职遇

职遇 (TalentDrop)AI 驱动的深度人才匹配平台。告别海投简历，候选人和企业各自完成深度问卷（Career DNA / Company DNA），算法每周自动「投递」高匹配机会。项目概述职遇借鉴 Date Drop 的深度匹配算法理念，将其应用于招聘场景：Career DNA：通过 8 个核心维度（节奏、协作、决策、表达、不确定性、成长、动机、执行）描绘候选人画像，所有维度均为光谱式分布，没有"正确答案"三层问卷架构：平台标准题（30 题，权重 60%）→ 岗位类型题（15 题，25%）→ 企业自定义题（≤5 题，15%）双向发现机制：候选人收到匹配岗位，企业收到匹配候选人，双方独立做出 接受/跳过 决策 → 双向匹配每周 Drop：每周二晚 9 点揭晓本周匹配结果，附带兼容性分析报告技术栈层级技术前端Next.js 16 + React 19 + TypeScript + Tailwind CSS v4后端Python 3.11+ / FastAPI + Pydantic v2数据库SQLite (aiosqlite)AIOpenAI API（对话画像 / 简历解析 / 匹配报告）+ LightRAG 知识图谱引擎，支持 mock 回退包管理uv (Python) / npm (Node.js)部署Docker Compose主要功能候选人侧：Career DNA 问卷、每周 Drop 匹配揭晓、匹配报告（雷达图 + 知识图谱 + 匹配漏斗）、AI 对话画像、简历上传解析、个人档案管理企业侧：Company DNA 问卷、岗位管理（CRUD）、每周 Drop 候选人推荐、匹配详情与维度对比匹配引擎：L1 硬性筛选 → L2 DNA 兼容度（详见下方核心算法章节）可视化：力导向知识图谱、匹配漏斗图、维度对比条形图、DNA 雷达图互动演示：/demo 页面包含 6 个互动分区，展示平台理论基础核心算法：三阶段匹配流水线匹配计算是一条 DNA 计分 → L1 硬过滤 → L2 DNA 兼容度 的三阶段流水线。Stage 1 — DNA 画像计算候选人和企业各自完成问卷后，系统通过 3 种题型的差异化计分策略，将主观作答转化为 8 维客观画像：题型计分策略原理单选题预定义映射表，每个选项对各维度有固定贡献分值直接测量偏好排序题Borda 计数法 — 排第 1 得 N 分，末位得 1 分，归一化到 0-100揭示优先级权重预算分配题分配百分比直接映射为维度分值捕捉资源取舍倾向每个维度汇总多道题的分值后取平均值，产出 8 维 DimensionScores（0-100 光谱值）。同时计算一致性系数：consistency = 1 - mean(各维度标准差) / 50 该系数衡量作答的自洽程度 — 越自洽，最终匹配分越有信心。企业侧的额外处理：多人聚合：多位填写者的分数按角色加权（HR 权重 0.5、员工权重 1.0），N≥7 时去极端值，取加权中位数CAS 文化真实性评分：CAS = 0.55 × 内部一致性 + 0.45 × HR-员工认知偏差，分 Gold / Silver / Bronze 三档，量化企业文化描述的可信度Stage 2 — L1 硬约束过滤布尔门槛，不通过则匹配分直接为 0：过滤条件逻辑远程政策remote 岗位所有候选人自动通过地点匹配onsite 岗位要求城市精确匹配技能交集候选人技能集与岗位要求至少 1 个交集Stage 3 — L2 DNA 兼容度计算通过 L1 后，进入核心匹配公式：每个维度 d： compat_d = 1 - |候选人_d - 企业_d| / 100 最终匹配分： score = mean(compat_d) × consistency × 100 本质上是 8 维向量的归一化曼哈顿距离，再乘以答题一致性作为置信度衰减。 结果 clamp 到 0-100，越高代表"职场基因"越吻合。LightRAG 知识引擎：从结构化匹配到语义理解职遇引入 LightRAG（港大 HKUDS，EMNLP 2025）作为匹配引擎的 Layer 0 — 上下文理解层。它不替代上述匹配算法，而是让算法真正"读懂"非结构化信息。解决什么问题传统招聘匹配只能处理结构化字段（技能标签、学历、薪资）。但真正决定匹配质量的信息往往藏在非结构化文本中 — 候选人的 Dream Role 描述、AI 对话记录、简历项目经历、员工匿名评价等。