驾驭AI的Python|项目实战导引 3:AI 批量简历筛选系统

from helper_functions import get_llm_response, print_llm_responsefrom project_functions import check_answer, PROMPT_TEST_Q1, PROMPT_TEST_Q2, PROMPT_TEST_Q3, PROMPT_TEST_Q4, PROMPT_TEST_Q5

import osdef load_all_resumes(folder_path):    """    自动读取文件夹内的所有 .txt 简历    """    resumes_list = []    # 【已提供】获取文件夹下所有文件的名称    all_files = os.listdir(folder_path)    for file_name in all_files:        # 【已提供】只处理以 .txt 结尾的文件        if file_name.endswith('.txt'):            # 【已提供】将文件夹路径和文件名拼接成完整的“文件路径”            full_path = os.path.join(folder_path, file_name)            # --- 请在下方编写你的代码 ---            # 1. 使用 with open 打开 full_path 并读取内容            # 💡 提示：记得指定 encoding='utf-8'，否则中文会变成乱码哦            # 2. 将提取到的信息以字典形式 {"filename": ..., "content": ...} 添加进 resumes_list            # 💡 提示：使用列表的 .append() 方法            # --- 代码编写结束 ---    return resumes_list

import osdef load_all_resumes(folder_path):    """    自动读取文件夹内的所有 .txt 简历    """    resumes_list = []    # 【已提供】获取文件夹下所有文件的名称    all_files = os.listdir(folder_path)    for file_name in all_files:        # 【已提供】只处理以 .txt 结尾的文件        if file_name.endswith('.txt'):            # 【已提供】将文件夹路径和文件名拼接成完整的“文件路径”            full_path = os.path.join(folder_path, file_name)            # --- 请在下方编写你的代码 ---            # 1. 使用 with open 打开 full_path 并读取内容            # 💡 提示：记得指定 encoding='utf-8'，否则中文会变成乱码哦            with open(full_path,"r",encoding="utf-8") as f :                file_content = f.read()            # 2. 将提取到的信息以字典形式 {"filename": ..., "content": ...} 添加进 resumes_list            # 💡 提示：使用列表的 .append() 方法            resumes_dict = {                "filename" : file_name,                "content" : file_content            }            resumes_list.append(resumes_dict)            # --- 代码编写结束 ---    return resumes_list

# 现在让我们测试一下你的函数，看看能找到多少份简历folder_to_test = "./resumes"resumes_data = load_all_resumes(folder_to_test)print(f"✅ 扫描完成！在 '{folder_to_test}' 文件夹中找到了 {len(resumes_data)} 份简历。")if len(resumes_data) > 0:    print("\n--- 第一份简历内容预览 ---")    first_resume = resumes_data[0]    print(f"文件名: {first_resume['filename']}")    # 截取前 100 个字符展示，方便学员确认读取是否正确    preview_text = first_resume['content'][:100].replace('\n', ' ')    print(f"内容预览: {preview_text}...")else:    print("⚠️ 提示：未读取到任何简历。请检查代码是否正确读取了文件内容，或文件夹内是否有 .txt 文件。")

def filter_resumes(resumes_list):    """    清洗数据：剔除字数不足 50 字的无效简历    """    # 准备一个空列表，用来存放通过筛选的有效简历    clean_results = []    # --- 请在下方编写你的代码 ---    # 1. 使用 for 循环遍历输入的 resumes_list        # 2. 获取该份简历的内容 (提示：从字典中通过键名 'content' 取值)        # 3. 判断：如果内容长度 >= 50，则使用 .append() 添加到 clean_results 中        # 💡 提示：使用 len() 函数来获取字符串的长度    # --- 代码编写结束 ---    return clean_results

def filter_resumes(resumes_list):    """    清洗数据：剔除字数不足 50 字的无效简历    """    # 准备一个空列表，用来存放通过筛选的有效简历    clean_results = []    # --- 请在下方编写你的代码 ---    # 1. 使用 for 循环遍历输入的 resumes_list    for resume in resumes_list :        # 2. 获取该份简历的内容 (提示：从字典中通过键名 'content' 取值)        resume_content = resume["content"]        # 3. 判断：如果内容长度 >= 50，则使用 .append() 添加到 clean_results 中        # 💡 提示：使用 len() 函数来获取字符串的长度        if len(resume_content) >= 50 :            clean_results.append(resume)    # --- 代码编写结束 ---    return clean_results

