计算岗位匹配度job_router.get(/resume_submission_detail/{id}, summary简历投递详情) async def resume_submission_detail(id:int): resawait JobService.resume_submission_detail(id) return { code: 1, message: 查询成功, data: json.loads(res) }staticmethod async def resume_submission_detail(id: int): resume_submission_records await ResumeSubmissionRecords.get_or_none(idid) #职位信息 job await Job.get_or_none(idresume_submission_records.job_id) #求职者信息 job_seeker await JobSeeker.get_or_none(idresume_submission_records.job_seeker_id) #简历基本信息 resume_basic_info await ResumeBasicInfo.get_or_none(job_seeker_idjob_seeker.id) job_seeker_age now().year - resume_basic_info.birth_date.year #求职意向 job_intention await JobIntention.get_or_none(job_seeker_idjob_seeker.id) #工作经历 work_experiences await WorkExperience.filter(job_seeker_idjob_seeker.id) work_experiences_list[] for i in work_experiences: work_experience_data{ 公司名称:i.company_name, 所属行业:i.industry, 职位名称:i.company_name, 入职时间:i.entry_time, 离职时间:i.leave_time, 工作内容:i.work_content, 工作业绩: i.performance, 拥有技能列表:i.skills, } work_experiences_list.append(work_experience_data) #项目经历 project_experiencesawait ProjectExperience.filter(job_seeker_idjob_seeker.id) project_experiences_list[] for j in project_experiences: project_experience_data{ 项目名称: j.project_name, 项目角色: j.project_role, 项目开始时间: j.start_time, 项目结束时间: j.end_time, 项目描述: j.project_desc, 项目业绩: j.project_performance, } project_experiences_list.append(project_experience_data) #教育经历 education_experiencesawait EducationExperience.filter(job_seeker_idjob_seeker.id) education_experiences_list[] for k in education_experiences: education_experience_data{ 学历名称: k.education_name, 学制类型: k.study_type, 学校名称: k.school_name, 专业名称: k.major_name, 入学时间: k.entry_date, 毕业时间: k.graduate_date, 在校经历: k.school_experience, } education_experiences_list.append(education_experience_data) #优势 advantage_evaluation await AdvantageEvaluation.filter(job_seeker_idjob_seeker.id) advantage_list [] for advantage in advantage_evaluation: advantage_data{ 个人优势: advantage.personal_advantage, 自我评价: advantage.self_evaluation, } advantage_list.append(advantage_data) #专业技能 professional_skill await ProfessionalSkill.filter(job_seeker_idjob_seeker.id) professional_skill_list [] for skill in professional_skill: professional_skill_data{ 技能描述: skill.skill_desc } professional_skill_list.append(professional_skill_data) prompt f ##角色设定 你是一个经验丰富的人力资源专家 ##任务描述 根据求职者的的简历内容和岗位的职位描述分析计算岗位匹配度和理由 ##输入数据 1.岗位的职位描述 1.1.职位名称{job.job_name} 1.2.工作地点{job.work_location} 1.3.最低薪资{job.min_salary} 1.4.最高薪资{job.max_salary} 1.5.经验要求{job.exp_require} 1.6.学历要求{job.edu_require} 1.7.性别要求{job.gender_require} 1.8.职位描述{job.job_desc} 1.9.任职要求{job.duty_require} 2.求职者的的简历内容 2.1.求职者性别1-男2-女{resume_basic_info.gender} 2.2.求职者年龄{job_seeker_age} 2.3.求职者婚姻状况1-未婚 2-已婚 3-保密{resume_basic_info.marital_status} 2.4.求职者政治面貌{resume_basic_info.political_status} 2.5.求职者期望职位{,.join([i.get(name) for i in job_intention.expect_position])} 2.6.求职者期望薪资{job_intention.expect_salary} 2.7.求职者工作性质1-全职 2-兼职 3-其他{job_intention.work_type} 2.8.求职者期望城市{,.join([i.get(name) for i in job_intention.expect_city])} 2.9.