offerpai/offerpai_python_ai

Fork 0

Files

T

zk ebffbc8615 优化岗位编辑agent 性能

2026-04-14 12:12:46 +08:00

22 KiB

Raw Permalink Blame History

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：

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
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
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

从 token 取 userId
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"
查岗位：
- 查 bg_job 拿 id、title、skill_tags
- 岗位不存在 → 报错
- skill_tags 为空 → 直接返回满分 10，missingSkills 为空数组
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
调 AI（一次）：
- 输入：岗位 skill_tags 列表 + 简历 skills 字段 + 各子表经历描述
- 输出：缺失技能的 JSON 数组，必须是 skill_tags 的子集
计算匹配分：score = (skill_tags总数 - missingSkills数) / skill_tags总数 × 10，保留一位小数

{
  "score": 2.5,
  "job": {
    "jobId": "1234567890",
    "title": "数据产品经理",
    "skillTags": ["Python", "SQL", "项目管理", "团队协作", "数据分析", "跨部门沟通"]
  },
  "resume": {
    "resumeId": "1234567890",
    "resumeName": "李华_产品经理",
    "targetPosition": "电商产品经理"
  },
  "missingSkills": ["Python", "SQL", "数据分析", "跨部门沟通"]
}

边界处理

场景	处理
用户无简历	报错"请先创建简历"
岗位不存在	报错
skill_tags 为空	满分 10，missingSkills 为空数组
AI 调用失败	降级：全部标记为缺失，分数 0

AI Prompt

你是一个技能匹配助手。给定岗位要求的技能标签列表和用户简历信息，判断用户简历中未覆盖的技能。

【岗位技能标签】
{skill_tags}

【用户简历】
{resume_json}

规则：
1. 逐个判断岗位技能标签，用户简历中是否体现了该技能（包括直接提及、经历中隐含的技能）
2. 只输出用户简历未覆盖的技能，必须是岗位技能标签的子集，原文输出不要修改
3. 返回 JSON 数组格式，如：["Python", "SQL"]
4. 如果全部覆盖，返回空数组 []
5. 只返回 JSON 数组，不要其他内容

四、接口二：生成定制简历

接口信息

项目	值
路径	`POST /api/job/customize-resume`
入参	见下方
鉴权	需要登录态，从 token 取 userId

入参

{
  "jobId": "Long",
  "resumeId": "Long",
  "optimizeModules": ["summary", "skills", "experience"],
  "addSkills": ["Python", "SQL"]
}

resumeId：以哪份简历为模板（来自差距分析返回的 resumeId，用户可能切换过简历）
optimizeModules：用户勾选要优化的模块，可选值：summary（个人概述）、skills（技能）、experience（过往经历）
addSkills：用户勾选要新增的技能关键词（来自差距分析的 missingSkills）

处理流程

查简历主表 + 所有子表（完整简历数据）
查岗位信息（title、description、requirement）
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。

未勾选的模块保持原数据不动
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）
返回成功标识，不返回简历数据（前端通过 GET 接口查询）

{
  "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

从 Redis 取定制简历数据（key：customize:resume:{userId}）
不存在 → 返回 null
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

校验入参
整体覆盖 Redis 中的定制简历数据（key：customize:resume:{userId}）
刷新过期时间为 12 小时
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

从 Redis 取回滚数据（key：customize:resume:rollback:{userId}）
不存在 → 报错"没有可回滚的版本"
用回滚数据覆盖当前定制简历（key：customize:resume:{userId}）
删除回滚数据
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

{
  "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

{
  "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

{
  "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

从 Redis 取当前定制简历（不存在则报错）
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）：

{ "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）：

{
  "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

当前简历存为回滚数据（key：customize:resume:rollback:{userId}，过期 30 分钟）
新简历覆盖 Redis（key：customize:resume:{userId}），刷新过期时间 12 小时
updatedModulesLabel 由后端根据 operations 中的 module 去重映射中文名拼接
返回 type: updated + 消息（前端通过 GET 接口查询新简历，通过回滚接口恢复）

description 字段处理

子表的 description 字段格式为 [{id, text}, {id, text}]，AI 操作规则（通过 prompt 约束）：

修改：保留原 id，只改 text
新增：AI 自行生成随机 8 位字符串作为 id
删除：直接从数组中移除

不做后端校验，完全依靠 prompt 约束 AI 行为。

边界处理

场景	处理
定制简历不存在	报错"定制简历不存在，请先生成"
规划 AI 失败	返回 `type: message`，提示重试
某个模块修改 AI 失败	该模块保持原数据，其他模块正常返回