# --- 运行看效果 ---# 我们把练习 1 得到的 resumes_data 传进去进行清洗filtered_resumes = filter_resumes(resumes_data)print(f"📊 数据清洗报告：")print(f" - 原始简历总数: {len(resumes_data)} 份")print(f" - 过滤后有效数: {len(filtered_resumes)} 份")print(f" - 自动剔除无效数: {len(resumes_data) - len(filtered_resumes)} 份")

# 示例简历内容 (取出练习 2 清洗后的第一份简历用于测试)sample_resume = filtered_resumes[0]["content"]# --- 请在下方编写你的代码 ---# 编写你的 Prompt# 💡 提示：# 1. 引号开头必须加 f (f-string)，否则 {sample_resume} 会被当成普通文字# 2. 在【输出格式】中，我们使用了双大括号 {{ }}，这是为了让 Python 知道我们要显示真的大括号prompt = f"""你是一位专业的 HR 助手，需要从简历中提取关键信息并评估候选人。【提取要求】1. 姓名 (name): 如果简历中没有明确的姓名，返回 "Unknown"2. 毕业院校 (university): 3. 核心技能 (skills): 4. 匹配度评分 (score): 【评分标准】- 90-100分: 顶尖候选人(名校背景 + 丰富经验 + 核心技能强)- 80-89分: 优秀候选人（）- 60-79分: 合格候选人（）- 0-59分: 不符合要求（）【输出格式】请直接返回内容，绝对不要包含 ```json 这种格式符，只需输出如下格式：{{    "name": "姓名或Unknown",    "university": " ",    "skills": " ",    "score": 0}}【简历内容】{}"""# --- 代码编写结束 ---# --- 下方为验证逻辑，无需修改 ---print("📝 你的 Prompt 预览 (前 500 个字符):")print("-" * 30)print(prompt[:500] + "...")print("-" * 30)if "{" + "sample_resume" + "}" in prompt:    print("❌ 提醒：变量未成功填充，请检查引号前是否漏写了小写字母 'f'。")elif "university" not in prompt or "score" not in prompt:    print("❌ 提醒：Prompt 中似乎漏掉了关键的提取项或 JSON 字段。")else:    print("✨ 检查通过：Prompt 骨架已补全，逻辑连贯！")

# 示例简历内容 (取出练习 2 清洗后的第一份简历用于测试)sample_resume = filtered_resumes[0]["content"]# --- 请在下方编写你的代码 ---# 编写你的 Prompt# 💡 提示：# 1. 引号开头必须加 f (f-string)，否则 {sample_resume} 会被当成普通文字# 2. 在【输出格式】中，我们使用了双大括号 {{ }}，这是为了让 Python 知道我们要显示真的大括号prompt = f"""你是一位专业的 HR 助手，需要从简历中提取关键信息并评估候选人。【多语言处理要求】- 同时支持中英文简历的信息提取，姓名、院校名称等可保留原文语言。【乱码与无效内容处理规则】- 若简历中出现乱码、无意义字符或无法识别的内容，要求返回"无法判断"，评分为 0。【提取要求】1. 姓名 (name):    - 提取简历中明确的姓名，中英文均可。   - 若简历中无明确姓名，返回"Unknown"。2. 毕业院校 (university):    - 提取完整的院校名称，中英文均可。   - 若无院校信息，返回"Unknown"。3. 核心技能 (skills):    - 提取3-5项核心专业技能，用逗号分隔。   - 若无有效技能信息，返回"Unknown"。4. 匹配度评分 (score):    - 严格按照评分标准给出0-100的整数分数。   - 若简历为乱码/无意义文字，直接返回 0 分。【评分标准】- 90-100分: 顶尖候选人(名校背景 + 丰富经验 + 核心技能强，综合相关性比较)- 80-89分: 优秀候选人（名校背景 + 丰富经验 + 核心技能强，综合相关性比较）- 60-79分: 合格候选人（名校背景 + 丰富经验 + 核心技能强，综合相关性比较）- 0-59分: 不符合要求（无院校信息/无相关经验/无核心技能/简历为乱码）【输出格式】请直接返回内容，绝对不要包含 ```json 这种格式符，请只返回 JSON 格式，不要有任何多余的解释文字。只需输出如下格式：{{"name": "姓名或Unknown","university": "毕业院校或Unknown","skills": "核心技能或Unknown","score": 0}}【简历内容】{sample_resume}"""# --- 代码编写结束 ---# --- 下方为验证逻辑，无需修改 ---print("📝 你的 Prompt 预览 (前 500 个字符):")print("-" * 30)print(prompt[:500] + "...")print("-" * 30)if "{" + "sample_resume" + "}" in prompt:    print("❌ 提醒：变量未成功填充，请检查引号前是否漏写了小写字母 'f'。")elif "university" not in prompt or "score" not in prompt:    print("❌ 提醒：Prompt 中似乎漏掉了关键的提取项或 JSON 字段。")else:    print("✨ 检查通过：Prompt 骨架已补全，逻辑连贯！")

