业务和功能介绍
业务和功能介绍
立项背景：传统招聘流程中 HR 处理海量简历效率低下，简历结构化、候选人匹配、面试题设计均依赖人工，耗时长且主观性强，难以规模化。
项目目标：构建 AI 驱动的智能招聘 SaaS 平台，自动化"简历解析 → 人才库管理 → 岗位匹配 → 面试题生成 → 招聘漏斗"全流程，让 HR 从机械劳动中解放出来。
核心功能模块（共 7 大）：
简历智能解析 — PDF/Word 上传，LLM 提取结构化 JSON（姓名/技能/经验/教育）
人才画像 — 技能广度评分、经验年限、稳定性评分、雷达图可视化
智能岗位匹配 — 关键词匹配（Jaccard）+ 语义匹配（embedding）双引擎
AI 面试题生成 — mock 模板 / DeepSeek 大模型双模式，按技能/经验/行为/通用四类自动出题
招聘看板 — 漏斗转化率、团队效能指标、趋势分析、CSV/Markdown 导出
团队协作 — 多角色权限（admin/recruiter/hiring_manager）+ 人才库共享
业务流程：HR 上传简历 → 后端提取文本 → LLM 解析入库 → 系统计算与所有职位的匹配分数 → 简历自动进入「提交简历」阶段 → HR 解析后手动推进阶段 → 生成针对性面试题 → 面试反馈 → Offer。
立项背景：传统招聘流程中 HR 处理海量简历效率低下，简历结构化、候选人匹配、面试题设计均依赖人工，耗时长且主观性强，难以规模化。
项目目标：构建 AI 驱动的智能招聘 SaaS 平台，自动化"简历解析 → 人才库管理 → 岗位匹配 → 面试题生成 → 招聘漏斗"全流程，让 HR 从机械劳动中解放出来。
核心功能模块（共 7 大）：
简历智能解析 — PDF/Word 上传，LLM 提取结构化 JSON（姓名/技能/经验/教育）
人才画像 — 技能广度评分、经验年限、稳定性评分、雷达图可视化
智能岗位匹配 — 关键词匹配（Jaccard）+ 语义匹配（embedding）双引擎
AI 面试题生成 — mock 模板 / DeepSeek 大模型双模式，按技能/经验/行为/通用四类自动出题
招聘看板 — 漏斗转化率、团队效能指标、趋势分析、CSV/Markdown 导出
团队协作 — 多角色权限（admin/recruiter/hiring_manager）+ 人才库共享
业务流程：HR 上传简历 → 后端提取文本 → LLM 解析入库 → 系统计算与所有职位的匹配分数 → 简历自动进入「提交简历」阶段 → HR 解析后手动推进阶段 → 生成针对性面试题 → 面试反馈 → Offer。
项目实现
项目实现
整体架构：前后端分离 + RESTful API
后端：FastAPI 0.104+ / SQLAlchemy 2.0 / Pydantic v2 / SQLite + Alembic 迁移 / JWT (python-jose + bcrypt)
LLM 适配层：抽象 parse_resume() 和 call_llm() 接口，通过环境变量 LLM_MODE 切换 mock / ollama / openai 三模式（DeepSeek 走 openai 协议，base_url 一行配置即接入）
前端：Vue3 + Element Plus + Vite + Pinia + ECharts + axios，路由守卫 + 9 个业务页面 + AppLayout 侧边栏
分层架构：routers（接口校验）→ services（业务逻辑）→ models（数据持久化）
"我"负责的模块和量化结果：
后端 7 大模块（auth/resumes/jobs/matches/profiles/questions/analytics）从 0 到 1 全量实现，11 个路由文件 + 8 个服务文件
前端 9 个页面（登录/看板/简历/职位/匹配/概览）+ AppLayout，含深紫暗黑主题登录、玻璃拟态、taste-skill 设计令牌
60+ 单元测试 100% 通过
11 次 git 提交，每个模块独立可回滚
遇到的难点 / 坑 / 解决方案：
LLM 三模式适配 — mock / ollama / openai 三套调用栈差异大。解法：抽象 _openai_parse() 用 OpenAI SDK（兼容 DeepSeek），_ollama_parse() 用 httpx，parse_resume() 统一入口按 LLM_MODE 分发
漏斗图不实时 — 上传简历后 /analytics/funnel 缓存 300s 不更新。解法：在 _pipeline_stage() 末尾 _cache.pop("funnel", None) 主动失效
跨域登录 401 — Vite 代理剥离 Authorization 头。解法：改 .env.development VITE_API_BASE 直连后端走 CORS，allow_headers 显式列名避开 credentials + wildcard 冲突
前端状态枚举错位 — 后端用 unparsed，前端误用 pending。解法：修正 statusMap + 强制刷新
整体架构：前后端分离 + RESTful API
后端：FastAPI 0.104+ / SQLAlchemy 2.0 / Pydantic v2 / SQLite + Alembic 迁移 / JWT (python-jose + bcrypt)
LLM 适配层：抽象 parse_resume() 和 call_llm() 接口，通过环境变量 LLM_MODE 切换 mock / ollama / openai 三模式（DeepSeek 走 openai 协议，base_url 一行配置即接入）
