JobOracle

面向命令行的轻量就业分析工具

输入就业问题，结合检索、用户画像与多角色推理，生成可落地的求职分析报告。

JobOracle 适合做这些事情：

• 就业行情分析
• 求职指导建议
• 城市机会对比
• OfferStar 岗位汇总页辅助检索
• Markdown 报告输出
• 无外部搜索或 LLM 时自动降级到本地规则模式

当前项目采用标准 src 布局，核心代码位于 src/JobOracle。

JobOracle/
├── assets/              # Logo 等静态资源
├── src/JobOracle/       # 核心实现
├── reports/             # 生成的 Markdown 报告
├── jobs_dataset/        # OfferStar 抓取快照（CSV / JSON）
├── .env.example         # 环境变量示例
└── pyproject.toml

推荐使用 uv：

uv sync

如果你更习惯 pip：

pip install -e .

默认读取项目根目录下的 .env。可以先参考 .env.example。

主要变量：

• EMPLOYMENT_API_KEY
• EMPLOYMENT_BASE_URL
• EMPLOYMENT_MODEL_NAME
• EMPLOYMENT_TIMEOUT_SECONDS
• EMPLOYMENT_REPORT_DIR
• EMPLOYMENT_SEARCH_API_KEY
• EMPLOYMENT_SEARCH_PROVIDER
• EMPLOYMENT_SEARCH_TIMEOUT_SECONDS
• EMPLOYMENT_MAX_SEARCH_RESULTS

兼容旧变量名：

• REPORT_ENGINE_API_KEY
• REPORT_ENGINE_BASE_URL
• REPORT_ENGINE_MODEL_NAME
• QUERY_ENGINE_API_KEY
• QUERY_ENGINE_BASE_URL
• QUERY_ENGINE_MODEL_NAME
• OPENAI_API_KEY
• TAVILY_API_KEY

推荐运行方式：

uv run src/JobOracle/cli.py "2026 年杭州算法岗就业行情如何"

如果已经执行过 pip install -e .，也可以：

python -m JobOracle.cli "2026 年杭州算法岗就业行情如何"

CLI 默认会输出这些过程信息：

• 分析模式
• 检索查询规划
• 检索结果数量
• OfferStar 抓取进度
• Researcher / Analyst / Advisor 阶段状态
• 最终报告保存位置

求职指导示例：

uv run src/JobOracle/cli.py "我是统计学本科，想去深圳找数据分析工作，应该怎么准备" \
  --mode guidance

仅输出最终结果：

uv run src/JobOracle/cli.py "2026 年杭州算法岗就业行情如何" --quiet

当前项目已经提供一个临时 Chainlit 前端，用于验证多轮对话、记忆累积和“聊天 / 报告”两种模式。

启动方式：

uv run chainlit run src/JobOracle/ui/chainlit_app.py

如果你使用项目自带虚拟环境，也可以：

.venv/bin/chainlit run src/JobOracle/ui/chainlit_app.py

当前前端能力包括：

• 多轮聊天输入
• 会话自动维护
• 用户画像侧边展示
• 当前任务与待补充信息展示
• 生成报告
• 导出 Markdown
• 重置会话

说明：

• 这是一层临时前端，目的是验证多轮交互体验。
• 核心逻辑仍然在 Python service 层，后续可以替换成其他 UI 方案。

JobOracle 支持通过 --profile-json 或 --profile-file 传入用户画像，并会自动做字段标准化。

推荐字段：

• education
• school
• major
• graduation_year
• target_cities
• target_roles
• skills
• internship
• projects
• preferred_industries

说明：

• 列表字段既支持 JSON 数组，也支持逗号分隔字符串。
• 支持一部分中文键名自动映射到标准字段。
• 画像会参与查询规划、提示词构建和最终报告生成。

使用 --profile-json：

uv run src/JobOracle/cli.py "我适合投什么数据岗位" \
  --mode guidance \
  --profile-json '{"education":"本科","school":"江西财经大学","major":"统计学","target_cities":["深圳","广州"],"target_roles":["数据分析","商业分析"],"skills":["Python","SQL","Tableau"],"internship":"电商运营实习","projects":["用户增长分析项目"],"preferred_industries":["互联网","消费"]}'

使用 --profile-file：

uv run src/JobOracle/cli.py "我适合投什么数据岗位" \
  --mode guidance \
  --profile-file profile.json

示例 profile.json：

{
  "education": "本科",
  "school": "江西财经大学",
  "major": "统计学",
  "target_cities": ["深圳", "广州"],
  "target_roles": ["数据分析", "商业分析"],
  "skills": ["Python", "SQL", "Tableau"],
  "internship": "电商运营实习",
  "projects": ["用户增长分析项目"],
  "preferred_industries": ["互联网", "消费"]
}

如果希望在分析时顺带使用 OfferStar 公开岗位汇总数据：

uv run src/JobOracle/cli.py "我是武汉大学计算机毕业生，当前准备在武汉找工作，有什么建议吗" \
  --mode guidance \
  --use-offerstar \
  --offerstar-from-page 1 \
  --offerstar-to-page 5 \
  --offerstar-max-items 60

抓取快照会保存到 jobs_dataset/。

当前抓取逻辑：

• 支持页码范围抓取
• 如果范围中包含第 1 页，会优先抓取第 1 页
• 后续页码会随机打乱，避免总是只落在前几页公司
• 单城市问题会带上城市筛选
• 多城市问题不会强行缩成单城市筛选
• 当前分页参数按 current=<页码>&pageSize=20 构造

单独抓取 OfferStar：

uv run src/JobOracle/cli.py crawl-offerstar \
  --question "深圳 算法岗 华为 人工智能" \
  --from-page 1 \
  --to-page 5 \
  --max-items 100

手动指定筛选项：

uv run src/JobOracle/cli.py crawl-offerstar \
  --industry "人工智能" \
  --work-location "深圳" \
  --company "华为" \
  --positions "算法" \
  --from-page 1 \
  --to-page 5 \
  --max-items 100

系统不是单次 LLM 直接输出，而是一个轻量三角色流程，且不依赖任何 Multi-Agent 框架：

1. Researcher 负责信息检索和证据整理。
2. Analyst 负责把证据转成结构化判断。
3. Advisor 负责生成最终就业分析和行动建议。

检索层会优先尝试外部搜索和 OfferStar；如果外部能力不可用，则自动回退到本地推断证据。

系统也会尽量把宽泛岗位拆成更接近真实投递场景的细分方向，例如：

• 数据分析 -> 业务数据分析 / BI数据分析 / 增长分析
• 算法 -> 算法工程师 / AI应用工程师 / 机器学习工程师
• 产品 -> B端产品经理 / 数据产品经理 / 增长产品经理

如果没有可用的 LLM 配置，或者外部网络暂时不可用，系统会自动退回本地规则模式。此时依然会执行：

• 查询词规划
• 轻量证据生成
• 三角色协作
• Markdown 报告输出

• 小而独立
• 面向命令行优先
• 不依赖复杂任务编排
• 先保证闭环，再逐步增强效果