求职者期望行业{,.join([i.get(name) for i in job_intention.expect_industry])} 2.10.求职者工作经历{work_experiences_list} 2.11.求职者项目经历{project_experiences_list} 2.12.求职者教育经历{education_experiences_list} 2.13.求职者技能{professional_skill_list} 2.14.求职者优势{advantage_list} ##输出格式 以JSON格式输出包含以下字段 job_matching_degree岗位匹配度0-100百分比分数越高匹配度越高 matching_reason岗位匹配理由尽可能每个方面都分析到 ##约束条件 1.请根据输入数据分析计算岗位匹配度和理由并输出结果 2.请使用中文描述 3.只输出JSON格式且字段必须按照指定格式输出不要输入其他内容 ##输出示例 {{“job_matching_degree”:“78%”,matching_reason: 求职者期望职位列表与岗位职位描述匹配度高:项目经历匹配}} client OpenAI( # 若没有配置环境变量请用百炼API Key将下行替换为api_keysk-xxx api_keyos.getenv(DASHSCOPE_API_KEY), base_urlhttps://ws-5p10gbdo8vadjgq7.cn-beijing.maas.aliyuncs.com/compatible-mode/v1, ) completions client.chat.completions.create( modelqwen3.7-plus, messages[{role:user,content:prompt}] ) res completions.choices[0].message.content return res先把投递记录捞出来靠它拿到job_id和job_seeker_id—— 这俩是后面所有查询的入口年龄这块是用出生年份减当前年份算的够糙但够用没管具体月份差个把月无所谓下面是求职意向和三段经历工作 / 项目 / 教育每个都查出来拼成 list方便后面整段塞进 prompt 给模型看。项目经历、教育经历同理都是查出来转成字典列表优势和技能这两段原代码逻辑一样也是逐条转字典拼 prompt 调模型。这里期望职位 / 城市 / 行业是列表每个元素是带name的字典所以用,.join(...)拼成字符串让模型读着舒服这里是提示词工程要着重注意提示词工程的六要素。调用外部工具大模型本身并没有这些实时数据想要获取实时数据就只能通过两种方式爬虫(获取公开的数据)和调用外部工具Function Calling在此处的例子是调用了外部工具去获取真实的实时数据由上图可以看出大模型是被调用了两次一次用来判断是否需要调用工具一次是给出回复在这之前其实已经是有结果了此处只是输出更友好的优化后的结果单模型调用测试模拟一个查天气的小工具看模型怎么决定要不要调工具、调完怎么总结。先定义工具告诉模型有这么个工具、要什么参数#定义工具 tools[ { type: function, function: { name: get_current_weather, description: 当你想查询指定城市的天气时非常有用。, parameters: { type: object, properties: { location: { type: string, description: 城市或县区比如北京市、杭州市、余杭区等。, } }, required: [location], }, }, }, ] #模拟天气查询工具 def get_current_weather(arguments): #arguments 形参 字典 weather_conditions [晴天, 多云, 雨天] random_weather random.choice(weather_conditions) location arguments[location] return f{location}今天是{random_weather}。 #获取AI的回复 def get_ai_response(messages): completion client.chat.completions.create( modelqwen3.7-plus, messagesmessages, toolstools, ) return completion USER_QUESTION 北京天气咋样 messages [{role: user, content: USER_QUESTION}] response get_ai_response(messages) assistant_output response.choices[0].message if assistant_output.content is None: assistant_output.content messages.append(assistant_output) # 如果不需要调用工具直接输出内容 if assistant_output.tool_calls is None: print(f无需调用天气查询工具直接回复{assistant_output.content}) else: # 进入工具调用循环 while assistant_output.tool_calls is not None: tool_call assistant_output.tool_calls[0] tool_call_id tool_call.id func_name tool_call.function.name arguments json.loads(tool_call.function.arguments) print(f正在调用工具 [{func_name}]参数{arguments}) # 执行工具 tool_result get_current_weather(arguments) # 构造工具返回信息 tool_message { role: tool, tool_call_id: tool_call_id, content: tool_result, # 保持原始工具输出 } print(f工具返回{tool_message[content]}) messages.append(tool_message) # 再次调用模型获取总结后的自然语言回复 response get_ai_response(messages) assistant_output response.choices[0].message if assistant_output.content is None: assistant_output.content messages.append(assistant_output) print(f助手最终回复{assistant_output.content})核心流程发问题 → 模型说要调工具 → 执行工具 → 把结果塞回 messages → 再让模型用大白话总结。