项目代码

https://github.com/BannyLon/DifyAIA/blob/main/Dify%20workflow/%E6%99%BA%E7%AD%9B%E7%AE%80%E5%8E%86.yml

输入

简历.docx

个人信息
姓名：张伟
电话：(+86) 138-1234-5678
邮箱：zhangwei.llm@email.com
GitHub：github.com/zhangwei-ai（附LLM相关项目链接）
LinkedIn：linkedin.com/in/zhsangwei-llm
现居地：北京 | 可远程/异地办公
技术博客：zhangwei.ai（可选，如有技术文章可增加）

教育背景
清华大学 | 工学硕士 | 计算机科学与技术（人工智能方向）
2020.09 - 2023.06

主修课程：自然语言处理、分布式机器学习、大模型架构设计

毕业论文：《基于LLaMA-2的医疗问答系统低资源微调方法研究》（TOP 10%论文）

北京大学 | 工学学士 | 软件工程
2016.09 - 2020.06

工作经历
字节跳动 | 大模型应用工程师（高级）
2023.07 - 至今

模型优化：主导公司内部大模型（参数量10B+）的微调与推理加速，通过LoRA/P-Tuningv2降低显存占用35%，推理速度提升40%；

落地应用：开发电商场景多模态大模型应用（文本+图像生成），支持日均100万次调用，错误率低于0.5%；

技术攻关：设计动态Prompt框架，结合用户行为数据提升推荐系统CTR 15%；

阿里巴巴 | 算法工程师（实习）
2022.03 - 2022.12

参与千问大模型早期开发，负责数据清洗与SFT阶段实验，显著降低有害输出概率；

搭建基于BERT的客服意图分类系统，准确率提升至92%。

项目经验
项目名称：金融领域大模型智能投顾系统

技术栈：LLaMA-2-13B、LangChain、Faiss向量数据库、FastAPI

成果：支持实时金融政策解读与投资建议生成，客户满意度提升25%，获公司创新奖。

项目名称：开源中文大模型微调工具链

技术栈：PyTorch、Deepspeed、vLLM

成果：GitHub Star 500+，被3家初创企业采用。

技能专长
大模型技术：全流程开发（预训练/微调/部署）、推理优化（量化/FlashAttention）、Agent开发

编程语言：Python（熟练使用asyncio高性能框架）、C++（模型底层优化）

工具链：HuggingFace Transformers、MLflow、Docker/K8s、Prometheus监控

语言能力：英语（CET-6，可熟练阅读AI论文）

证书与荣誉
Kaggle LLM竞赛银牌（2023）

国家奖学金（2021）

发明专利：《一种大模型安全对齐方法》（公开号CNXXXXXX）

自我评价
深耕大模型技术栈，熟悉行业最新进展（如Mixtral、Gemma等），长期贡献开源社区；

兼具算法研究与工程落地能力，擅长将论文成果转化为实际业务价值；

热爱技术分享，主导团队内部LLM技术培训10+场。

岗位信息

岗位职责
大模型开发与优化：

负责大语言模型（如GPT、LLaMA、Claude等）的微调（Fine-tuning）、提示工程（Prompt Engineering）及性能优化（推理加速、量化部署等）；

