app.py

from utils import draw_radar_chart
import json
import gradio as gr
from pydantic import BaseModel
import openai
import os


openai.api_base = "https://api.wzunjh.top/v1"

def ask_gpt(prompt):
    response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",  # here we use `gpt-3.5-turbo` model, while Stanford-Alpaca uses `text-davinci-003`
    messages=[
      {"role": "user", "content": prompt},
    ]
    )
    print(response)
    return response.choices[0].message.content.strip()

def ask_gpt_with_history(history):
    response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",  # here we use `gpt-3.5-turbo` model, while Stanford-Alpaca uses `text-davinci-003`
    messages=history
    )
    print(response)
    return response.choices[0].message.content.strip()

async def predict(input, history):
    """
    Predict the response of the chatbot and complete a running list of chat history.
    """
    history.append({"role": "user", "content": input})
    response = ask_gpt_with_history(history)
    history.append({"role": "assistant", "content": response})
    messages = [(history[i]["content"], history[i + 1]["content"]) for i in range(0, len(history) - 1, 2)]
    return messages, history


class Message(BaseModel):
    role: str
    content: str


def parse_file(file):
    print(file.name)
    with open(file.name, encoding="utf8") as in_file:
        txt = in_file.read()
    return txt, gr.update(visible=True), gr.update(visible=True), gr.update(visible=True)


# 生成人才画像
def generate_talent_portrait(resume):
    prompt = f"你现在是HR招聘专家,下面是候选人的简历:\n\"\"\"\"{resume}\"\"\"\"\n请你分析候选人的教育背景、工作经验、技能等方面的特点，给出候选人的人才画像,并概括性的分析候选人的优点和不足。"
    return ask_gpt(prompt)


# 人岗匹配度
def person_job_fit_gene(resume, jd):
    prompt = f"你现在是HR招聘专家，某职位要求是：{{{jd}}}\n某候选人简历如下：{{{resume}}}" + "。岗位与候选人之间的匹配度可以用0-1之间的数字表示，0表示完全不匹配，1表示完全匹配。请你评估应聘岗位与候选人的匹配度，并给出理由。"
    return ask_gpt(prompt)


# interview_questions
def generate_interview_questions(work_experience):
    prompt = f"你现在是HR招聘专家，下面是候选人A的工作经历：{work_experience}\n我可以问哪些问题来判断该候选人的能力水平？"
    return ask_gpt(prompt)


# interview_questions
def generate_interview_questions_new(resume, jd):
    prompt = f"你现在是HR高级面试官，某职位要求是：{{{jd}}}\n下面是候选人A简历的：\n{resume}\n请你生成一些面试问题来判断该候选人的能力水平。注意，请把面试问题以python列表格式返回给我，不要返回任何额外内容。"
    print(prompt)
    res = ask_gpt(prompt)
    print(res)
    print(eval(res))
    return gr.update(choices=eval(res), value=eval(res), interactive=True), gr.update(visible=True)


def generate_jd(jobTitle, eduLevel, workYearArr):
    prompt = "你现在是HR招聘专家，你需要发布一个名称为\"" + jobTitle + "\"的职位，请你撰写一份该职位的JD，内容包括工作职责和任职要求。"
    if eduLevel != "":
        prompt += "该岗位的最低学历要求为" + eduLevel + "。"
    if workYearArr != "":
        prompt += "该岗位的工作年限要求为" + workYearArr + "。"
    prompt += "注意:非必要情况不要使用英文，内容不要包含薪酬福利等敏感信息。"
    return ask_gpt(prompt)


def generate_test_resume(target_job, item_list):
    resume_gene_prompt = f"你现在是HR测试数据生成器，请帮我生成一份求职目标为{target_job}的候选人简历，需要包含以下关键信息：\n{item_list}。\n注意，结果请以markdown格式返回给我,并且不要返回额外信息。"
    print(resume_gene_prompt)
    return ask_gpt(resume_gene_prompt)


def generate_interview_feedback(commu_skills, pro_skills, tech_skills, solve_skills, team_skills, pressure_resistance,
                                if_ok):
    prompt = f"""
    你现在是HR招聘专家,下面是某候选人的面试评估结果：
    ***
    沟通能力:{commu_skills}
    专业知识:{pro_skills}
    技术能力:{tech_skills}
    解决问题的能力:{solve_skills}
    团队合作能力:{team_skills}
    抗压能力:{pressure_resistance}
    是否录用:{if_ok}
    ***
    请你根据是否录用结果和其他各项能力的表现生成一份面试评价。
    """
    print(prompt)
    return ask_gpt(prompt)


