lbql-yhl 智能简历解析系统 Skill
核心功能
- 多格式支持：PDF (.pdf)、Word (.docx/.doc)、图片 (.jpg/.png/.webp) 格式简历解析
- 信息提取：自动识别并提取以下核心信息：
- 个人基本信息（姓名、电话、邮箱、年龄、性别、所在地）
- 教育经历（学校、专业、学历、起止时间、GPA、相关课程）
- 工作经历（公司名称、职位、起止时间、工作内容、业绩成果）
- 项目经历（项目名称、角色、起止时间、项目描述、技术栈、成果）
- 技能栈（编程语言、框架、工具、软技能、语言能力）
- 证书、获奖经历、自我评价
- 匹配度分析：输入岗位JD后自动计算简历匹配度，从技能匹配、经验匹配、学历匹配等多维度打分
- 优化建议：针对简历不足生成具体优化建议，包括内容补充、表述优化、结构调整
- 数据导出：支持JSON/Markdown格式导出结构化简历数据
工作流程
- 当用户上传简历文件或提供简历路径时，先调用对应解析脚本提取文本内容
- 将提取的文本传入大模型进行结构化信息提取，输出标准JSON格式
- 如果用户提供了岗位JD，按照以下严格规则进行匹配度分析：
- 第一步：先区分JD中的「核心要求」和「加分要求」：核心要求占比80%权重，加分要求占20%
- 第二步：严格匹配核心要求：核心要求只要有一项不满足，整体评分上限不超过60分；2项及以上不满足，上限不超过40分
- 第三步：加权计算总分：严格按照各维度权重计算，禁止主观加分
- 第四步：客观说明匹配情况：必须明确说明「完全匹配/基本匹配/不匹配」，禁止模糊表述
- 最终返回结构化结果 + 严格的分析报告 + 可落地优化建议
匹配度评分严格规则
- 90-100分：完全匹配：所有核心要求100%满足，加分要求满足80%以上，有超出要求的亮点
- 70-89分：基本匹配：核心要求全部满足，加分要求满足50%以上，无明显核心短板
- 60-69分：勉强匹配：核心要求基本满足，有1项非关键核心要求不满足，加分要求满足30%以上，可以进入面试
- <60分：不匹配：核心要求有2项及以上不满足，或有1项关键核心要求不满足，不符合岗位基本要求
核心要求判定规则
- 岗位JD中明确标注「必须」「要求」「需具备」的技能/经验
- 岗位名称对应的核心能力（如AI算法岗必须懂深度学习，后端岗必须懂编程语言）
- 明确的工作年限、学历要求
脚本使用
1. PDF文本提取
python scripts/extract_pdf.py <input-pdf-path>
返回纯文本内容
2. Word文本提取
python scripts/extract_docx.py <input-docx-path>
返回纯文本内容
3. 图片OCR提取
python scripts/extract_image.py <input-image-path>
返回OCR识别的文本内容
4. 结构化解析
python scripts/parse_resume.py <extracted-text-file>
返回结构化JSON数据
5. 匹配度分析
python scripts/match_jd.py <resume-json-path> <jd-text-path>
返回匹配度分析结果
输出格式规范
结构化简历JSON格式
{
"basic_info": {
"name": "",
"phone": "",
"email": "",
"age": null,
"gender": "",
"location": "",
"work_years": null
},
"education": [
{
"school": "",
"major": "",
"degree": "",
"start_date": "",
"end_date": "",
"gpa": "",
"courses": []
}
],
"work_experience": [
{
"company": "",
"position": "",
"start_date": "",
"end_date": "",
"description": "",
"achievements": [],
"technologies": []
}
],
"projects": [
{
"name": "",
"role": "",
"start_date": "",
"end_date": "",
"description": "",
"technologies": [],
"achievements": []
}
],
"skills": {
"technical": [],
"soft": [],
"languages": []
},
"certificates": [],
"awards": [],
"self_assessment": ""
}
匹配度分析格式
{
"overall_score": 0-100,
"dimensions": [
{
"name": "核心技能匹配",
"score": 0-100,
"weight": 0.4,
"matched": ["匹配的核心技能列表"],
"missing": ["缺失的核心技能列表"],
"analysis": "详细分析说明"
},
{
"name": "岗位职责匹配",
"score": 0-100,
"weight": 0.3,
"matched": ["匹配的职责经验"],
"gap": "职责差距描述",
"analysis": "详细分析说明"
},
{
"name": "经验/资历匹配",
"score": 0-100,
"weight": 0.15,
"matched": ["匹配的经验点"],
"gap": "经验差距描述",
"analysis": "详细分析说明"
},
{
"name": "学历/背景匹配",
"score": 0-100,
"weight": 0.15,
"matched": "匹配结果描述",
"gap": "背景差距描述（如果有）",
"analysis": "详细分析说明"
}
],
"overall_analysis": "整体匹配情况总结，明确说明是否匹配",
"strengths": ["简历优势列表"],
"weaknesses": ["简历不足列表，必须明确核心差距"],
"suggestions": ["具体的优化建议列表"]
}
依赖安装
首次使用前安装依赖：
pip install PyPDF2 python-docx pytesseract pillow python-multipart
注意：OCR功能需要安装Tesseract引擎