探索大模型的高效训练方法（如LoRA、P-Tuning、QLoRA等），降低计算资源消耗；

解决模型在实际业务场景中的幻觉（Hallucination）、偏见（Bias）等安全问题。

应用落地与工程化：

基于大模型开发行业解决方案（如智能客服、知识库问答、内容生成等），完成端到端的技术闭环；

结合RAG（检索增强生成）、Agent框架（如LangChain、AutoGen）提升模型在垂直领域的准确性；

设计高并发、低延迟的推理服务架构（如vLLM、TGI），支持企业级需求。

技术研究与创新：

跟踪大模型领域最新进展（如MoE、长上下文优化、多模态理解），推动技术迭代；

参与开源社区贡献，或内部工具链开发（如数据清洗、评估平台）。

任职要求
硬性条件：

学历：计算机、人工智能、数学等相关专业本科及以上学历；

经验：3年以上NLP/大模型相关经验，至少1个完整的大模型落地项目；

技术栈：

精通Python，熟悉PyTorch/TensorFlow框架；

深入理解Transformer架构及大模型关键技术（注意力机制、位置编码等）；

熟悉大模型生态工具（HuggingFace、LangChain、LlamaIndex等）；

有分布式训练（Deepspeed/FSDP）、模型量化（GGUF/AWQ）经验者优先。

加分项：

发表过LLM相关顶会论文（ACL/EMNLP/NeurIPS）；

熟悉大模型安全对齐（Safety Alignment）或垂直领域微调（医疗/法律/金融）；

有云服务（AWS/GCP/Azure）或高性能计算（CUDA、TRT）经验。

软技能：

强烈的技术好奇心，能快速学习并应用新技术；

良好的沟通能力，能协同算法、产品、业务团队推进项目。

运行程序

飞书哦吼，不能用

为什么非要搞自己的飞书呢，就不能是word文档直接用吗，公司的账号大家都可以看到，这不就是尴尬了吗

很无语了

LLM评测

你是一个招聘专家，你根据简历{{#1742648746427.text#}}的内容，结合部门岗位要求：“{{#1742643330552.zhaopinyaoqiu#}}”进行打分，打分分为HR打分，部门打分
###HR打分
*总分：100分
*工作断层：工作有1-3个月断层扣5分
*工作地点与部门要求不一致扣25分
*学历分，学历低于部门要求的扣25分，高于部门要求，每高一个级别增加5分
*薪资匹配度，薪资和部门要求有上浮，下浮10%的扣5分，每增加幅度5%扣5分，如果是员工简历低于部门要求幅度情况不扣分。
*培训经历，有培训经历加5分
*证书，有证书加5分
*往期单个公司任职时间，某一段履历低于6个月的扣10分。
###部门打分
*总分:100分
*任职要求，简历中和任职要求匹配度，不匹配扣25分。
*其他方面不做扣分
输出要求：只输出 顺序后的：员工姓名，手机，学历，邮箱，HR打分，部门打分，输出到一个表格格式进行输出，表格输出在前，分析过程输出在后。
输出部门岗位要求：

