zk
706 lines
22 KiB
Markdown
706 lines
22 KiB
Markdown
# 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，missingSkills 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：缺失技能的 JSON 数组，必须是 skill_tags 的子集
|
||
6. 计算匹配分：`score = (skill_tags总数 - missingSkills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"
|
||
},
|
||
"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
|
||
|
||
```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（来自差距分析的 missingSkills）
|
||
|
||
### 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，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）**：
|
||
```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 |
|