就业智能体：当AI成为你的专属职业顾问

┌─────────────────────────────────────────────────┐
│                  就业智能体                        │
├─────────────────────────────────────────────────┤
│  ┌─────────┐  ┌─────────┐  ┌─────────────┐    │
│  │ 用户画像 │  │ 岗位分析 │  │ 智能匹配引擎 │    │
│  │  模块   │  │  模块   │  │             │    │
│  └─────────┘  └─────────┘  └─────────────┘    │
│  ┌─────────┐  ┌─────────┐  ┌─────────────┐    │
│  │ 简历生成 │  │ 面试模拟 │  │ 职业规划    │    │
│  │  模块   │  │  模块   │  │  模块       │    │
│  └─────────┘  └─────────┘  └─────────────┘    │
├─────────────────────────────────────────────────┤
│         大语言模型（LLM） + RAG 引擎             │
└─────────────────────────────────────────────────┘

from typing import List, Dict
import json

class UserProfileExtractor:
    """用户画像提取器"""
    
    def __init__(self, llm_client):
        self.llm = llm_client
    
    def extract_from_text(self, raw_text: str) -> Dict:
        """从文本中提取结构化画像"""
        prompt = f"""
        请从以下文本中提取用户画像信息，以JSON格式输出：
        1. 技能列表（按熟练度分级）
        2. 工作年限
        3. 行业领域
        4. 教育背景
        5. 核心优势（3个关键词）
        
        文本内容：{raw_text}
        """
        
        response = self.llm.generate(prompt)
        return json.loads(response)
    
    def generate_tags(self, profile: Dict) -> List[str]:
        """生成标签体系"""
        tags = []
        tags.extend(profile.get('skills', []))
        tags.append(profile.get('industry', ''))
        tags.extend(profile.get('advantages', []))
        return list(set([t for t in tags if t]))

# 使用示例
extractor = UserProfileExtractor(llm_client)
profile = extractor.extract_from_text(
    "我有5年Python开发经验，主要做Web后端和数据工程，"
    "熟悉Django、FastAPI、Spark，带过3人小团队。"
)
print(profile)
# 输出: {'skills': ['Python', 'Django', 'FastAPI', 'Spark'], 
#        'experience_years': 5, 'industry': '软件开发', ...}

import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

class JobMatcher:
    """岗位匹配引擎"""
    
    def __init__(self, embedding_model):
        self.embedder = embedding_model
        
    def encode_text(self, text: str) -> np.ndarray:
        """将文本转换为向量"""
        return self.embedder.encode(text)
    
    def compute_match_score(self, user_profile: str, job_desc: str) -> Dict:
        """计算多维度匹配分数"""
        # 分别计算技能匹配、经验匹配、文化匹配
        skill_match = self._semantic_similarity(user_profile, job_desc)
        exp_match = self._extract_and_compare_exp(user_profile, job_desc)
        
        overall = 0.6 * skill_match + 0.3 * exp_match + 0.1 * self._culture_fit(user_profile, job_desc)
        
        return {
            "overall_score": round(overall, 2),
            "skill_match": round(skill_match, 2),
            "experience_match": round(exp_match, 2),
            "recommendation": "强烈推荐" if overall > 0.75 else "可以考虑" if overall > 0.5 else "暂不匹配"
        }
    
    def _semantic_similarity(self, text1: str, text2: str) -> float:
        vec1, vec2 = self.encode_text(text1), self.encode_text(text2)
        return cosine_similarity([vec1], [vec2])[0][0]

# 使用示例
matcher = JobMatcher(embedding_model)
result = matcher.compute_match_score(
    user_profile="Python后端开发，5年经验，熟悉分布式系统",
    job_desc="高级后端工程师，要求Python/Golang，3年以上经验，有高并发项目经历"
)
print(result)
# 输出: {'overall_score': 0.82, 'skill_match': 0.88, 
#        'experience_match': 0.80, 'recommendation': '强烈推荐'}

class InterviewSimulator:
    """面试模拟器"""
    
    def __init__(self, llm_client):
        self.llm = llm_client
        self.conversation_history = []
        
    def start_interview(self, position: str, company: str, user_skills: List[str]):
        """开始一场模拟面试"""
        system_prompt = f"""
        你是一位资深的{company}面试官，正在面试一位{position}候选人。
        候选人的技能：{', '.join(user_skills)}
        
        请遵循以下原则：
        1. 从简单问题开始，逐步深入
        2. 结合候选人的技能提问
        3. 每个问题后给予反馈
        4. 保持专业且友好的态度
        """
        
        self.conversation_history = [
            {"role": "system", "content": system_prompt}
        ]
        
        # 生成开场问题
        opening = self.llm.generate(system_prompt + "\n请提出第一个面试问题。")
        self.conversation_history.append({"role": "assistant", "content": opening})
        return opening
    
    def answer_question(self, user_answer: str) -> str:
        """回答面试官的问题"""
        self.conversation_history.append({"role": "user", "content": user_answer})
        
        # 生成后续问题或反馈
        follow_up = self.llm.generate_with_history(self.conversation_history)
        self.conversation_history.append({"role": "assistant", "content": follow_up})
        return follow_up
    
    def get_feedback(self) -> Dict:
        """获取面试反馈"""
        summary_prompt = f"""
        基于以下面试记录，给出综合反馈：
        1. 优势分析
        2. 待改进项（具体到行为）
        3. 技术能力评分（1-10）
        4. 沟通能力评分（1-10）
        5. 是否建议进入下一轮
        
        面试记录：{self.conversation_history}
        """
        return self.llm.generate_structured(summary_prompt)

class ResumeOptimizer:
    """简历优化器"""
    
    def __init__(self, llm_client):
        self.llm = llm_client
    
    def optimize_for_job(self, resume: str, job_description: str) -> Dict:
        """根据岗位描述优化简历"""
        prompt = f"""
        请针对以下岗位，优化这份简历：
        
        【岗位要求】
        {job_description}
        
        【原始简历】
        {resume}
        
        请输出：
        1. 优化的简历正文（保持真实，突出匹配点）
        2. 需要补充的关键词（3-5个）
        3. 建议删除或弱化的内容
        4. STAR重构建议（选取一个项目示例）
        """
        
        result = self.llm.generate(prompt)
        return self._parse_optimization_result(result)
    
    def suggest_keywords(self, resume: str, job_desc: str) -> List[str]:
        """提取推荐关键词（用于通过ATS筛选）"""
        prompt = f"""
        分析岗位描述和简历，列出5个简历中缺失但岗位描述中重要的关键词。
        岗位描述：{job_desc[:500]}
        简历：{resume[:500]}
        """
        response = self.llm.generate(prompt)
        return [kw.strip() for kw in response.split(',')]