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)