初始化
This commit is contained in:
zk
@@ -0,0 +1,22 @@
|
||||
"""AI 模型场景配置
|
||||
|
||||
集中管理清洗服务的模型选择与参数，修改模型只需改此文件。
|
||||
"""
|
||||
|
||||
from app.ai.models import LLM
|
||||
|
||||
|
||||
class JobCleanModel:
|
||||
"""岗位清洗模块"""
|
||||
# 第一次AI：结构化提取岗位信息
|
||||
STRUCTURE = LLM.DOUBAO_SEED_LITE.create(temperature=0)
|
||||
# 第二次AI：专业匹配
|
||||
MAJOR_MATCH = LLM.DOUBAO_SEED_LITE.create(temperature=0)
|
||||
# 第三次AI：技能提取
|
||||
SKILL_EXTRACT = LLM.DOUBAO_SEED_LITE.create(temperature=0)
|
||||
|
||||
|
||||
class CompanyCleanModel:
|
||||
"""公司补充模块"""
|
||||
# 公司信息补充
|
||||
ENRICH = LLM.DOUBAO_SEED_LITE.create(temperature=0)
|
||||
@@ -0,0 +1,41 @@
|
||||
"""LLM 模型枚举与实例获取
|
||||
|
||||
Usage:
|
||||
from app.ai.models import LLM
|
||||
|
||||
llm = LLM.DOUBAO_SEED_LITE.create(temperature=0)
|
||||
"""
|
||||
|
||||
from enum import Enum
|
||||
|
||||
from langchain_openai import ChatOpenAI
|
||||
|
||||
from app.config import settings
|
||||
|
||||
# 供应商连接配置
|
||||
_VOLCENGINE = (lambda: settings.volcengine_api_key, lambda: settings.volcengine_base_url)
|
||||
|
||||
|
||||
class LLM(Enum):
|
||||
"""所有可用模型，每个枚举值 = (模型名, api_key函数, base_url函数)"""
|
||||
|
||||
# 火山引擎
|
||||
DOUBAO_PRO_32K = ("doubao-1-5-pro-32k-250115", *_VOLCENGINE)
|
||||
DOUBAO_LITE_32K = ("doubao-1-5-lite-32k-250115", *_VOLCENGINE)
|
||||
DOUBAO_SEED_LITE = ("doubao-seed-2-0-lite-260215", *_VOLCENGINE)
|
||||
DOUBAO_SEED_PRO = ("doubao-seed-2-0-pro-260215", *_VOLCENGINE)
|
||||
DEEPSEEK_V4_FLASH = ("deepseek-v4-flash-260425", *_VOLCENGINE)
|
||||
|
||||
def __init__(self, model_name: str, api_key_fn, base_url_fn):
|
||||
self.model_name = model_name
|
||||
self._api_key_fn = api_key_fn
|
||||
self._base_url_fn = base_url_fn
|
||||
|
||||
def create(self, **kwargs) -> ChatOpenAI:
|
||||
"""创建 LLM 实例，kwargs 透传给 ChatOpenAI（temperature, max_tokens 等）"""
|
||||
return ChatOpenAI(
|
||||
model=self.model_name,
|
||||
api_key=self._api_key_fn(),
|
||||
base_url=self._base_url_fn(),
|
||||
**kwargs,
|
||||
)
|
||||
@@ -0,0 +1,100 @@
|
||||
"""各步骤 Prompt 模板"""
|
||||
|
||||
# ──────────── 第一次AI：岗位结构化提取 ────────────
|
||||
JOB_STRUCTURE_SYSTEM = """你是一个岗位数据清洗助手。请根据提供的原始岗位数据，提取并结构化为JSON格式。
|
||||
|
||||
返回JSON格式要求：
|
||||
{
|
||||
"valid": true/false,
|
||||
"title": "岗位名称",
|
||||
"salary": "标准化薪资，如10-20K、面议，无效则null",
|
||||
"education": 0-4的数字(0=不限 1=大专 2=本科 3=硕士 4=博士),
|
||||
"minExperience": 最低工作年限数字(不要求则0),
|
||||
"employmentType": 0或1(0=全职 1=兼职，默认0),
|
||||
"categoryId": 岗位分类ID(必选，从分类列表中选最接近的),
|
||||
"requiredIndustryId": 行业ID(仅当明确提到行业经验要求时设置，列表中无完全匹配则选最相似的，未提到则null),
|
||||
"description": "岗位职责，保持原文风格，格式化展示",
|
||||
"requirement": "任职要求，保持原文风格，格式化展示",
|
||||
"bonus": "加分项，无则null",
|
||||
"tags": ["核心职能标签，最多5个，如数据分析、产品策略"],
|
||||
