Skip to content

matrix273/hr

BranchesTags

Repository files navigation

AI 简历筛选系统

基于阿里通义千问 Embedding、Milvus 向量数据库、Qwen3-Reranker 和多模型 LLM 的 AI 简历筛选系统，采用前后端分离架构，所有 AI 服务使用云端 API。

主要截图

jpg preview

技术栈

后端

  • API 框架: FastAPI
  • Embedding: 阿里通义千问 text-embedding-v3（云端）
  • 向量数据库: Milvus
  • Reranker: 阿里通义千问 qwen3-rerank（云端）
  • LLM: 阿里通义千问 / DeepSeek / 字节豆包（云端，可切换）
  • 任务队列: Celery + Redis
  • 数据库: PostgreSQL
  • Python: >=3.12

前端

  • Framework: React 18
  • UI: Ant Design
  • Build Tool: Vite
  • HTTP Client: Axios

项目结构

hr/
├── backend/                          # 后端目录
│   ├── app/
│   │   ├── main.py                   # FastAPI 应用入口
│   │   ├── config.py                 # 配置（自动查找 .env）
│   │   ├── models/                   # 数据模型
│   │   ├── services/                 # 业务逻辑服务
│   │   │   ├── embedding.py          # 嵌入模型服务
│   │   │   ├── vector_db.py          # 向量数据库服务
│   │   │   ├── reranker.py           # 重排序服务
│   │   │   └── llm.py                # LLM 服务
│   │   ├── routes/                   # API 路由
│   │   └── core/                     # 核心系统
├── frontend/                         # 前端目录
│   └── src/
│       ├── pages/                    # 页面组件
│       │   ├── Screening.jsx         # 简历筛选（核心页面）
│       │   ├── ResumeUpload.jsx      # 简历上传
│       │   ├── JobManagement.jsx     # 岗位管理
│       │   └── ...
│       ├── components/               # 公共组件
│       └── utils/                    # 工具函数
├── alembic/                          # 数据库迁移
├── docker-compose.yml                # Milvus / PostgreSQL / Redis
├── pyproject.toml                    # Python 依赖配置
├── .env.example                      # 环境变量示例
├── start-all.sh                      # 一键启动
└── start-celery.sh                   # 启动 Celery

快速开始

1. 克隆项目

git clone https://github.com/matrix273/hr.git
cd hr

2. 安装后端依赖

uv sync

3. 启动基础设施（Docker）

docker compose up -d

这会启动：Milvus（向量库）、PostgreSQL（数据库）、Redis（任务队列）。

4. 配置环境变量

cp .env.example .env

编辑 .env，填入以下云服务 API Key：

  • QWEN_EMBEDDING_API_KEY — 阿里通义千问
  • QWEN_RERANKER_API_KEY — 阿里通义千问
  • LLM_API_KEY — 阿里通义千问（默认）/ DeepSeek / 字节豆包

获取 API Key

服务 获取地址
阿里通义千问 https://dashscope.console.aliyun.com/apiKey

配置加载顺序

应用启动时，backend/app/config.py 会按以下顺序查找 .env 文件：

  1. backend/.env（如果存在，优先使用）
  2. 根目录 .env（默认位置）
  3. 使用默认值

5. 初始化数据库

alembic upgrade head

6. 启动后端

./start-backend.sh
# 或
uv run uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload

7. 启动 Celery（简历上传解析）

./start-celery.sh

8. 启动前端

cd frontend && npm install && npm run dev
# 或
./start-frontend.sh

一键启动

./start-all.sh

验证服务

# 检查 Milvus
curl http://localhost:19530/healthz

# 检查 FastAPI
curl http://localhost:8000/api/health

# 打开浏览器访问 API 文档
open http://localhost:8000/docs

# 打开前端应用
open http://localhost:5173

环境变量配置

关键配置项（详见 .env.example）：

AI 服务（全部使用云端 API）

# Embedding - 阿里通义千问
QWEN_EMBEDDING_URL=https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings
QWEN_EMBEDDING_API_KEY=your_key
QWEN_EMBEDDING_MODEL=text-embedding-v3

# Reranker - 阿里通义千问
QWEN_RERANKER_URL=https://dashscope.aliyuncs.com/compatible-api/v1/reranks
QWEN_RERANKER_API_KEY=your_key
QWEN_RERANKER_MODEL=qwen3-rerank

# LLM - 阿里通义千问（默认）
LLM_URL=https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions
LLM_API_KEY=your_key
LLM_MODEL=qwen-plus