在这里需要格外注意代码 tool_call assistant_output.tool_calls[0]因为此处是单个工具调用可以用下标为0的索引去取如果是可以调用多个工具的话在此处是不可以这样用的此处是个列表若是调用多个模型的话就只能用遍历的方法来取。如下面的例子多模型调用测试和第二套思路一样但定义了两个工具天气 查学历而且支持模型一次返回多个tool_calls 一起跑# 模拟用户问题 USER_QUESTION 帮我查询一下学历, 验证码是:A.... # 定义工具列表 tools [ { type: function, function: { name: get_current_weather, description: 当你想查询指定城市的天气时非常有用。, parameters: { type: object, properties: { location: { type: string, description: 城市或县区比如北京市、杭州市、余杭区等。, } }, required: [location], }, }, }, { type: function, function: { name: call_api_get, description: 当你想查询查询学历或者验证学历时非常有用。, parameters: { type: object, properties: { vcode: { type: string, description: 学历验证码。, } }, required: [vcode], }, }, }, ] # 模拟天气查询工具 def get_current_weather(arguments): weather_conditions [晴天, 多云, 雨天] random_weather random.choice(weather_conditions) location arguments[location] return f{location}今天是{random_weather}。 # API_KEY MY_XXW_API_KEY def call_api_get(arguments): vcodearguments[vcode] BASE_URL https://www.apimy.cn/api/xxw/bgcx keyfboss:llm:academic_credential_verification:{vcode} redis_dataredis_client.get(key) if redis_data is None: payload {key: os.getenv(自己的环境变量), vcode:vcode} headers {Content-Type: application/json} response requests.post(BASE_URL, jsonpayload, headersheaders, timeout30) response.raise_for_status() data response.json() redis_client.set(key, json.dumps(data, ensure_asciiFalse)) return json.dumps(data, ensure_asciiFalse) else: return redis_data # 封装模型响应函数 def get_response(messages): completion client.chat.completions.create( modelqwen3.7-plus, extra_body{enable_thinking: False}, messagesmessages, toolstools, ) return completion messages [{role: user, content: USER_QUESTION}] response get_response(messages) assistant_output response.choices[0].message if assistant_output.content is None: assistant_output.content messages.append(assistant_output) # 如果不需要调用工具直接输出内容 if assistant_output.tool_calls is None: print(f无需调用查询工具直接回复{assistant_output.content}) else: # 进入工具调用循环 while assistant_output.tool_calls is not None: tool_call assistant_output.tool_calls for i in tool_call: tool_call_id i.id func_name i.function.name arguments json.loads(i.function.arguments) print(f正在调用工具 [{func_name}]参数{arguments}) function_mapping { get_current_weather: get_current_weather, call_api_get: call_api_get } # 执行工具 tool_result function_mapping[func_name](arguments) # 构造工具返回信息 tool_message { role: tool, tool_call_id: tool_call_id, content: tool_result, # 保持原始工具输出 } print(f工具返回{tool_message[content]}) messages.append(tool_message) # 再次调用模型获取总结后的自然语言回复 response get_response(messages) assistant_output response.choices[0].message if assistant_output.content is None: assistant_output.content messages.append(assistant_output) print(f助手最终回复{assistant_output.content})学历查询这边带了个 redis 缓存验证码当 key避免对同一个验证码重复打外部 API模型调用时关掉了思考模式enable_thinkingFalse——工具调用场景要快、要干脆不需要模型在那长篇推理多工具循环用for i in tool_call把模型返回的每一个 tool_call 都跑一遍再统一回喂模型总结三块代码的整体关系第一块是业务接口把简历和岗位喂给大模型让它算匹配度本质是单轮 prompt不要工具。第二、三块是 Agent 工具调用的演示模型能自己决定调哪个工具、传什么参数拿到结果再总结。区别是单模型版一次只处理一个 tool_call多模型版能并发处理多个。共同点都走百炼兼容模式地址、都用qwen3.7-plus工具调用时tool_call_id一定不能丢。