"skillTags": ["技能关键词，最多8个，如Java、Spring Boot"],
|
||||
"companyShortName": "简洁的公司简称，如字节跳动、中国平安",
|
||||
"cities": ["工作城市列表，精确到市"]
|
||||
}
|
||||
|
||||
规则：
|
||||
1. description/requirement/bonus 均从原始的 description+experience+education 内容中提取，保持原文风格
|
||||
2. 岗位标题不存在时，从描述中归纳生成
|
||||
3. 薪资标准化为 10-20K、20K、面议 等格式，无效或空则null
|
||||
4. categoryId 必须从分类列表中选一个，不允许为null
|
||||
5. requiredIndustryId 仅当描述中明确提到行业经验要求时设置
|
||||
6. tags 是核心职能标签（如数据分析、团队协作），最多5个
|
||||
7. skillTags 是技能关键词（如Java、MySQL），最多8个
|
||||
8. companyShortName 去掉地区后缀、招聘后缀、括号内容，保持简洁
|
||||
9. 字符串值中不允许出现Tab、换行等控制字符，用空格或中文标点替代
|
||||
10. 只返回JSON，不要其他内容"""
|
||||
|
||||
|
||||
# ──────────── 第二次AI：专业匹配 ────────────
|
||||
MAJOR_MATCH_SYSTEM = """你是一个岗位专业匹配助手。根据岗位信息，判断该岗位对专业的要求。
|
||||
返回JSON格式：
|
||||
{
|
||||
"requiredMajorIds": [专业ID数组，从专业列表中选择最相关的，最多3个，无明确要求则空数组],
|
||||
"majorSensitivity": 0-2的数字(0=专业不限 1=优先相关专业 2=强制要求专业)
|
||||
}
|
||||
规则：
|
||||
1. 只能从给定专业列表中选择ID
|
||||
2. 根据岗位描述判断专业敏感度：明确写"XX专业"→2，写"相关专业优先"→1，未提及→0
|
||||
3. majorSensitivity为0时，requiredMajorIds应为空数组
|
||||
4. 只返回JSON，不要其他内容"""
|
||||
|
||||
|
||||
# ──────────── 第三次AI：技能提取 ────────────
|
||||
SKILL_EXTRACT_SYSTEM = """你是一个技能提取助手。根据岗位信息，提取该岗位要求的核心专业能力和工具技能。
|
||||
返回JSON数组格式，如：["java", "spring boot", "mysql", "redis"]
|
||||
规则：
|
||||
1. 统一使用小写字母
|
||||
2. 只保留核心词，去掉多余修饰（如"plc编程"→"plc"，"c语言"→"c"，"cad制图"→"cad"）
|
||||
3. 同一技能只保留最具体的表述，不要同时出现上位词和下位词（如有"机械设计"就不要再出"机械"）
|
||||
4. 提取范围包括：技术栈、专业领域知识、行业工具、专业资质能力等
|
||||
5. 不提取纯软技能（如沟通能力、团队协作、学习能力、积极主动）
|
||||
6. 不提取过于宽泛的标签（如"办公软件"、"windows"）
|
||||
7. 如果岗位完全没有专业能力要求（纯看态度和素质），返回空数组 []
|
||||
8. 最多15个，按重要性排序
|
||||
9. 只返回JSON数组，不要其他内容"""
|
||||
|
||||
|
||||
# ──────────── 公司补充 ────────────
|
||||
COMPANY_ENRICH_SYSTEM = """你是一个企业信息补充助手。根据提供的公司简称，补充该公司的详细信息。
|
||||
|
||||
返回JSON格式要求：
|
||||
{
|
||||
"valid": true/false,
|
||||
"name": "公司全称",
|
||||
"city": "总部所在城市，精确到市",
|
||||
"companyType": "企业类型",
|
||||
"industryId": 行业ID,
|
||||
"tags": ["公司标签，最多5个"],
|
||||
"summary": "一句话简介，100字以内",
|
||||
"description": "公司详细描述，500字以内",
|
||||
"foundedYear": "成立年份",
|
||||
"address": "总部/注册地址",
|
||||
"scale": "企业规模",
|
||||
"website": "官网地址",
|
||||
"financingStage": "融资状态",
|
||||
"latestValuation": "最新估值",
|
||||
"news": ["相关新闻，最多3条，每条50字以内"]
|
||||
}
|
||||
|
||||
规则：
|
||||
1. 如果不认识该公司，返回 {"valid": false}
|
||||
2. name 根据公司简称推断完整的企业注册名称
|
||||
3. companyType 取值：上市企业、独角兽、国企、央企、民营企业、外资企业、合资企业、事业单位、其他
|
||||
4. industryId 必须从给定行业列表中选择，不确定则null
|
||||
5. scale 取值：少于50人、50-150人、150-500人、500-1000人、1000-5000人、5000-10000人、10000人以上
|
||||
6. tags 体现公司核心业务特征，最多5个
|
||||
7. news 基于你的知识提供该公司最新的3条相关新闻，每条50字以内
|
||||
8. latestValuation 知道就提供，不知道则null
|
||||
9. 不确定的字段返回null，不要编造
|
||||
10. 字符串值中不允许出现Tab、换行等控制字符
|
||||
11. 只返回JSON，不要其他内容"""
|
||||
Reference in New Issue
Block a user