基础设施

# PostgreSQL
POSTGRES_HOST=localhost
POSTGRES_PORT=5432
POSTGRES_USER=pgadmin
POSTGRES_PASSWORD=pgadmin
POSTGRES_DB=hr

# Redis
REDIS_HOST=localhost
REDIS_PORT=6379

# Milvus
MILVUS_HOST=localhost
MILVUS_PORT=19530

SMTP 邮箱验证码

SMTP_HOST=smtp.qq.com
SMTP_PORT=465
SMTP_USER=your_email@qq.com
SMTP_PASSWORD=your_smtp_auth_code
SMTP_FROM_NAME=AI简历筛选系统
ADMIN_EMAIL=your_admin_email@example.com

核心流程

  1. 简历上传：上传 PDF 文件，Celery 异步解析文本内容
  2. 向量化：调用阿里通义千问 Embedding API 生成向量，存入 Milvus
  3. 相似检索：根据岗位描述向量在 Milvus 中检索候选简历
  4. 重排序：调用 Qwen3-Reranker 对候选简历精准排序
  5. 智能评估：调用 LLM 对每份简历生成详细的匹配度评估
  6. 导出报告：支持 PDF / Markdown 格式导出筛选结果

功能特性

  • 多模型 LLM 切换（通义千问 / DeepSeek / 字节豆包）
  • SSE 实时推送筛选进度
  • 岗位管理 + 自定义描述两种筛选模式
  • PDF / Markdown 双格式导出
  • 简历预览 + AI 评估详情
  • 用户权限管理
  • 邮箱验证码注册
  • 无限制使用：已移除会员订阅、支付集成和配额限制，所有用户可无限制使用简历筛选和岗位创建

Celery 异步任务

Celery 用于异步处理简历上传后的 embedding 操作，避免阻塞用户请求。

用户上传简历 -> FastAPI 接收请求 -> 保存到数据库 -> 提交 Celery 任务 -> 立即返回响应
                                                              ↓
                                                    Celery Worker 异步处理
                                                              ↓
                                                    生成 embedding 并存储到 Milvus

启动与监控

# 启动 Worker（4 个并发）
./start-celery.sh

# 查看 Worker 状态
ps aux | grep celery

# 查看 Redis 队列长度
docker exec -it hr-redis redis-cli LLEN celery

调整 Worker 并发数

编辑 start-celery.sh，修改 --concurrency 参数：

celery -A app.celery_app worker --loglevel=info --concurrency=8

数据库管理

默认管理员账号

  • 用户名：admin
  • 密码：callofai2026!
  • 角色：admin

备份与恢复

# 备份
docker exec hr-postgres pg_dump -U pgadmin hr > backup.sql

# 恢复
cat backup.sql | docker exec -i hr-postgres psql -U pgadmin -d hr

# 连接数据库
docker exec -it hr-postgres psql -U pgadmin -d hr

常用 SQL

-- 查看所有用户
SELECT id, username, email, role, is_active, created_at FROM users;

-- 禁用用户
UPDATE users SET is_active = false WHERE username = 'test_user';

-- 修改用户角色
UPDATE users SET role = 'manager' WHERE username = 'test_user';

重置数据库

docker compose down -v
docker compose up -d postgres
alembic upgrade head

成本估算

使用云端 API 的预估成本（基于常见用量）：

服务 模型 单价 1000 次请求成本
Embedding text-embedding-v3 ¥0.0007/千tokens ¥0.1-0.5
Reranker qwen3-rerank ¥1/千次 ¥1
LLM qwen-plus ¥0.004/千tokens ¥4-10

月度成本估算（假设每天处理 100 份简历）：约 ¥30-100

故障排查

问题 排查方向
后端启动失败 uv sync 安装依赖，检查 .env 配置
Milvus 连接失败 docker compose ps 确认容器运行
Embedding/Reranker 报错 检查 API Key 是否有效
简历上传解析失败 检查 Celery + Redis 是否启动，查看 /tmp/celery.log
前端无法连接后端 检查 CORS 配置，确认后端端口
端口占用 lsof -i :8000 / lsof -i :19530 查看占用进程
任务堆积 redis-cli LLEN celery 查看队列，增加 Worker 并发数

License

MIT

About

AI 简历筛选系统

Topics

react ant-design fastapi resume-screening llm

Resources

Readme

License

MIT license
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Contributors

Languages