
|
import shortuuid
|
||||||
from sqlalchemy.ext.asyncio import AsyncSession
|
from sqlalchemy.ext.asyncio import AsyncSession
|
||||||
|
|
||||||
from app.ai.resume_extractor.extractor import extract_all
|
from app.ai.resume_extractor_v2.extractor import extract_all
|
||||||
from app.ai.resume_polisher.polisher import polish_paragraphs
|
from app.ai.resume_polisher.polisher import polish_paragraphs
|
||||||
from app.core.logger import log
|
from app.core.logger import log
|
||||||
from app.models.user_resume import UserResume
|
from app.models.user_resume import UserResume
|
||||||
from app.models.user_resume_competition import UserResumeCompetition
|
from app.models.user_resume_competition import UserResumeCompetition
|
||||||
from app.models.user_resume_education import UserResumeEducation
|
from app.models.user_resume_education import UserResumeEducation
|
||||||
from app.models.user_resume_internship import UserResumeInternship
|
from app.models.user_resume_internship import UserResumeInternship
|
||||||
|
from app.models.user_resume_organization import UserResumeOrganization
|
||||||
from app.models.user_resume_project import UserResumeProject
|
from app.models.user_resume_project import UserResumeProject
|
||||||
from app.models.user_resume_work import UserResumeWork
|
from app.models.user_resume_work import UserResumeWork
|
||||||
from app.tool.resume_text_extractor import extract_text
|
from app.tool.resume_text_extractor import extract_text
|
||||||
@@ -29,11 +30,12 @@ class ResumeService:
|
|||||||
text = await extract_text(filename, content)
|
text = await extract_text(filename, content)
|
||||||
if not text or not text.strip():
|
if not text or not text.strip():
|
||||||
raise ValueError("文件内容为空，无法解析")
|
raise ValueError("文件内容为空，无法解析")
|
||||||
|
# log.info(f"文件解析完成: {text}")
|
||||||
log.info(f"文件解析完成，文本字符数: {len(text)}")
|
log.info(f"文件解析完成，文本字符数: {len(text)}")
|
||||||
|
|
||||||
log.info("开始AI两阶段并行结构化提取")
|
log.info("开始AI并行结构化提取")
|
||||||
parsed = await extract_all(text)
|
parsed = await extract_all(text)
|
||||||
log.info("AI两阶段并行结构化提取完成")
|
log.info("AI结构化提取完成")
|
||||||
return parsed
|
return parsed
|
||||||
|
|
||||||
async def polish_paragraphs(self, content: list[str]) -> list[str]:
|
async def polish_paragraphs(self, content: list[str]) -> list[str]:
|
||||||
@@ -44,7 +46,7 @@ class ResumeService:
|
|||||||
return result
|
return result
|
||||||
|
|
||||||
async def save_resume(self, session: AsyncSession, user_id: int, filename: str, parsed: dict) -> int:
|
async def save_resume(self, session: AsyncSession, user_id: int, filename: str, parsed: dict) -> int:
|
||||||
"""将解析结果写入主表 + 5张子表，返回简历ID"""
|
"""将解析结果写入主表 + 6张子表，返回简历ID"""
|
||||||
resume_id = next_id()
|
resume_id = next_id()
|
||||||
|
|
||||||
session.add(UserResume(
|
session.add(UserResume(
|
||||||
@@ -56,6 +58,7 @@ class ResumeService:
|
|||||||
wechat_number=parsed.get("wechatNumber"), portfolio_url=parsed.get("portfolioUrl"),
|
wechat_number=parsed.get("wechatNumber"), portfolio_url=parsed.get("portfolioUrl"),
|
||||||
skills=parsed.get("skills") or [], certificates=parsed.get("certificates") or [],
|
skills=parsed.get("skills") or [], certificates=parsed.get("certificates") or [],
|
||||||
summary=parsed.get("summary"),
|
summary=parsed.get("summary"),
|
||||||
|
hobbies=parsed.get("hobbies"), language_skills=parsed.get("languageSkills"),
|
