用 Amazon Bedrock 搭一个 AI 招聘助手：从简历筛选到面试题生成

你是一位技术招聘评估助手。请根据以下职位描述和候选人简历，输出 JSON 格式的评估结果，包含：
- skills_match：技能匹配度（0-10）
- experience_highlights：经验亮点列表
- concerns：潜在顾虑列表
- overall_alignment：整体对齐评分（0-10）
- summary：一段话摘要

import json
import boto3

# 初始化 Bedrock Runtime 客户端
bedrock_runtime = boto3.client(
    service_name="bedrock-runtime",
    region_name="us-east-1"  # 根据你开通的区域调整
)

MODEL_ID = "anthropic.claude-3-sonnet-20240229"

def evaluate_resume(jd_text: str, resume_text: str) -> dict:
    """调用 Bedrock Claude 对简历做结构化评估"""

    system_prompt = """你是一位技术招聘评估助手。
请根据职位描述和候选人简历，严格按以下 JSON 格式输出评估结果：
{
  "skills_match": <0-10的整数>,
  "experience_highlights": [<字符串列表>],
  "concerns": [<字符串列表>],
  "overall_alignment": <0-10的整数>,
  "summary": "<一段话摘要>"
}
只输出 JSON，不要输出其他内容。"""

    user_message = f"""## 职位描述
{jd_text}

## 候选人简历
{resume_text}

请评估该候选人与职位的匹配度。"""

    # Claude 的请求体格式
    request_body = {
        "anthropic_version": "bedrock-2023-05-31",
        "max_tokens": 1024,
        "system": system_prompt,
        "messages": [
            {"role": "user", "content": user_message}
        ]
    }

    response = bedrock_runtime.invoke_model(
        modelId=MODEL_ID,
        body=json.dumps(request_body),
        contentType="application/json",
        accept="application/json"
    )

    response_body = json.loads(response["body"].read())

    # Claude 返回的文本在 content[0].text 中
    raw_output = response_body["content"][0]["text"]

    # 解析 JSON 输出
    try:
        evaluation = json.loads(raw_output)
    except json.JSONDecodeError:
        # 模型偶尔会在 JSON 前后加说明文字，做一次清理
        start = raw_output.index("{")
        end = raw_output.rindex("}") + 1
        evaluation = json.loads(raw_output[start:end])

    return evaluation


# ===== 使用示例 =====
jd = """
高级后端工程师
- 5年以上 Python/Go 开发经验
- 熟悉分布式系统设计和微服务架构
- 有大规模数据处理经验（Spark/Flink）
- 了解 AWS 核心服务
"""

resume = """
张三，8年开发经验
- 6年 Python 后端开发，2年 Go
- 主导过电商订单系统微服务拆分，日均订单量 50万+
- 使用 AWS Lambda + DynamoDB 构建过实时库存同步服务
- 无 Spark/Flink 经验，数据处理主要用 Pandas + PostgreSQL
"""

result = evaluate_resume(jd, resume)
print(json.dumps(result, indent=2, ensure_ascii=False))

{
  "skills_match": 7,
  "experience_highlights": [
    "6年 Python + 2年 Go，语言栈匹配",
    "主导微服务拆分，有实际分布式系统经验",
    "使用 AWS Lambda + DynamoDB，云服务经验对齐"
  ],
  "concerns": [
    "无 Spark/Flink 经验，大规模数据处理能力存疑",
    "数据处理停留在单机工具层面"
  ],
  "overall_alignment": 7,
  "summary": "张三在后端开发和微服务架构上经验扎实，AWS 实践也对齐，但大规模数据处理经验缺失是主要短板，需面试中重点验证学习能力和补盲意愿。"
}

def generate_interview_questions(evaluation: dict, jd_text: str) -> list:
    """基于评估结果生成个性化面试题"""

    system_prompt = """你是一位技术面试设计助手。
根据候选人评估结果和职位要求，生成5道面试题，严格按以下 JSON 格式输出：
{
  "deep_dive_questions": [
    {"question": "<问题文本>", "target": "<考察的简历亮点>", "difficulty": "medium"}
  ],
  "gap_probe_questions": [
    {"question": "<问题文本>", "target": "<考察的技能缺口>", "difficulty": "hard"}
  ]
}
只输出 JSON。"""

    user_message = f"""## 职位描述
{jd_text}

## 候选人评估
{json.dumps(evaluation, ensure_ascii=False)}

请生成面试题。深挖题针对简历亮点追问细节，补盲题针对缺失技能试探真实水平。"""

    # 调用逻辑与 evaluate_resume 相同，仅替换 prompt
    request_body = {
        "anthropic_version": "bedrock-2023-05-31",
        "max_tokens": 1024,
        "system": system_prompt,
        "messages": [{"role": "user", "content": user_message}]
    }

    response = bedrock_runtime.invoke_model(
        modelId=MODEL_ID,
        body=json.dumps(request_body),
        contentType="application/json",
        accept="application/json"
    )

    raw_output = json.loads(response["body"].read())["content"][0]["text"]
    return json.loads(raw_output[raw_output.index("{"):raw_output.rindex("}")+1])