HRMaster / app.py
xiaofeifei's picture
update gradio
95e832d
raw history blame
No virus
21.7 kB
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:{{{get_talent_outline(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。"
prompt = '''你现在是HR招聘专家,某职位要求是:
{}
某候选人简历信息如下:{}。
针对候选人的简历与职位要求进行匹配度评估,采取以下规则:1. 教育背景匹配度评估:
- 完全匹配:候选人的教育背景与职位要求完全符合。
- 较为匹配:候选人的教育背景与职位要求有一定的相关性,但不完全符合。
- 较不匹配:候选人的教育背景与职位要求有一些不相关的情况。
- 完全不匹配:候选人的教育背景与职位要求完全不符合。
2. 工作经验匹配度评估:
- 完全匹配:候选人的工作经验与职位要求完全符合。
- 较为匹配:候选人的工作经验与职位要求具备相应的技能和经验,但可能缺少某些方面的经验。
- 较不匹配:候选人的工作经验与职位要求相差较大,缺乏相关的技能和经验。
- 完全不匹配:候选人的工作经验与职位要求完全不符合。
3. 技能与能力匹配度评估:
- 完全匹配:候选人具备职位要求的所有必备技能和能力。
- 较为匹配:候选人具备部分职位要求的技能和能力,但可能缺少某些方面的能力。
- 较不匹配:候选人缺乏职位要求的关键技能和能力。
- 完全不匹配:候选人的技能和能力与职位要求完全不符合。
4. 其他因素综合考虑:
- 完全匹配:候选人除了教育背景、工作经验和技能与能力外,还具备其他与职位要求相关的因素,如培训经历、认证证书等。
- 较为匹配:候选人除了教育背景、工作经验和技能与能力外,可能还具备一些与职位要求相关的因素。
- 较不匹配:候选人缺乏与职位要求相关的其他因素。
- 完全不匹配:候选人的其他因素与职位要求完全不符合。
5. 整体的人岗匹配度:
综合考量候选人的教育背景、工作经验、技能与能力以及其他因素得到整体的岗位匹配度。
根据以上规则,对简历与职位要求之间的匹配度进行评估,并划分为完全匹配、较为匹配、较不匹配和完全不匹配四个档次。
评估结果请以json格式返回给我,下面是返回结果的示例:
"教育背景匹配度":{
"结果":"",
"评估说明":""
},
"工作经验匹配度":{
"结果":"",
"评估说明":""
},
"技能与能力匹配度":{
"结果":"",
"评估说明":""
},
"其他因素匹配度":{
"结果":"",
"评估说明":""
},
"整体匹配度":{
"结果":"",
"评估说明":""
'''.format(jd, resume)
data = json.loads(ask_gpt(prompt))
edu_matching = data['教育背景匹配度']['结果']
edu_description = data['教育背景匹配度']['评估说明']
work_exp_matching = data['工作经验匹配度']['结果']
work_exp_description = data['工作经验匹配度']['评估说明']
skill_matching = data['技能与能力匹配度']['结果']
skill_description = data['技能与能力匹配度']['评估说明']
other_matching = data['其他因素匹配度']['结果']
other_description = data['其他因素匹配度']['评估说明']
overall_matching = data['整体匹配度']['结果']
overall_description = data['整体匹配度']['评估说明']
return gr.update(value=edu_matching), gr.update(value=work_exp_matching, ), gr.update(
value=skill_matching, ), gr.update(value=other_matching, ), gr.update(
value=overall_matching, ), edu_description, work_exp_description, skill_description, other_description, overall_description
# 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.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,)
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.Textbox(label="简历信息")
talent_row = gr.Row(visible=False)
with talent_row:
resume_text = gr.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:
with gr.Column():
jd = gr.Textbox(label="岗位JD", lines=20)
test_jd = '''
职位名称:Java开发工程师
工作职责:
1. 根据业务需求,参与需求分析、系统设计和架构设计。
2. 开发和维护基于Java技术的Web应用程序、服务端组件和工具。
3. 编写高质量的可维护、可扩展的代码,并进行单元测试和代码审查。
4. 对现有系统进行优化和性能调优,确保系统的高可用性和稳定性。
5. 与产品经理、设计师和测试人员紧密合作,确保产品质量和用户体验。
6. 持续学习和研究新的技术和开发工具,提出并实施技术创新和改进。
任职要求:
1. 精通Java编程语言,熟悉Java相关的开发框架和工具,如Spring、Hibernate等。
2. 具备扎实的计算机基础知识,熟悉面向对象设计和设计模式。
3. 具备良好的数据结构和算法基础,对系统性能优化有一定的经验。
4. 熟悉Web开发相关的技术,如HTML、CSS、JavaScript等。
5. 具备良好的沟通能力和团队协作能力,能够与团队成员和其他相关岗位进行有效的沟通和合作。
6. 具备良好的问题解决能力和学习能力,能够快速地理解和解决技术问题。
7. 具备良好的代码风格和规范意识,注重代码质量和可维护性。
'''
gr.Examples([test_jd], [jd])
with gr.Column():
# person_job_fit = gr.Textbox(label="人岗匹配度")
edu_matching = gr.CheckboxGroup(["完全匹配", "较为匹配", "较不匹配", "完全不匹配"], label="教育背景匹配度", info="")
edu_description = gr.Textbox(label="评估说明",)
work_exp_matching = gr.CheckboxGroup(["完全匹配", "较为匹配", "较不匹配", "完全不匹配"], label="工作经验匹配度", info="")
work_exp_description = gr.Textbox(label="评估说明")
skill_matching = gr.CheckboxGroup(["完全匹配", "较为匹配", "较不匹配", "完全不匹配"], label="技能与能力匹配度", info="")
skill_description = gr.Textbox(label="评估说明")
other_matching = gr.CheckboxGroup(["完全匹配", "较为匹配", "较不匹配", "完全不匹配"], label="其他因素匹配度", info="")
other_description = gr.Textbox(label="评估说明")
overall_matching = gr.CheckboxGroup(["完全匹配", "较为匹配", "较不匹配", "完全不匹配"], label="整体匹配度", info="")
overall_description = gr.Textbox(label="评估说明")
fit_button = gr.Button(value="计算人岗匹配度", )
fit_button.click(person_job_fit_gene, [text_output, jd],
[edu_matching, work_exp_matching, skill_matching, other_matching, overall_matching,
edu_description, work_exp_description, skill_description, other_description,
overall_description])
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])
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)
resume_file.change(parse_file, resume_file, [text_output, talent_row, jd_row, radar_row])
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", show_copy_button=True)
interview_questions_generator_button = gr.Button(value="面试问题生成")
interview_questions_generator_button.click(generate_interview_questions_new, [text_output, jd],
[interview_questions_text])
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.Textbox(label="生成的测试简历信息", show_copy_button=True)
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)
test_targrt_job = "java开发工程师"
test_resume_item_list = ["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"]
gr.Examples([[test_targrt_job, test_resume_item_list]], targrt_job, resume_item_list,
fn=generate_test_resume,
)
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.Textbox(label="面试评价", show_copy_button=True)
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)
gr.Examples([["强", "中", "弱", "强", "中", "弱", "是"], ["弱", "中", "弱", "强", "中", "弱", "否"]],
[commu_skills, pro_skills, tech_skills, solve_skills, team_skills,
pressure_resistance, if_ok], interview_feedback_text,
fn=generate_interview_feedback,
)
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)
if __name__ == "__main__":
demo.launch(debug=True)