前端：Vue3 + Element Plus + Vite + Pinia + ECharts + axios，路由守卫 + 9 个业务页面 + AppLayout 侧边栏
分层架构：routers（接口校验）→ services（业务逻辑）→ models（数据持久化）
"我"负责的模块和量化结果：
后端 7 大模块（auth/resumes/jobs/matches/profiles/questions/analytics）从 0 到 1 全量实现，11 个路由文件 + 8 个服务文件
前端 9 个页面（登录/看板/简历/职位/匹配/概览）+ AppLayout，含深紫暗黑主题登录、玻璃拟态、taste-skill 设计令牌
60+ 单元测试 100% 通过
11 次 git 提交，每个模块独立可回滚
遇到的难点 / 坑 / 解决方案：
LLM 三模式适配 — mock / ollama / openai 三套调用栈差异大。解法：抽象 _openai_parse() 用 OpenAI SDK（兼容 DeepSeek），_ollama_parse() 用 httpx，parse_resume() 统一入口按 LLM_MODE 分发
漏斗图不实时 — 上传简历后 /analytics/funnel 缓存 300s 不更新。解法：在 _pipeline_stage() 末尾 _cache.pop("funnel", None) 主动失效
跨域登录 401 — Vite 代理剥离 Authorization 头。解法：改 .env.development VITE_API_BASE 直连后端走 CORS，allow_headers 显式列名避开 credentials + wildcard 冲突
前端状态枚举错位 — 后端用 unparsed，前端误用 pending。解法：修正 statusMap + 强制刷新
示例图片视频
相似推荐
车险智能报价与强交互作业平台-智能作业助理
项目简介：构建线上保险销售作业场景，引入AI技术优化业务流程；提升客户体验与业务员作业效率，推动业务线上化、智能化转型。
业务流程：内勤通过后台客户数据推送进行企业微信好友添加，后台根据内勤业务特点和标签，每日定时下发作业清单及智能报价数据，内勤进行预览和确认后，系统协助向客户推送推荐报价单，以及后续客户线上确认和支付流程。
CodeWeaver-CodeWeaver
### 市场定位
CodeWeaver 是面向**高安全嵌入式/工业软件（军工GJB438C、航空DO‑178C、汽车ISO26262等）**的智能化单元测试用例生成工具，定位为**研发效率辅助工具，不做取证级工具**，采用本地私有化大模型Ollama，支持离线运行。
**对标产品**：LDRA/VectorCAST，但不走取证工具路线；做研发阶段前置增效，和国外取证工具互补。
**客户对象**：研究所、汽车零部件、医疗器械、核电、铁路软件团队。
### 产品边界
- 明确是**研发辅助工具**，输出用例需要人工复核，不直接用于A级安全等级取证
- 规避高昂漫长的官方工具鉴定流程
- 核心价值：把设计文档业务约束自动转化测试场景，减轻工程师手工编写单元测试的重复劳动
### 核心创新
**文档‑代码双向信息融合 + 约束‑场景映射的文档驱动测试**，并非单纯调用大模型生成测试代码的玩具Demo。
基于移动端的AI深度学习目标智能检测算法开发
本项目立足于移动端人工智能轻量化落地应用背景，针对传统目标检测算法依赖电脑端设备、实时性差、部署不便的问题，旨在实现深度学习检测模型的手机端本地化部署与实时推理。项目目标是开发一款安卓智能检测小程序，将训练完成的80类通用YOLOv5s目标检测模型移植并集成至移动端设备。软件核心包含模型轻量化适配、相机实时视频采集、多类别目标检测识别、检测结果渲染展示与移动端设备适配运行模块。整体业务流程为：启动安卓小程序后调用手机摄像头，实时读取画面帧数据，通过本地集成的YOLOv5s模型完成推理计算，自动识别画面中的各类目标物体并输出类别与位置信息。本项目全程在华为安卓手机上完成程序安装、调试、测试与运行验证，实现了脱离电脑与云端的端侧实时智能检测功能。
泛微OA替代型-智能审批与费控管理平台
1.立项背景和目标：旧有OA系统扩展性差，且无法适应复杂的差旅报销标准。目标自研一套集预算控制、发票验真、多级审批于一体的轻量级费控系统，覆盖全公司2000+员工日常报销。
2.核心功能模块：可视化流程设计器、动态自定义表单、预算冻结与释放、员工报销申请及OCR发票识别、出纳支付打款模块。
3.业务流程与路径：员工填写报销单（OCR识别发票） -> 系统自动校验预算余额并冻结额度 -> 根据金额路由至不同审批链（主管->财务） -> 审批通过后出纳批量支付 -> 支付完成后回传凭证并释放剩余预算。
美妆电商秒杀与会员中台系统-花漾商城
1.立项背景和目标：传统电商平台流量红利见顶，为提升用户粘性并应对大促峰值流量，公司决定自研一套集会员等级体系与限时秒杀于一体的中台系统。目标支撑日常10万日活，秒杀场景下QPS不低于5000。
2.软件功能与核心模块：系统包含会员积分成长体系、任务中心、以及核心的秒杀抢购模块。支持后台灵活配置秒杀场次、库存及价格策略。
3.业务流程与路径：用户登录后通过首页广告位进入秒杀场次 -> 点击抢购触发库存预扣 -> 排队生成订单 -> 支付回调后异步扣减真实库存并发放积分。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服