八、AI Prompt 汇总

1. 差距分析 Prompt

你是一个技能匹配助手。给定岗位要求的技能标签列表和用户简历信息，判断用户简历中未覆盖的技能。

【岗位技能标签】
{skill_tags}

【用户简历】
{resume_json}

规则：
1. 逐个判断岗位技能标签，用户简历中是否体现了该技能（包括直接提及、经历中隐含的技能）
2. 只输出用户简历未覆盖的技能，必须是岗位技能标签的子集，原文输出不要修改
3. 返回 JSON 数组格式，如：["Python", "SQL"]
4. 如果全部覆盖，返回空数组 []
5. 只返回 JSON 数组，不要其他内容

2. 定制简历 - summary 优化 Prompt

你是一个简历优化助手。根据目标岗位信息，微调用户的个人概述。

【目标岗位】
{job_title}

【需要融入的技能关键词】
{add_skills}

【原始个人概述】
{original_summary}

规则：
1. 保持原文风格和主体内容不变
2. 只做轻微润色，让概述更贴合目标岗位方向
3. 自然融入需要新增的技能关键词，不要生硬堆砌
4. 避免过度优化，改动越少越好
5. 直接输出优化后的文本，不要其他内容

3. 定制简历 - experience 优化 Prompt

你是一个简历优化助手。根据目标岗位信息，微调用户的经历描述。

【目标岗位】
{job_title}
{job_description}

【原始经历数据】
{original_module_data}

规则：
1. 基本保持原文不变，只在可以优化的地方做轻微调整
2. 让描述更贴合目标岗位方向，但不要编造内容
3. 避免过度优化，改动越少越好
4. description 字段是 [{id, text}] 格式：修改时保留原 id 只改 text，新增段落生成随机8位字符串作为 id，删除段落直接移除
5. 返回修改后的完整模块数据（JSON 格式，与输入格式一致）

4. Agent - 规划 Prompt

你是一个简历编辑助手。分析用户的指令，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）：

{ "avatarUrl": "string", "name": "string", "email": "string", "mobileNumber": "string", "city": "string", "wechatNumber": "string", "portfolioUrl": "string", "skills": ["string"], "certificates": ["string"], "summary": "string" }

education：

[{ "id": "string(8位)", "school": "string", "major": "string", "degree": "大专/本科/硕士/博士", "studyType": "全日制/非全日制", "startDate": "2023.09", "endDate": "2024.06", "description": [{"id": "string(8位)", "text": "string"}] }]

work：

[{ "id": "string(8位)", "companyName": "string", "position": "string", "startDate": "2023.06", "endDate": "2023.09", "description": [{"id": "string(8位)", "text": "string"}] }]

internship：

[{ "id": "string(8位)", "companyName": "string", "position": "string", "startDate": "2023.06", "endDate": "2023.09", "description": [{"id": "string(8位)", "text": "string"}] }]

project：

[{ "id": "string(8位)", "companyName": "string", "projectName": "string", "role": "string", "startDate": "2023.06", "endDate": "2023.09", "description": [{"id": "string(8位)", "text": "string"}] }]

competition：

[{ "id": "string(8位)", "competitionName": "string", "award": "string", "awardDate": "2023.07", "description": [{"id": "string(8位)", "text": "string"}] }]

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

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

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

22 KiB Raw Permalink Blame History Unescape Escape

岗位简历技能差距分析 + 定制简历 — 完整方案

一、需求概述

二、接口总览

三、接口一：差距分析

接口信息

处理流程

返回

边界处理

AI Prompt

四、接口二：生成定制简历

接口信息

入参

处理流程

返回

边界处理

五、接口三：查询定制简历

接口信息

处理流程

六、接口四：修改定制简历（手动编辑）

接口信息

处理流程

七、接口五：回滚定制简历

接口信息

处理流程

七、接口五：AI 对话式编辑定制简历

接口信息

入参

消息类型

处理流程（两步走）

第一步：准备数据

第二步：规划 AI（意图识别 + 操作原子化）

第三步：按操作类型并发执行

第四步：合并

第五步：保存 + 返回

description 字段处理

边界处理

八、AI Prompt 汇总

1. 差距分析 Prompt

2. 定制简历 - summary 优化 Prompt

3. 定制简历 - experience 优化 Prompt

4. Agent - 规划 Prompt

5. Agent - 单条记录修改 Prompt

6. Agent - 新增记录 Prompt

各模块数据结构定义（传入 prompt 的 module_schema）

九、Redis 设计

Key 格式

Value 结构

常量

过期时间

十、数据依赖

十一、文件规划

新建文件

修改文件

22 KiB

Raw Permalink Blame History