LightRAG 将这些文本自动转化为可检索、可推理的知识图谱。数据流程写入阶段（索引构建）：问卷答案 / 简历文本 / AI 对话记录 / 员工评价 ↓ 文本化（结构化数据转为自然语言描述） ↓ LightRAG.insert() ↓ 自动处理：分块 → LLM 实体抽取 → 关系抽取 → 知识图谱构建 + 向量化存储 查询阶段（检索增强生成）：用户请求（如"生成匹配报告" / "为什么推荐这个岗位"） ↓ LightRAG.query(question, mode="hybrid") ↓ 双路检索： 低级 → 向量相似度搜索，找到相关文本块 高级 → 图谱遍历，通过实体关系发现隐含关联 ↓ 合并 context + LLM 生成 → 有知识支撑的报告/回答 集成前后对比场景无 LightRAG（当前）有 LightRAG匹配报告分数直传 OpenAI，LLM 缺乏上下文检索候选人简历 + 对话 + DNA，报告有据可查知识图谱手动从数据库拼装节点自动从非结构化文本抽取实体和关系，图谱更丰富AI 对话无记忆，不跨轮次关联对话持续索引，后续问题能关联之前的上下文跨实体推理无法实现图谱可发现"候选人 A 的项目经验与岗位 B 的技术栈高度关联"等隐含匹配知识图谱实体设计实体类型示例关系Person候选人、员工、推荐人-[masters]→ SkillSkillReact、财务建模、团队管理-[related_to]→ SkillValue自主性、使命驱动-[complements]→ CultureCulture扁平管理、快速迭代-[embodies]← TeamOutcome入职、留存、高绩效-[led_to]← Match三阶段进化路线Phase 1（当前 — 冷启动） ✅ 问卷 + 匹配引擎 + 模板报告端到端跑通 ✅ OpenAI 直调生成匹配报告，手动构建知识图谱可视化 Phase 2（数据积累） → LightRAG 正式接管上下文理解 → 非结构化文本（对话/简历/评价）自动入图 → 匹配报告由知识图谱双层检索 + LLM 联合生成 → 增量更新：新数据直接并入已有图谱，无需重建 Phase 3（智能进化） → 90 天入职结果数据回传，新增 Outcome 节点 → 图谱支持多跳推理：Match → led_to → Outcome → 反向推导成功因素 → 协同过滤 + 知识图谱双引擎持续调优匹配权重 依赖已安装（lightrag-hku>=1.0.0），架构设计完成 — 可随时启动 Phase 2 集成。快速开始环境要求Python 3.11+、uvNode.js 18+、npm（可选）Docker & Docker Compose（可选）OpenAI API Key（不配置则使用 mock 数据）方式一：本地开发# 1. 克隆项目 git clone <repo-url> && cd vibe-hiring # 2. 启动后端（自动创建虚拟环境 + 安装依赖） ./scripts/dev-backend.sh # 3. 初始化演示数据（另开终端） ./scripts/seed-db.sh # 4. 启动前端（另开终端） ./scripts/dev-frontend.sh后端运行在 http://localhost:8000，前端运行在 http://localhost:3000。方式二：Docker Compose# 一键启动前后端 ./scripts/docker-up.sh环境变量（可选）export OPENAI_API_KEY="sk-..." # 启用 AI 功能（对话/简历解析/报告） export JWT_SECRET="your-secret" # JWT 签名密钥（默认 demo-secret-key）项目结构vibe-hiring/ ├── backend/ # FastAPI 后端（API / 模型 / 服务 / 数据） ├── frontend/ # Next.js 前端（页面 / 组件 / 工具库） ├── scripts/ # 开发与部署脚本 ├── discuss/ # 产品设计文档 └── docker-compose.yml 演示账号运行 ./scripts/seed-db.sh 后，所有账号使用统一密码：demo123首页（http://localhost:3000）内置快速登录按钮，点击姓名即可一键登录，无需手动输入。