计算岗位匹配度job_router.get(/resume_submission_detail/{id}, summary简历投递详情) async def resume_submission_detail(id:int): resawait JobService.resume_submission_detail(id) return { code: 1, message: 查询成功, data: json.loads(res) }staticmethod async def resume_submission_detail(id: int): resume_submission_records await ResumeSubmissionRecords.get_or_none(idid) #职位信息 job await Job.get_or_none(idresume_submission_records.job_id) #求职者信息 job_seeker await JobSeeker.get_or_none(idresume_submission_records.job_seeker_id) #简历基本信息 resume_basic_info await ResumeBasicInfo.get_or_none(job_seeker_idjob_seeker.id) job_seeker_age now().year - resume_basic_info.birth_date.year #求职意向 job_intention await JobIntention.get_or_none(job_seeker_idjob_seeker.id) #工作经历 work_experiences await WorkExperience.filter(job_seeker_idjob_seeker.id) work_experiences_list[] for i in work_experiences: work_experience_data{ 公司名称:i.company_name, 所属行业:i.industry, 职位名称:i.company_name, 入职时间:i.entry_time, 离职时间:i.leave_time, 工作内容:i.work_content, 工作业绩: i.performance, 拥有技能列表:i.skills, } work_experiences_list.append(work_experience_data) #项目经历 project_experiencesawait ProjectExperience.filter(job_seeker_idjob_seeker.id) project_experiences_list[] for j in project_experiences: project_experience_data{ 项目名称: j.project_name, 项目角色: j.project_role, 项目开始时间: j.start_time, 项目结束时间: j.end_time, 项目描述: j.project_desc, 项目业绩: j.project_performance, } project_experiences_list.append(project_experience_data) #教育经历 education_experiencesawait EducationExperience.filter(job_seeker_idjob_seeker.id) education_experiences_list[] for k in education_experiences: education_experience_data{ 学历名称: k.education_name, 学制类型: k.study_type, 学校名称: k.school_name, 专业名称: k.major_name, 入学时间: k.entry_date, 毕业时间: k.graduate_date, 在校经历: k.school_experience, } education_experiences_list.append(education_experience_data) #优势 advantage_evaluation await AdvantageEvaluation.filter(job_seeker_idjob_seeker.id) advantage_list [] for advantage in advantage_evaluation: advantage_data{ 个人优势: advantage.personal_advantage, 自我评价: advantage.self_evaluation, } advantage_list.append(advantage_data) #专业技能 professional_skill await ProfessionalSkill.filter(job_seeker_idjob_seeker.id) professional_skill_list [] for skill in professional_skill: professional_skill_data{ 技能描述: skill.skill_desc } professional_skill_list.append(professional_skill_data) prompt f ##角色设定 你是一个经验丰富的人力资源专家 ##任务描述 根据求职者的的简历内容和岗位的职位描述分析计算岗位匹配度和理由 ##输入数据 1.岗位的职位描述 1.1.职位名称{job.job_name} 1.2.工作地点{job.work_location} 1.3.最低薪资{job.min_salary} 1.4.最高薪资{job.max_salary} 1.5.经验要求{job.exp_require} 1.6.学历要求{job.edu_require} 1.7.性别要求{job.gender_require} 1.8.职位描述{job.job_desc} 1.9.任职要求{job.duty_require} 2.求职者的的简历内容 2.1.求职者性别1-男2-女{resume_basic_info.gender} 2.2.求职者年龄{job_seeker_age} 2.3.求职者婚姻状况1-未婚 2-已婚 3-保密{resume_basic_info.marital_status} 2.4.求职者政治面貌{resume_basic_info.political_status} 2.5.求职者期望职位{,.join([i.get(name) for i in job_intention.expect_position])} 2.6.求职者期望薪资{job_intention.expect_salary} 2.7.求职者工作性质1-全职 2-兼职 3-其他{job_intention.work_type} 2.8.求职者期望城市{,.join([i.get(name) for i in job_intention.expect_city])} 2.9.