def gene_ability_score(resume, jd):
    prompt = f"""你现在是HR招聘专家.
    某候选人简历如下：
    {{{resume}}}
    请你从[教育背景、工作经验、技能特长、项目经历和成果、领导力和管理能力、自我学习和发展能力、沟通和协作能力、岗位匹配度]这八个维度对候选人进行打分，分数范围是0-100，并针对每个维度的分数给出相应的打分理由。
    教育背景：
    评价规则：80-100表示教育背景优秀，毕业于985、211大学；70-80表示教育背景良好、毕业于普通重点大学；70分以下表示毕业于普通大学。
    工作经验：
    评价规则：80-100表示候选人具有丰富的相关工作经验，曾承担重要职责并取得显著的成绩；60-79表示候选人有一定的工作经验，能够胜任职务，但成绩一般；60分以下表示候选人工作经验较少或表现普通。
    技能特长：
    评价规则：80-100表示候选人在相关技能方面突出，掌握了多项技能，具备深厚的专业知识；60-79表示候选人具备一些相关技能，能够熟练运用；60分以下表示候选人技能较少或掌握程度一般。
    项目经历和成果：
    评价规则：80-100表示候选人在项目中表现出色，取得了显著的项目成果，具备解决问题和团队合作能力；60-79表示候选人在项目中有一些成绩，能够参与并完成任务；60分以下表示候选人在项目中表现一般或成绩较少。
    领导力和管理能力：
    评价规则：80-100表示候选人具备优秀的领导力和管理能力，曾成功承担过领导职责或项目管理职务；60-79表示候选人具备一定的领导力和管理能力，曾有一定的领导经验；60分以下表示候选人领导能力较弱或未有相关经验。
    自我学习和发展能力：
    评价规则：80-100表示候选人具有积极主动地学习和扩充知识的意愿和能力，持续学习并不断提升自己；60-79表示候选人有一些学习和发展的意愿和能力，但不够积极主动；60分以下表示候选人学习和发展能力较弱或缺乏积极性。
    沟通和协作能力：
    评价规则：80-100表示候选人具备良好的沟通和协作能力，能够与他人有效地进行交流和合作；60-79表示候选人具备一定的沟通和协作能力，能够与他人合作完成任务；60分以下表示候选人沟通和协作能力较弱或简历中描述有限。
    注意，结果参考下面的JSON字符串，以json格式返回给我,不要返回任何额外信息。
    返回结果参考：
    ｛   
    "教育背景": "81",
    "工作经验":"68",
    "技能特长":"69",
    "项目经历和成果":"85",
    "领导力和管理能力":"96",
    "自我学习和发展能力":"100",
    "沟通和协作能力":"56",
    "打分理由":"理性评估"
    ｝
    """
    print(prompt)
    return ask_gpt(prompt)


def gene_talent_radar(resume, jd):
    res = gene_ability_score(resume, jd)
    json_res = json.loads(res)
    print(json_res)
    score_list = []
    cat_list = []
    for key, value in json_res.items():
        if key != "打分理由":
            cat_list.append(key)
            score_list.append(int(value))
    print(score_list)
    print(cat_list)
    return draw_radar_chart(score_list, cat_list), json_res["打分理由"]


with gr.Blocks(title="HRMaster", theme="soft") as demo:
    gr.Markdown("# HRMaster")
    gr.Markdown("HRMaster usage demo.")
    with gr.Tab("岗位JD生成器"):
        with gr.Row():
            with gr.Column():
                jobTitle_input = gr.Textbox(label="岗位名称")
                eduLevel_input = gr.Textbox(label="最低学历要求")
                workYearArr_input = gr.Textbox(label="工作年限要求")
            with gr.Column():
                jd_output_text = gr.outputs.Textbox(label="生成的岗位JD")
                jd_button = gr.Button(value="岗位JD生成")
                jd_button.click(generate_jd, [jobTitle_input, eduLevel_input, workYearArr_input], jd_output_text)
            with gr.Column():
                gr.Examples([["java开发工程师","本科","三年以上"],["算法工程师","研究生","一年以上"]],[jobTitle_input,eduLevel_input,workYearArr_input],[jd_output_text],fn=generate_jd, cache_examples=True,)


    with gr.Tab("简历筛选辅助"):
        with gr.Row():
            resume_file = gr.File(label="请上传简历（目前仅支持上传txt格式简历）", file_types=["text"])
            text_output = gr.outputs.Textbox(label="简历信息")
        talent_row = gr.Row(visible=False)
        with talent_row:
            resume_text = gr.outputs.Textbox(label="人才画像")
            hua_button = gr.Button(value="生成人才画像", )
            hua_button.click(generate_talent_portrait, text_output, resume_text)