||||||
))
|
))
|
||||||
|
|
||||||
for i, edu in enumerate(parsed.get("education") or []):
|
for i, edu in enumerate(parsed.get("education") or []):
|
||||||
@@ -100,6 +103,14 @@ class ResumeService:
|
|||||||
description=_to_paragraphs(comp.get("description")), sort_order=i,
|
description=_to_paragraphs(comp.get("description")), sort_order=i,
|
||||||
))
|
))
|
||||||
|
|
||||||
|
for i, org in enumerate(parsed.get("organization") or []):
|
||||||
|
session.add(UserResumeOrganization(
|
||||||
|
id=next_id(), resume_id=resume_id, user_id=user_id,
|
||||||
|
organization_name=org.get("organizationName"), role=org.get("role"),
|
||||||
|
start_date=org.get("startDate"), end_date=org.get("endDate"),
|
||||||
|
description=_to_paragraphs(org.get("description")), sort_order=i,
|
||||||
|
))
|
||||||
|
|
||||||
await session.flush()
|
await session.flush()
|
||||||
log.info(f"简历保存完成，resumeId: {resume_id}")
|
log.info(f"简历保存完成，resumeId: {resume_id}")
|
||||||
return resume_id
|
return resume_id
|
||||||
|
|||||||
@@ -2,7 +2,7 @@
|
|||||||
|
|
||||||
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。
|
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）
|
依赖：skill_gap_analyzer（AI引擎）
|
||||||
使用表：bg_job（读）、bg_user_resume + 5张子表（读）
|
使用表：bg_job（读）、bg_user_resume + 6张子表（读）
|
||||||
存储：Redis（定制简历 + 回滚数据）
|
存储：Redis（定制简历 + 回滚数据）
|
||||||
"""
|
"""
|
||||||
|
|
||||||
@@ -20,7 +20,7 @@ from app.ai.skill_gap_analyzer.analyzer import (
|
|||||||
from app.ai.skill_gap_analyzer.prompts import MODULE_SCHEMAS
|
from app.ai.skill_gap_analyzer.prompts import MODULE_SCHEMAS
|
||||||
from app.core.logger import log
|
from app.core.logger import log
|
||||||
from app.schemas.customize_resume import (
|
from app.schemas.customize_resume import (
|
||||||
CustomizeResume, ResumeProfile, Education, Work, Internship, Project, Competition,
|
CustomizeResume, ResumeProfile, Education, Work, Internship, Project, Competition, Organization,
|
||||||
)
|
)
|
||||||
from app.models.job import Job
|
from app.models.job import Job
|
||||||
from app.models.user_resume import UserResume
|
from app.models.user_resume import UserResume
|
||||||
@@ -35,6 +35,7 @@ _MODULE_LABELS = {
|
|||||||
"internship": "实习经历",
|
"internship": "实习经历",
|
||||||
"project": "项目经历",
|
"project": "项目经历",
|
||||||
"competition": "竞赛经历",
|
"competition": "竞赛经历",
|
||||||
|
"organization": "社团组织经历",
|
||||||
}
|
}
|
||||||
|
|
||||||
|
|
||||||
@@ -45,6 +46,8 @@ def _build_resume_json(detail: ResumeDetail) -> str:
|
|||||||
"skills": resume.skills or [],
|
"skills": resume.skills or [],
|
||||||
"certificates": resume.certificates or [],
|
"certificates": resume.certificates or [],
|
||||||
"summary": resume.summary or "",
|
"summary": resume.summary or "",
|
||||||
|
"hobbies": resume.hobbies or "",
|
||||||
|
"languageSkills": resume.language_skills or "",
|
||||||
"targetPosition": resume.target_position or "",
|
"targetPosition": resume.target_position or "",
|
||||||
}
|
}
|
||||||
if detail.education:
|
if detail.education:
|
||||||
@@ -57,6 +60,8 @@ def _build_resume_json(detail: ResumeDetail) -> str:
|
|||||||
data["project"] = [{"companyName": r.company_name, "projectName": r.project_name, "role": r.role, "description": r.description} for r in detail.project]
|
data["project"] = [{"companyName": r.company_name, "projectName": r.project_name, "role": r.role, "description": r.description} for r in detail.project]