import json# 1. 调用 AI 助手response = get_llm_response(prompt)# 2. 尝试解析并直接打印try:    # 这一步将字符串变成 Python 字典    candidate_info = json.loads(response)    print("✅ AI 成功提取信息：")    # 直接打印字典对象    print(candidate_info)except json.JSONDecodeError:    print("❌ 错误：AI 返回的内容格式不正确")    print(f"原始回复是：{response}")

import jsondef analyze_all_resumes(resumes_list):    """    批量调用 AI 分析列表中的所有简历    """    final_results = []    # --- 请在下方编写你的代码 ---    # 1. 编写 for 循环：遍历我们在练习 2 中得到的 resumes_list        # 2. 变量提取：从当前的简历字典中提取 filename 和 content        # 3. 打印进度：提示用户“正在分析: xxx...”        # 4. 构建 Prompt：复用练习 3 的逻辑，别忘了嵌入当前的 {content}        # 5. 调用 AI：使用 get_llm_response() 获取结果并存入变量 response        # --- 代码编写结束 ---        # --- 【老师提供的解析逻辑】 ---        # 💡 特别提醒：为了让程序跑通，下面这段解析代码必须缩进在你的 for 循环内部！        try:            # 将 AI 返回的 JSON 字符串转换为 Python 字典            info = json.loads(response)            # 将解析后的结果添加进 final_results 列表            final_results.append(info)        except:            # 如果 AI 返回格式有误，打印警告并继续处理下一份            print(f"❌ 警告：无法解析文件 {filename} 的响应内容")    return final_results

import jsondef analyze_all_resumes(resumes_list):    """    批量调用 AI 分析列表中的所有简历    """    final_results = []    # --- 请在下方编写你的代码 ---    # 1. 编写 for 循环：遍历我们在练习 2 中得到的 resumes_list    for resume in resumes_list:         # 2. 变量提取：从当前的简历字典中提取 filename 和 content        filename = resume["filename"]        content = resume["content"]        # 3. 打印进度：提示用户“正在分析: xxx...”        print(f"正在分析: {filename}...")        # 4. 构建 Prompt：复用练习 3 的逻辑，别忘了嵌入当前的 {content}        prompt = f"""你是一位专业的 HR 助手，需要从简历中提取关键信息并评估候选人。【多语言处理要求】- 同时支持中英文简历的信息提取，姓名、院校名称等可保留原文语言。【乱码与无效内容处理规则】- 若简历中出现乱码、无意义字符或无法识别的内容，则返回"无法判断"，评分返回 0。【提取要求】1. 姓名 (name):    - 提取简历中明确的姓名，中英文均可。   - 若简历中无明确姓名，返回 "Unknown"。2. 毕业院校 (university):    - 提取完整的院校名称，中英文均可。   - 若无院校信息，返回 "Unknown"。3. 核心技能 (skills):    - 提取3-5项核心专业技能，用逗号分隔。   - 若无有效技能信息，返回 "Unknown"。4. 匹配度评分 (score):    - 严格按照评分标准给出0-100的整数分数。   - 若简历为乱码/无意义文字，直接返回 0 分。【评分标准】- 90-100分: 顶尖候选人(名校背景 + 5年以上相关工作经验 + 核心技能覆盖3项以上)- 80-89分: 优秀候选人（本科及以上院校 + 3-5年相关经验 + 核心技能覆盖2-3项）- 60-79分: 合格候选人（大专及以上院校 + 1-3年相关经验 + 核心技能覆盖1-2项）- 0-59分: 不符合要求（无院校信息/无相关经验/无核心技能/简历为乱码）【输出格式】请直接返回内容，绝对不要包含 ```json 这种格式符，请只返回 JSON 格式，不要有任何多余的解释文字,只需输出如下格式：{{"name": "姓名或Unknown","university": "毕业院校或Unknown","skills": "核心技能或Unknown","score": 0}}【简历内容】{content}"""        # 5. 调用 AI：使用 get_llm_response() 获取结果并存入变量 response        response = get_llm_response(prompt)        # --- 代码编写结束 ---        # --- 【老师提供的解析逻辑】 ---        # 💡 特别提醒：为了让程序跑通，下面这段解析代码必须缩进在你的 for 循环内部！        try:            # 将 AI 返回的 JSON 字符串转换为 Python 字典            info = json.loads(response)            # 将解析后的结果添加进 final_results 列表            final_results.append(info)        except:            # 如果 AI 返回格式有误，打印警告并继续处理下一份            print(f"❌ 警告：无法解析文件 {filename} 的响应内容")    return final_results