求职者期望行业{,.join([i.get(name) for i in job_intention.expect_industry])} 2.10.求职者工作经历{work_experiences_list} 2.11.求职者项目经历{project_experiences_list} 2.12.求职者教育经历{education_experiences_list} 2.13.求职者技能{professional_skill_list} 2.14.求职者优势{advantage_list} ##输出格式 以JSON格式输出包含以下字段 job_matching_degree岗位匹配度0-100百分比分数越高匹配度越高 matching_reason岗位匹配理由尽可能每个方面都分析到 ##约束条件 1.请根据输入数据分析计算岗位匹配度和理由并输出结果 2.请使用中文描述 3.只输出JSON格式且字段必须按照指定格式输出不要输入其他内容 ##输出示例 {{“job_matching_degree”:“78%”,matching_reason: 求职者期望职位列表与岗位职位描述匹配度高:项目经历匹配}} client OpenAI( # 若没有配置环境变量请用百炼API Key将下行替换为api_keysk-xxx api_keyos.getenv(DASHSCOPE_API_KEY), base_urlhttps://ws-5p10gbdo8vadjgq7.cn-beijing.maas.aliyuncs.com/compatible-mode/v1, ) completions client.chat.completions.create( modelqwen3.7-plus, messages[{role:user,content:prompt}] ) res completions.choices[0].message.content return res先把投递记录捞出来靠它拿到job_id和job_seeker_id—— 这俩是后面所有查询的入口年龄这块是用出生年份减当前年份算的够糙但够用没管具体月份差个把月无所谓下面是求职意向和三段经历工作 / 项目 / 教育每个都查出来拼成 list方便后面整段塞进 prompt 给模型看。项目经历、教育经历同理都是查出来转成字典列表优势和技能这两段原代码逻辑一样也是逐条转字典拼 prompt 调模型。这里期望职位 / 城市 / 行业是列表每个元素是带name的字典所以用,.join(...)拼成字符串让模型读着舒服这里是提示词工程要着重注意提示词工程的六要素。调用外部工具大模型本身并没有这些实时数据想要获取实时数据就只能通过两种方式爬虫(获取公开的数据)和调用外部工具Function Calling在此处的例子是调用了外部工具去获取真实的实时数据由上图可以看出大模型是被调用了两次一次用来判断是否需要调用工具一次是给出回复在这之前其实已经是有结果了此处只是输出更友好的优化后的结果单模型调用测试模拟一个查天气的小工具看模型怎么决定要不要调工具、调完怎么总结。先定义工具告诉模型有这么个工具、要什么参数#定义工具 tools[ { type: function, function: { name: get_current_weather, description: 当你想查询指定城市的天气时非常有用。, parameters: { type: object, properties: { location: { type: string, description: 城市或县区比如北京市、杭州市、余杭区等。, } }, required: [location], }, }, }, ] #模拟天气查询工具 def get_current_weather(arguments): #arguments 形参 字典 weather_conditions [晴天, 多云, 雨天] random_weather random.choice(weather_conditions) location arguments[location] return f{location}今天是{random_weather}。 #获取AI的回复 def get_ai_response(messages): completion client.chat.completions.create( modelqwen3.7-plus, messagesmessages, toolstools, ) return completion USER_QUESTION 北京天气咋样 messages [{role: user, content: USER_QUESTION}] response get_ai_response(messages) assistant_output response.choices[0].message if assistant_output.content is None: assistant_output.content messages.append(assistant_output) # 如果不需要调用工具直接输出内容 if assistant_output.tool_calls is None: print(f无需调用天气查询工具直接回复{assistant_output.content}) else: # 进入工具调用循环 while assistant_output.tool_calls is not None: tool_call assistant_output.tool_calls[0] tool_call_id tool_call.id func_name tool_call.function.name arguments json.loads(tool_call.function.arguments) print(f正在调用工具 [{func_name}]参数{arguments}) # 执行工具 tool_result get_current_weather(arguments) # 构造工具返回信息 tool_message { role: tool, tool_call_id: tool_call_id, content: tool_result, # 保持原始工具输出 } print(f工具返回{tool_message[content]}) messages.append(tool_message) # 再次调用模型获取总结后的自然语言回复 response get_ai_response(messages) assistant_output response.choices[0].message if assistant_output.content is None: assistant_output.content messages.append(assistant_output) print(f助手最终回复{assistant_output.content})核心流程发问题 → 模型说要调工具 → 执行工具 → 把结果塞回 messages → 再让模型用大白话总结。