|
||||||
if detail.competition:
|
if detail.competition:
|
||||||
data["competition"] = [{"competitionName": r.competition_name, "award": r.award, "description": r.description} for r in detail.competition]
|
data["competition"] = [{"competitionName": r.competition_name, "award": r.award, "description": r.description} for r in detail.competition]
|
||||||
|
if detail.organization:
|
||||||
|
data["organization"] = [{"organizationName": r.organization_name, "role": r.role, "description": r.description} for r in detail.organization]
|
||||||
return json.dumps(data, ensure_ascii=False)
|
return json.dumps(data, ensure_ascii=False)
|
||||||
|
|
||||||
|
|
||||||
@@ -141,7 +146,8 @@ class SkillGapService:
|
|||||||
"""构建各子表的 AI 优化任务列表，按单条记录拆分"""
|
"""构建各子表的 AI 优化任务列表，按单条记录拆分"""
|
||||||
result: list[tuple[str, int, str]] = []
|
result: list[tuple[str, int, str]] = []
|
||||||
for name, items in [("education", cr.education), ("work", cr.work), ("internship", cr.internship),
|
for name, items in [("education", cr.education), ("work", cr.work), ("internship", cr.internship),
|
||||||
("project", cr.project), ("competition", cr.competition)]:
|
("project", cr.project), ("competition", cr.competition),
|
||||||
|
("organization", cr.organization)]:
|
||||||
for idx, item in enumerate(items or []):
|
for idx, item in enumerate(items or []):
|
||||||
result.append((name, idx, json.dumps(item.model_dump(by_alias=True), ensure_ascii=False)))
|
result.append((name, idx, json.dumps(item.model_dump(by_alias=True), ensure_ascii=False)))
|
||||||
return result
|
return result
|
||||||
@@ -152,8 +158,8 @@ class SkillGapService:
|
|||||||
if key == "summary" and isinstance(result, str):
|
if key == "summary" and isinstance(result, str):
|
||||||
cr.resume.summary = result
|
cr.resume.summary = result
|
||||||
return
|
return
|
||||||
model_map = {"education": Education, "work": Work, "internship": Internship, "project": Project, "competition": Competition}
|
model_map = {"education": Education, "work": Work, "internship": Internship, "project": Project, "competition": Competition, "organization": Organization}
|
||||||
list_map = {"education": cr.education, "work": cr.work, "internship": cr.internship, "project": cr.project, "competition": cr.competition}
|
list_map = {"education": cr.education, "work": cr.work, "internship": cr.internship, "project": cr.project, "competition": cr.competition, "organization": cr.organization}
|
||||||
model_cls = model_map.get(key)
|
model_cls = model_map.get(key)
|
||||||
items = list_map.get(key)
|
items = list_map.get(key)
|
||||||
if model_cls is None or items is None:
|
if model_cls is None or items is None:
|
||||||
@@ -272,7 +278,7 @@ class SkillGapService:
|
|||||||
return cr.resume.model_dump_json(by_alias=True)
|
return cr.resume.model_dump_json(by_alias=True)
|
||||||
mapping = {
|
mapping = {
|
||||||
"education": cr.education, "work": cr.work, "internship": cr.internship,
|
"education": cr.education, "work": cr.work, "internship": cr.internship,
|
||||||
"project": cr.project, "competition": cr.competition,
|
"project": cr.project, "competition": cr.competition, "organization": cr.organization,
|
||||||
}
|
}
|
||||||
items = mapping.get(mod_name, [])
|
items = mapping.get(mod_name, [])
|
||||||
if not record_id:
|
if not record_id:
|
||||||
@@ -290,7 +296,7 @@ class SkillGapService:
|
|||||||
return
|
return
|
||||||
mapping = {
|
mapping = {
|
||||||
"education": cr.education, "work": cr.work, "internship": cr.internship,
|
"education": cr.education, "work": cr.work, "internship": cr.internship,
|
||||||
"project": cr.project, "competition": cr.competition,
|
"project": cr.project, "competition": cr.competition, "organization": cr.organization,
|
||||||
}
|
}
|
||||||
items = mapping.get(mod_name)
|
items = mapping.get(mod_name)
|
||||||
if items is not None:
|
if items is not None:
|
||||||
@@ -308,14 +314,14 @@ class SkillGapService:
|
|||||||
return
|
return
|
||||||
model_map = {
|
model_map = {
|
||||||
"education": Education, "work": Work, "internship": Internship,
|
"education": Education, "work": Work, "internship": Internship,
|
||||||
"project": Project, "competition": Competition,
|
"project": Project, "competition": Competition, "organization": Organization,
|
||||||
}
|
}
|
||||||
model_cls = model_map.get(mod_name)
|
model_cls = model_map.get(mod_name)
|
||||||
if not model_cls or not isinstance(result, dict) or not record_id:
|
if not model_cls or not isinstance(result, dict) or not record_id:
|
||||||
return
|
return
|
||||||
list_map = {
|
list_map = {
|
||||||
"education": cr.education, "work": cr.work, "internship": cr.internship,
|
"education": cr.education, "work": cr.work, "internship": cr.internship,
|
||||||
"project": cr.project, "competition": cr.competition,
|
"project": cr.project, "competition": cr.competition, "organization": cr.organization,
|
||||||
}
|
}
|
||||||
items = list_map.get(mod_name, [])
|
items = list_map.get(mod_name, [])
|
||||||
new_item = model_cls.model_validate(result)
|
new_item = model_cls.model_validate(result)
|
||||||
@@ -336,6 +342,7 @@ class SkillGapService:
|
|||||||
"internship": (Internship, cr.internship),
|
"internship": (Internship, cr.internship),
|
||||||
"project": (Project, cr.project),
|
"project": (Project, cr.project),
|
||||||
"competition": (Competition, cr.competition),
|
"competition": (Competition, cr.competition),
|
||||||
|
"organization": (Organization, cr.organization),
|
||||||
}
|
}
|
||||||
entry = model_map.get(mod_name)
|
entry = model_map.get(mod_name)
|
||||||
if not entry or not isinstance(result, dict):
|
if not entry or not isinstance(result, dict):
|
||||||
|
|||||||
@@ -37,13 +37,18 @@ async def _parse_txt(content: bytes) -> str:
|
|||||||
|
|
||||||
|
|
||||||
async def _parse_pdf(content: bytes) -> str:
|
async def _parse_pdf(content: bytes) -> str:
|
||||||
"""解析 PDF：使用 PyMuPDF 逐页 get_text() 拼接为全文文本"""
|
"""解析 PDF：使用 PyMuPDF 逐页 get_text() 拼接为全文文本
|
||||||
|
|
||||||
|
sort=True 按文本块坐标(y,x)排序输出，即视觉阅读顺序。
|
||||||
|
默认的内容流顺序对模板生成的简历完全不可用：这类简历的「公司/职位/时间」表头是绝对定位文本框，
|
||||||
|
会被整批甩到全文最前面，与各自的职责描述相隔几十行，AI 无法还原归属关系。
|
||||||
|
"""
|
||||||
|
|
||||||
def _extract() -> str:
|
def _extract() -> str:
|
||||||
parts: list[str] = []
|
parts: list[str] = []
|
||||||
with fitz.open(stream=content, filetype="pdf") as doc:
|
with fitz.open(stream=content, filetype="pdf") as doc:
|
||||||
for page in doc:
|
for page in doc:
|
||||||
parts.append(page.get_text())
|
parts.append(page.get_text("text", sort=True))
|
||||||
return "\n".join(parts)
|
return "\n".join(parts)
|
||||||
|
|
||||||
return await asyncio.to_thread(_extract)
|
return await asyncio.to_thread(_extract)
|
||||||
|
|||||||
Reference in New Issue
Block a user