# --- 运行看效果：开启批量分析任务 ---# 1. 传入练习 2 得到的“干净名单”进行 AI 分析# 这会触发你在练习 4 中编写的 for 循环流程all_candidates = analyze_all_resumes(filtered_resumes)print("\n" + "="*40)print(f"✨ 批量分析任务已完成！")print(f"📊 成功从 {len(filtered_resumes)} 份有效简历中提取了 {len(all_candidates)} 项信息。")print("="*40)# 2. 预览前 3 个提取结果，确认 AI 是否听话if all_candidates:    print("\n--- 提取结果快照 (前 3 项) ---")    for i, candidate in enumerate(all_candidates[:3]):        # 这里直接打印字典内容，展示最真实的 Python 数据结构        print(f"【候选人 {i+1}】")        print(candidate)         print("-" * 20)else:    print("⚠️ 提示：没有提取到任何有效数据，请检查练习 3 的 Prompt 是否正确。")

# output_file="passed_candidates.csv" 是一个“默认参数”# 就像餐厅的“招牌套餐”：如果你调用时不给文件名，程序就自动用这个名字存盘def save_passed_candidates(candidates_list, output_file="passed_candidates.csv"):    """    筛选优秀候选人并保存为 CSV 报表    """    passed_candidates = []    # --- 请在下方编写你的代码 ---    # 1. 使用 for 循环遍历 candidates_list (练习 4 得到的 AI 分析结果)    for candidate in candidates_list:        # 2. 判断该候选人的 'score' 是否大于等于 80 分        # 💡 提示：从字典中取出分数，并进行比较运算        score = candidate['score']        if score >= 80:            # 3. 将符合要求的候选人字典添加进 passed_candidates 名单中            passed_candidates.append(candidate)    # --- 代码编写结束 ---    # --- 【已提供部分】保存为 CSV 文件 ---    import csv    # 定义表头：我们将保存姓名、院校、技能和分数这四项关键信息    fieldnames = ['name', 'university', 'skills', 'score']    try:        # 使用 utf-8-sig 编码，确保导出的 CSV 文件在 Excel 中打开时中文不乱码        with open(output_file, mode='w', newline='', encoding='utf-8-sig') as f:            # --- 这一部分是“办公自动化”黑科技，直接运行即可 ---                   # 1. 设置表格模板：把 Python 的字典和 Excel 的列对齐            writer = csv.DictWriter(f, fieldnames=fieldnames)            # 2. 写入第一行：表格的标题头            writer.writeheader()            # 3. 批量填表：把筛选出的所有优秀候选人一次性存入文件            writer.writerows(passed_candidates)        print(f"✅ 报表生成成功！已挑选出 {len(passed_candidates)} 位优秀候选人。")    except Exception as e:        print(f"❌ 保存文件时出错: {e}")    # 返回入选人数，供最后的总结报表使用    return len(passed_candidates)

# --- 🏁 最终运行：保存结果并查看统计报表 ---# 1. 执行筛选与保存函数，获取入选人数# 这一步会生成 CSV 文件并返回符合条件的人数passed_count = save_passed_candidates(all_candidates)print("-" * 30)# 这里的提示语可以和函数内部的 ✅ 相互配合print(f"🎉 筛选流程全部结束！目标文件: passed_candidates.csv")# 2. 显示全流程“数据漏斗”统计 (Visual Feedback)print(f"\n📊 简历筛选全流程统计报告:")print(f" --------------------------------")print(f" • 文件夹扫描总数:   {len(resumes_data):>3} 份") # :>3 是右对齐，让数字排得更整齐print(f" • 有效简历(初筛):   {len(filtered_resumes):>3} 份")print(f" • AI 解析成功数:    {len(all_candidates):>3} 份")print(f" • 最终入围(≥80分):  {passed_count:>3} 份") print(f" --------------------------------")# 3. 计算通过率，体现职场专业感if len(all_candidates) > 0:    success_rate = (passed_count / len(all_candidates)) * 100    print(f"🚀 人才库匹配率: {success_rate:.1f}%")else:    print("🚀 人才库匹配率: 0.0%")