在这里需要格外注意代码 tool_call assistant_output.tool_calls[0]因为此处是单个工具调用可以用下标为0的索引去取如果是可以调用多个工具的话在此处是不可以这样用的此处是个列表若是调用多个模型的话就只能用遍历的方法来取。如下面的例子多模型调用测试和第二套思路一样但定义了两个工具天气 查学历而且支持模型一次返回多个tool_calls 一起跑# 模拟用户问题 USER_QUESTION 帮我查询一下学历, 验证码是:A.... # 定义工具列表 tools [ { type: function, function: { name: get_current_weather, description: 当你想查询指定城市的天气时非常有用。, parameters: { type: object, properties: { location: { type: string, description: 城市或县区比如北京市、杭州市、余杭区等。, } }, required: [location], }, }, }, { type: function, function: { name: call_api_get, description: 当你想查询查询学历或者验证学历时非常有用。, parameters: { type: object, properties: { vcode: { type: string, description: 学历验证码。, } }, required: [vcode], }, }, }, ] # 模拟天气查询工具 def get_current_weather(arguments): weather_conditions [晴天, 多云, 雨天] random_weather random.choice(weather_conditions) location arguments[location] return f{location}今天是{random_weather}。 # API_KEY MY_XXW_API_KEY def call_api_get(arguments): vcodearguments[vcode] BASE_URL https://www.apimy.cn/api/xxw/bgcx keyfboss:llm:academic_credential_verification:{vcode} redis_dataredis_client.get(key) if redis_data is None: payload {key: os.getenv(自己的环境变量), vcode:vcode} headers {Content-Type: application/json} response requests.post(BASE_URL, jsonpayload, headersheaders, timeout30) response.raise_for_status() data response.json() redis_client.set(key, json.dumps(data, ensure_asciiFalse)) return json.dumps(data, ensure_asciiFalse) else: return redis_data # 封装模型响应函数 def get_response(messages): completion client.chat.completions.create( modelqwen3.7-plus, extra_body{enable_thinking: False}, messagesmessages, toolstools, ) return completion messages [{role: user, content: USER_QUESTION}] response get_response(messages) assistant_output response.choices[0].message if assistant_output.content is None: assistant_output.content messages.append(assistant_output) # 如果不需要调用工具直接输出内容 if assistant_output.tool_calls is None: print(f无需调用查询工具直接回复{assistant_output.content}) else: # 进入工具调用循环 while assistant_output.tool_calls is not None: tool_call assistant_output.tool_calls for i in tool_call: tool_call_id i.id func_name i.function.name arguments json.loads(i.function.arguments) print(f正在调用工具 [{func_name}]参数{arguments}) function_mapping { get_current_weather: get_current_weather, call_api_get: call_api_get } # 执行工具 tool_result function_mapping[func_name](arguments) # 构造工具返回信息 tool_message { role: tool, tool_call_id: tool_call_id, content: tool_result, # 保持原始工具输出 } print(f工具返回{tool_message[content]}) messages.append(tool_message) # 再次调用模型获取总结后的自然语言回复 response get_response(messages) assistant_output response.choices[0].message if assistant_output.content is None: assistant_output.content messages.append(assistant_output) print(f助手最终回复{assistant_output.content})学历查询这边带了个 redis 缓存验证码当 key避免对同一个验证码重复打外部 API模型调用时关掉了思考模式enable_thinkingFalse——工具调用场景要快、要干脆不需要模型在那长篇推理多工具循环用for i in tool_call把模型返回的每一个 tool_call 都跑一遍再统一回喂模型总结三块代码的整体关系第一块是业务接口把简历和岗位喂给大模型让它算匹配度本质是单轮 prompt不要工具。第二、三块是 Agent 工具调用的演示模型能自己决定调哪个工具、传什么参数拿到结果再总结。区别是单模型版一次只处理一个 tool_call多模型版能并发处理多个。共同点都走百炼兼容模式地址、都用qwen3.7-plus工具调用时tool_call_id一定不能丢。
)