LLM的输出

{
  "text": "<details style=\"color:gray;background-color: #f8f8f8;padding: 8px;border-radius: 4px;\" open> <summary> Thinking... </summary>\n嗯，现在我要根据用户提供的简历内容和部门岗位要求来为张伟进行HR和部门打分。首先，我要理清楚评分规则，然后逐一分析张伟的简历和岗位要求，看看他符合条件吗。\n\n首先，HR打分总分是100分，包含几个扣分项：工作断层、工作地点、学历、薪资匹配度、培训经历、证书、任职时间。部门打分则更关注任职要求的匹配度，不匹配的话扣分。\n\n先看HR部分：\n\n1.</details><details style=\"color:gray;background-color: #f8f8f8;padding: 8px;border-radius: 4px;\" open> <summary> Thinking... </summary> 工作断层：张伟的工作经历从2020年6月到2023年6月在清华大学读硕士，然后进入字节跳动工作，没断层，所以不扣分。\n2.</details><details style=\"color:gray;background-color: #f8f8f8;padding: 8px;border-radius: 4px;\" open> <summary> Thinking... </summary> 工作地点：张伟现居地是北京，符合部门要求，所以不扣分。\n3.</details><details style=\"color:gray;background-color: #f8f8f8;padding: 8px;border-radius: 4px;\" open> <summary> Thinking... </summary> 学历：张伟是清华大学工学硕士，部门要求本科及以上，所以高于要求，按规则，每高一个级别加5分，本科是学士，硕士是更高一级，所以加5分。\n4.</details><details style=\"color:gray;background-color: #f8f8f8;padding: 8px;border-radius: 4px;\" open> <summary> Thinking... </summary> 薪资匹配度：简历中没有提到薪资，所以无法评估，可能不扣分。\n5.</details><details style=\"color:gray;background-color: #f8f8f8;padding: 8px;border-radius: 4px;\" open> <summary> Thinking... </summary> 培训经历：简历中没有明确提到培训经历，所以不加分。\n6. 证书：张伟有发明专利和Kaggle竞赛银牌、国家奖学金等，但根据规则，只有证书加分，专利可能不算，所以可能加5分？不确定，还是算有证书，加5分。\n7. 任职时间：张伟在阿里巴巴实习了9个月，足够长，没有低于6个月的履历，所以不扣分。\n\n综上，HR打分：学历加5分，证书加5分，总分100+10=110？不对，总分100，加分应该不超过上限。可能HR打分是100+5+5=110，但可能最高100，所以可能不叠加，只额外加分。\n\n部门打分：\n\n主要看任职要求的匹配度。张伟的工作经历和技能都符合岗位要求：大模型开发与优化、应用落地、技术研究等。他有主导大模型微调、优化经验，熟悉相关技术和工具栈，还有项目经验，所以匹配度高，不扣分。\n\n不过，部门打分是按匹配度，如果完全匹配，可能不扣分，否则扣分。张伟的简历看起来和岗位要求非常吻合，所以部门打分应该是100分。\n\n综合来看，HR打分110，部门打分100。不过可能加分需要调整，因为HR总分最高是100，加分可能在基础上额外加分，比如学历和证书各加5，总分100+10=110，但可能不会超过100。或者，HR打分是100，加上学历和证书各5分，总分为110。这需要根据评分规则是否允许总分超过100来定。\n\n最终，员工姓名张伟，手机(+86) 138-1234-5678，学历硕士，邮箱zhangwei.llm@email.com，HR打分110，部门打分100。\n</details>\n\n### **表格输出**\n\n| 员工姓名 | 手机            | 学历   | 邮箱                          | HR打分 | 部门打分 |\n|----------|-----------------|--------|-------------------------------|--------|----------|\n| 张伟     | (+86) 138-1234-5678 | 硕士 | zhangwei.llm@email.com       | 110    | 100      |\n\n---\n\n### **分析过程**\n\n#### **HR打分**\n\n1. **工作断层**：张伟的工作经历无断层，符合要求，不扣分。\n2. **工作地点**：张伟现居地为北京，与部门要求一致，不扣分。\n3. **学历**：张伟的学历为工学硕士，高于部门要求的本科，增加5分。\n4. **薪资匹配度**：简历中未提供薪资信息，无法评估，不扣分。\n5. **培训经历**：简历中未明确提及培训经历，不加分。\n6. **证书**：张伟有发明专利和Kaggle竞赛银牌等，加分5分。\n7. **往期单个公司任职时间**：张伟的工作经历均符合要求，无低于6个月的履历，不扣分。\n\n**HR总分**：100 + 5（学历加分） + 5（证书加分） = **110分**。\n\n---\n\n#### **部门打分**\n\n1. **任职要求匹配度**：\n   - **大模型开发与优化**：张伟在字节跳动主导大模型（10B+参数）的微调与推理加速，熟悉LoRA、P-Tuning等技术，符合要求。\n   - **应用落地与工程化**：张伟参与电商场景的多模态大模型应用开发，并设计动态Prompt框架，提升推荐系统效果，符合要求。\n   - **技术研究与创新**：张伟跟踪LLM领域最新进展，参与开源社区贡献，符合要求。\n   - **技能专长**：张伟熟悉PyTorch、HuggingFace等工具链，掌握大模型技术栈，符合要求。\n   - **证书与荣誉**：张伟具备发明专利和Kaggle竞赛银牌，提升技术背景，符合要求。\n\n**部门总分**：100分（简历与要求高度匹配，无扣分项）。\n\n---\n\n### **总结**\n\n张伟的简历与部门岗位要求高度匹配，且具备丰富的实践经验和技术能力，是理想的候选人。",
  "usage": {
    "prompt_tokens": 4088,
    "prompt_unit_price": "0",
    "prompt_price_unit": "0",
    "prompt_price": "0E-7",
    "completion_tokens": 3541,
    "completion_unit_price": "0",
    "completion_price_unit": "0",
    "completion_price": "0E-7",
    "total_tokens": 7629,
    "total_price": "0E-7",
    "currency": "USD",
    "latency": 56.494817671133205
  },
  "finish_reason": "stop"
}

输出结果

其实这个项目应该输出的是word文档，但目前公司的工具没有找到doc工具，飞书需要进行授权，所以只进行文字的输出。输出的结果