        jd_row = gr.Row(visible=False)
        with jd_row:
            jd = gr.Textbox(label="岗位JD")
            person_job_fit = gr.Textbox(label="人岗匹配度")
            fit_button = gr.Button(value="计算人岗匹配度", )
            fit_button.click(person_job_fit_gene, [text_output, jd], person_job_fit)

        radar_row = gr.Row(visible=False)
        with radar_row:
            radar_outputs = gr.Plot(label="能力雷达图")
            radar_reasons = gr.Textbox(label="打分理由")
            radar_button = gr.Button(value="生成能力雷达图")
            radar_button.click(gene_talent_radar, [text_output, jd], [radar_outputs, radar_reasons])
        resume_file.change(parse_file, resume_file, [text_output, talent_row, jd_row, radar_row])
        gr.Examples([os.path.join(os.path.dirname(__file__), "test_resume.txt")],resume_file,[text_output, talent_row, jd_row, radar_row],fn=parse_file,cache_examples=True,)


    with gr.Tab("面试过程辅助"):
        interview_row = gr.Row(visible=True)
        with interview_row:
            interview_questions_text = gr.Checkboxgroup(label="面试问题")
            interview_questions_generator_button = gr.Button(value="面试问题生成")
            copy_interview_questions_button = gr.Button(value="拷贝面试问题", visible=False)
            interview_questions_generator_button.click(generate_interview_questions_new, [text_output, jd],
                                                       [interview_questions_text, copy_interview_questions_button])

    with gr.Tab("测试数据生成"):
        with gr.Row():
            targrt_job = gr.Textbox(label="求职目标")
            resume_item_list = gr.Dropdown(
                ["个人信息", "教育背景", "工作经历", "实习经历", "技能专长", "项目经验", "获奖与荣誉", "自我评价"],
                value=["个人信息", "教育背景", "工作经历", "技能专长", "项目经验", "自我评价"], multiselect=True, label="简历维度",
                info="测试简历维度信息"
            )
            test_resume_text = gr.outputs.Textbox(label="生成的测试简历信息")
            resume_gene_button = gr.Button("测试数据生成")
            resume_gene_button.click(generate_test_resume, [targrt_job, resume_item_list], test_resume_text)

    with gr.Tab("面试评价生成器"):
        with gr.Row():
            with gr.Column():
                commu_skills = gr.Radio(["强", "中", "弱"], label="沟通能力", info="评估候选人的口头表达能力、听取并理解问题的能力、回答问题的清晰度和逻辑性等。")
                pro_skills = gr.Radio(["强", "中", "弱"], label="专业知识", info="评估候选人在岗位所需的专业知识的掌握程度。")
                tech_skills = gr.Radio(["强", "中", "弱"], label="技术能力", info="评估候选人在岗位所需的专业技能方面的掌握程度。")
                solve_skills = gr.Radio(["强", "中", "弱"], label="解决问题的能力", info="评估候选人在面对问题时的分析能力、创新思维、解决问题的方法和结果。")
                team_skills = gr.Radio(["强", "中", "弱"], label="团队合作能力",
                                       info="评估候选人在与他人合作、协调和沟通方面的能力，包括与面试官的互动、参与小组讨论等。")
                pressure_resistance = gr.Radio(["强", "中", "弱"], label="抗压能力", info="评估候选人在应对压力、处理复杂情境以及适应变化上的能力。")
                if_ok = gr.Radio(["是", "否"], label="是否录用", info="最终结果")
            with gr.Column():
                interview_feedback_text = gr.outputs.Textbox(label="面试评价")
                result_button = gr.Button(value="面试评价生成")
                result_button.click(generate_interview_feedback,
                                    inputs=[commu_skills, pro_skills, tech_skills, solve_skills, team_skills,
                                            pressure_resistance, if_ok],
                                    outputs=interview_feedback_text)
    with gr.Tab("HRChat"):
        with gr.Column():
            chatbot = gr.Chatbot(label="HRChat")
            state = gr.State([])
            clear = gr.Button("Clear")
            txt = gr.Textbox(show_label=False, placeholder="Enter text and press enter").style(container=False)
            txt.submit(predict, [txt, state], [chatbot, state])
            clear.click(lambda: None, None, chatbot, queue=False)
    # with gr.Accordion("Open for More!"):
    #     gr.Markdown("Look at me...")

if __name__ == "__main__":
    demo.launch(server_name="0.0.0.0")