Smart-HR 智能招聘与面试助手

1. 项目简介 🚀

• 面向 HR 与面试官的智能招聘助手，覆盖简历解析、岗位匹配、面试题生成与模型切换。
• 引入 Neo4j 知识图谱（预置约 200 个技能节点及依赖关系）作为 HR 匹配的图谱评判依据；
• 引入 Milvus 向量数据库 作为 RAG 知识库，分为“企业特定金融知识”与“通用知识”两部分，支撑面试官题库生成与语义检索。
• 采用 模型适配器模式，可插拔接入多种大模型（当前支持阿里云百炼、OpenAI）；新增模型只需实现 Adapter 并注册到 ModelRouter。
• 后端基于 Spring Boot + Spring AI，整合 Milvus/Neo4j/PostgreSQL；前端基于 React + Ant Design。

2. 技术栈与架构 🧰

• 前端：React 18、TypeScript、Vite、Ant Design、Zustand。
• 后端：Spring Boot 3、Spring Security + JWT、Spring AI。
• 数据与存储：PostgreSQL、Neo4j、Milvus。
• 运维：Docker / Docker Compose。

3. 系统架构图 🧭

HR 流程：简历/岗位 → Neo4j 知识图谱 → 混合打分（图谱评分 + LLM 评估）

flowchart LR
    FE_HR[前端·HR 页面] --> GW_HR[API 网关/路由]
    subgraph Backend_HR [后端服务·Spring Boot + Spring AI]
        GW_HR --> ResumeSvc[简历解析]
        GW_HR --> MatchSvc[匹配/图谱]
        GW_HR --> PositionSvc[岗位]
    end
    MatchSvc --> Neo4j[(Neo4j\n技能图谱)]
    MatchSvc --> HybridScore[混合打分\n图谱覆盖率/深度/前置完整度 + LLM 评估]
    HybridScore --> ModelRouter[模型路由器]
    ModelRouter --> Dashscope[阿里云百炼]
    ModelRouter --> OpenAI[OpenAI]
    PositionSvc --> PG[(PostgreSQL\n业务数据)]
    ResumeSvc --> PG
    MatchSvc --> PG

面试官流程：岗位/技能 → RAG（Milvus 题库/技能向量）→ LLM

flowchart LR
    FE_INT[前端·面试官页面] --> GW_INT[API 网关/路由]
    subgraph Backend_INT [后端服务·Spring Boot + Spring AI]
        GW_INT --> InterviewSvc[面试题生成]
        GW_INT --> PositionSvc2[岗位]
    end
    InterviewSvc --> Milvus2[(Milvus\nRAG：题库/技能向量检索)]
    InterviewSvc --> ModelRouter2[模型路由器]
    ModelRouter2 --> Dashscope2[阿里云百炼]
    ModelRouter2 --> OpenAI2[OpenAI]
    PositionSvc2 --> PG2[(PostgreSQL\n业务数据)]

HR 通过 Neo4j 图谱进行技能匹配后送入 LLM；面试官流程以 Milvus RAG 检索题库/技能语义，再送入 LLM。

4. 功能特性 🎯

HR 🤝

• 岗位管理：岗位创建/编辑/删除，岗位列表。
• 简历处理：上传简历、技能提取、查看简历详情。
• 匹配分析：岗位 ⇄ 简历互相匹配，支持混合打分报告，匹配历史/详情查看。
• 记录管理：匹配结果列表、历史查询。

面试官 🎤

• 题目生成：按岗位或技能生成面试题，可选难度与题量。
• 记录管理：生成历史查看、记录删除。

通用 🧩

• 认证：登录/注册（JWT），当前用户信息。
• 模型：AI 模型列表与切换（阿里云百炼 / OpenAI，适配器模式）。
• API：Swagger UI。

5. 目录结构

• back/：Spring Boot 后端。
• front/：React 前端。
• docker/：基础设施与一键部署的 Compose 文件、初始化脚本。

6. 环境准备

• JDK 21、Maven 3.8+。
• Node.js 18+（含 npm）。
• Docker Desktop（含 Docker Compose）。

7. 快速开始 ⚡

详细步骤请参见 DEV_GUIDE.md。

1) 启动基础设施（本地开发）

cd docker
docker-compose -f docker-compose.dev.yml up -d

2) 初始化 Neo4j 知识图谱
- 浏览器执行 docker/neo4j/init.cypher 和 docker/neo4j/init-skills-extended.cypher，或使用 cypher-shell（详见 DEV_GUIDE）。

3) 配置大模型 API Key（至少需阿里云百炼，OpenAI 可选）

export DASHSCOPE_API_KEY=你的阿里云百炼API_KEY
export OPENAI_API_KEY=你的OpenAI_API_KEY   # 可选

4) 启动后端（本地开发）

cd back
./mvnw spring-boot:run

5) 启动前端（本地开发）

cd front
npm install
npm run dev

6) 全栈 Docker 一键启动（可选）

cd docker
export DASHSCOPE_API_KEY=你的阿里云百炼API_KEY
export OPENAI_API_KEY=你的OpenAI_API_KEY   # 可选
docker-compose up -d

• Swagger API 文档：http://localhost:8080/swagger-ui.html
• 默认端口：后端 8080，前端 5173（开发）/ 3000（容器），Postgres 15432(dev)/5432(prod compose)，Neo4j 7474/7687，Milvus 19530/9091。

（更多启动、调试与排障说明，请查看 DEV_GUIDE.md）

8. 开发指南：扩展新的大模型 🛠️

1) 引入 SDK 依赖：在 back/pom.xml 添加对应模型的官方 SDK 或 HTTP 客户端依赖，并配置密钥环境变量。
2) 实现适配器：参考 AliyunAdapter，实现 AIModelAdapter 接口，封装 chat / embedding 调用和模型 ID。
3) 注册模型：在模型注册/路由处（如 ModelRegistry、ModelRouter）将新 Adapter 注册并开放配置。
4) 配置密钥：在 application.yml 或环境变量中新增该模型的 API Key/Endpoint。
5) 前端暴露：如需在前端选择模型，补充模型枚举/下拉项即可，无需改后端协议。

9. 关于我 👤

• 学历：UNSW IT 硕士 + 西南大学本科。
• 职业：Java 后端程序员。
• 博客：[代码丰](https://blog.csdn.net/qq_44716086)。
• 微信号：LQF-dev（随时欢迎骚扰）。

10. 许可证 📄

本项目使用 Apache License 2.0

🏅 Star History