一种基于大模型的AI简历生成方法及系统与流程

本发明涉及自然语言处理与人工智能应用，具体涉及一种基于大模型的ai简历生成方法及系统。

背景技术：

1、目前市面上的ai简历技术分为简历生成、简历润色两部分。其中，简历生成技术即通过“一段话”描述生成完整个人简历的技术。方案为采集用户的结构化或非结构化信息，基于大模型及提示词工程生成简历文字流。采集过程一般支持用户文字、点选、附件上传等方式，但几乎不存在智能语音方式，对文化水平较低或不方便操作键盘的用户不友好。在获得用户信息后，也不会校验用户信息的完备性，直接将用户描述与系统提示词直接通过api输入大模型，模型思考结束后在页面流式打印模型结果。用户描述及系统提示词的质量将严重影响模型生成效果，目前观测对比市面上的简历生成技术，生成结果虚幻、夸张、不符合常规简历叙事逻辑、同质化情况非常普遍。同时，对于“一段话”描述生成完整简历的厂商，基本都没有生成简历直接同步至某招聘平台在线简历的能力，需要用户下载简历后以附件简历的形式上传至目标招聘平台，导致用户操作冗杂。

2、目前，简历润色技术一般为模块简历润色，即针对简历中文字较多的部分如个人亮点、工作经历、项目经历等进行文字的润色，一般均支持扩写、美化。此处的技术实现方案是让用户通过文字录入的方式采集用户对应模块的信息。将用户录入内容作为用户提示词，结合用户选择的润色方式决定系统提示词，将用户提示词与系统提示词通过api输入大模型，模型思考结束后在页面流式打印模型结果。但是润色内容中缺失了用户感兴趣的目标职位要求信息，因此生成简历极为普适，对于具体职位的人岗匹配度不高。

3、现有技术中，对于简历生成方法存在通过三级交互来采集用户信息。首先以智能问答的形式提问用户进而收集结构化数据，让用户在前端通过点选的方式获取用户信息。其次通过引导用户简单文字描述来增加项目经历、工作经历的内容。最后提示用户是否上传附件简历信息。在采集完成后，将采集信息即用户提示词结合系统自研提示词共同调用底层大模型api，等待大模型思考完成，直接在页面以标准简历样式流式打印简历结果。支持用户选择简历模板，在h5页面预设渲染下改变简历结果样式。

4、对于简历润色方法，支持在个人亮点、工作经历、项目经历模块增加ai简历润色的入口。在用户点击ai润色入口后，提示用户点选具体ai简历润色的方式。在用户选择后将用户描述及系统自研提示词（不同润色方式对应不同的提示词）共同调用底层大模型api，等待大模型思考完成，在结果页依次输出模型思考结果。

5、但是现有技术中简历生成过程中存在信息采集便捷性不足、简历生成质量差、人岗匹配度低、用户操作繁琐的问题。

技术实现思路

1、本发明提供一种基于大模型的ai简历生成方法及系统，以解决现有方法中存在的上述问题，相较于现有方法，本发明在用户便捷性、生成质量、求职效率、人岗匹配度等核心维度均达成突破性效果。

2、为了达到上述目的，本发明提供如下方案：

3、本发明提供一种基于大模型的ai简历生成方法，包括以下步骤：

4、s1：获取用户简历待润色模块内容及目标职位的名称、职位描述信息，训练识别模型；

5、s2：基于简历行文规则和表达模型构建系统提示词；

6、s3：构建规则引擎，通过规则引擎执行解析操作，基于预设的字段匹配规则及正则表达式，从文字流简历中提取关键字段及对应值；

7、s4：将用户简历内容、目标职位信息及系统提示词拼接为输入文本，传入训练后的识别模型进行校验；校验通过后，将所述输入文本及系统提示词发送至大模型，获取其输出的润色后简历内容，并通过简历快照功能存储对应版本、关联职位信息，快速生成目标职位对应的简历版本；其中所述大模型为deepseek-v3大语言模型。

