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
鲜果运营小程序
用于鲜果公司内部的，主页提供市场服务、物业系统、经营工具，每项目点进去实现具体信息的记录和查询，关联相应的审批流。市场服务主要用于车辆、活动和账户信息，物业用于公司日常的登记、过磅、台账和流水，经营工具是做一些数据的整体管理和统计。
粮食收购点出入口系统-粮食收购点出入口系统
1.为了乡镇粮食收购点的业务功能如：出入库、记录库存、统计查询使用方便
2.满足多个收购点多租户登录使用
3.满足多个品种地磅进行系统适配使用
4.满足多个品牌摄像头接入
5.能够进行实时小票打印，包含销售模块、收购模块，能够根据小票的二维码快速查询信息
江西省人民医院医疗廉洁防控平台
对接医院信息系统，自动归集：处方、医嘱、药品耗材使用、检查检验申请、收费结算、耗材采购、设备采购、患者就诊、医保结算等全量业务数据，形成医疗行为大数据池。
内置风控规则模型，自动筛查异常行为并预警：大处方、重复开药、高频开同类检查、耗材异常使用、同一医生高频开具特定药品 / 耗材、超适应症检查、医保违规结算等；按风险等级分为红 / 黄预警，自动推送至医务、医德医风办、纪检部门。
课表查询（正方教务系统多校适配版）
高校教务系统（正方 jwglxt 等）是学生查询课表、成绩、考试安排的唯一官方入口，
但普遍存在四个现实问题：一是登录需 RSA 加密加密并对接 CSRF 令牌，页面为服务端
渲染的复杂表格，手机浏览器打开体验极差；二是课表的单双周、分段奇偶、调休与临时
停课信息只能靠学生自己推算，极易看错；三是成绩与绩点口径混乱，挂科课程常被错误
计入"已获得学分"，导致学生无法与学校数字对账；四是空教室只能逐节次手工查询，
效率极低。学生每周都要反复核对课表与空教室，却缺少一个能在手机上清晰查看、并可
一键导入系统日历的工具。本项目立项，即为解决高校学生在课表、成绩、考试、空教室
四类高频信息上的查询成本问题。
WPF上位机-上位机SCADA/HMI
🌟 核心架构与技术亮点 (Architecture Highlights)
🔄 内存级环形缓冲区 ：采用手搓环形队列实现高频采集与消费解耦，极大地降低 C# 垃圾回收 (GC) 压力支撑界面流畅渲染。
⚡ 自研轻量级数据核心 ：轻量级内存数据核心，高性能内存状态机，实时采集点位高速路由，实时状态响应与事件报警分发。
⏱️ 自适应时间补偿 ：基于高精度 Stopwatch 计时，动态修正采集调度周期，抑制高频采集任务的时间漂移与时序抖动
🔒 无饥饿并发控制 ：基于轻量级异步锁+线程池隔离策略，PLC通信负载与UI线程解耦。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服