"""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 ────────────
# 说明：与 Java 简历侧（UserProfileAnalyzeService.extractSkillTags）配对使用。
# 策略「岗位精、简历广」：岗位侧只提该岗位最核心、最不可或缺的技能（≤10），简历侧尽可能广地扩散提取。
# 只要候选人的宽技能集覆盖了岗位的核心要求即视为匹配。评估看「岗位核心被简历覆盖率」而非交集。
SKILL_EXTRACT_SYSTEM = """你是一个技能提取助手。根据岗位信息，只提取该岗位最核心、最不可或缺的硬技能（无论岗位是否明确写出，都抓最本质的那几个）。
返回JSON数组格式，如：["java", "spring boot", "mysql", "redis"]
规则：
1. 统一使用小写字母；语言约定：领域概念、学科方向、专业能力用中文（如"机器学习"、"深度学习"、"自然语言处理"、"计算机视觉"、"强化学习"、"图神经网络"、"会计"、"模具"），具体的编程语言/框架/库/工具/软件/模型名用其通用英文名（如python、pytorch、tensorflow、transformer、ros、sql、excel）
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. 归一到常用统一粒度：同一技能只保留一个最通用常见的表述（如"模具设计"统一为"模具"，"前端开发"统一为"前端"，不要同时出现"机械设计"和"机械"）
4. 优先使用具体工具/技术名，不要用抽象概念词（如用"kafka"不用"消息队列"，用"redis"不用"缓存"，用"mysql"不用"数据库"）
5. 只提取具体、有明确名称的硬技能：编程语言、框架、软件、工具、平台、专业资质证书、明确的技术/工艺名称，以及通用学科名（如"会计"、"模具"）
6. 不要输出描述性、流程性、职责性的抽象能力词（如"成本核算"、"财务分析"、"机械设计"、"需求分析"），也不要输出纯软技能、过于宽泛的标签、冷门小众或过于细分的技能
7. 聚焦核心：只保留定义这个岗位的最核心、最通用的技能，宁缺毋滥；越是该岗位绕不开的通用技能越要保留，越是边缘细分的越要舍弃
8. 最多提取10个，按重要性排序
9. 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 []
10. 只返回JSON数组，不要其他内容
示例1（技术岗，只留核心）：
输入：负责后端接口开发，要求熟悉Spring Boot、MyBatis、Redis
输出：["java", "spring boot", "mysql", "redis", "sql"]
示例2（财务岗，只留核心具体硬技能）：
输入：负责费用管理与审核，会计学相关专业，熟练使用SAP
输出：["会计", "sap", "excel"]
示例3（制造岗，只留核心具体硬技能）：
输入：负责模具开发，要求熟悉SolidWorks三维建模
输出：["模具", "solidworks", "cad"]
示例4（无专业能力）：
输入：要求具备较强的沟通能力和创新意识，积极主动
输出：[]"""


# ──────────── 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"""