8、进一步地，所述训练识别模型为求职意向理解ner小模型，包括：

9、s1.1选择bert-base-chinese作为模型底座，基于所述训练目标筛选并准备训练数据集；

10、s1.2对所述训练数据集进行预处理，包括数据标注，针对人工标注数据执行手动标注，针对模拟数据执行机器标注；

11、s1.3引入bilstm-crf结构优化模型架构，基于预处理后的训练数据集进行多轮模型训练；

12、s1.4每轮模型训练后采用评估体系对模型进行效果评估，根据评估结果调整训练数据、训练参数或模型结构。

13、进一步地，所述系统提示词的构建过程包括以下步骤：

14、s2.1获取简历，总结行文规则；

15、s2.2构建提示词配置平台，构建分人群、分模块的系统提示词；

16、s2.3多轮a/b 测试优化，在提示词配置管理模块中配置不同版本提示词，确定最终优化后的系统提示词。

17、进一步地，所述构建规则引擎包括：

18、从字符串文字流中获取简历关键字段key及对应value的规则，包括字段获取及异常数据处理，结合正则表达式从关键字段中匹配对应key。

19、进一步地，获取所述润色后简历内容，包括：

20、以用户简历待润色模块内容为基础，额外添加目标职位的名称及职位描述信息，作为系统提示词，形成大模型输入文本，使润色结果兼顾用户原始信息与职位需求；

21、润色完成后，在简历快照表中按分区存储对应ai简历快照，同步记录对应版本、日期、关联职位关键信息，支持根据职位需求快速回溯并恢复对应简历版本。

22、进一步地，获取所述润色后简历内容，还包括：

23、基于简历生成提示词，额外添加了用户在前端选择的扩写、缩写、美化对应的系统提示词，拼接至用户提示词后通过deepseek-v3大语言模型的api输入至该模型，直接基于规则引擎回填至用户简历对应模块。

24、本发明另一方面，提供一种基于大模型的ai简历生成系统，，所述系统执行时实现所述的一种基于大模型的ai简历生成方法，包括：

25、信息采集与模型训练模块，用于通过智能语音、附件解析、文字识别三种方式采集用户非结构化描述信息，并训练识别模型；

26、系统提示词构建模块，用于基于简历行文规则和表达模型构建系统提示词；

27、规则引擎构建模块，用于通过规则引擎执行解析操作，基于预设的字段匹配规则及正则表达式，从文字流简历中提取关键字段及对应值；

28、简历润色模块，用于将用户简历内容、目标职位信息及系统提示词拼接为输入文本，传入训练后的识别模型进行校验；校验通过后，将所述输入文本及系统提示词发送至大模型，获取其输出的润色后简历内容，并通过简历快照功能存储对应版本、关联职位信息，快速生成目标职位对应的简历版本；其中所述大模型为deepseek-v3大语言模型。

29、进一步地，所述训练识别模型为：

30、基于bert-base-chinese二次训练的求职意向理解ner小模型，用于从用户非结构化描述中识别求职期望、工作经历关键实体；所求职意向理解ner小模型引入 bilstm-crf结构，基于预处理后的训练数据集进行多轮模型训练。

31、本发明另一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于大模型的ai简历生成方法。

32、与现有方法相比，本发明采用以上方案，具有以下优点：

33、（1）本发明基于bert-base-chinese二次训练的求职意向理解ner小模型，校验用户输入内容，保障采集用户信息的完整性，最大程度从获取用户信息层面保障简历生成质量。同时基于优秀简历总结行文规则，形成系统提示词。双重保障解决简历生成虚幻、质量差的问题。

34、（2）本发明利用规则引擎智能解析招聘平台的简历字段，将大模型的文字流简历识别为在线简历的key-value的形式，识别率高于90%，以便于平台可直接使用进行简历投递，提升用户求职效率，解决用户还需下载简历并上传至对应平台的问题。

35、（3）本发明在传统模块文字润色的基础上，在用户提示词额外增加用户目标职位的名称及描述提示词，引导大模型除了基于一定行文规则、表达模型、用户录入外，额外将目标职位的名称及描述作为参考的一部分，进而解决岗位与简历的贴合度低的问题。

36、本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。

37、下面通过附图和实施例，对本发明的方案做进一步的详细描述。