# Dingo ATS 简历优化工具指南
本指南介绍如何使用 Dingo 的 ATS（Applicant Tracking System）简历优化工具，包括 **LLMKeywordMatcher** 关键词匹配器和 **LLMResumeOptimizer** 简历优化器。
## 🎯 功能概述
ATS 工具套件用于：
- **简历-JD 匹配分析**: 评估简历与职位描述的匹配程度
- **关键词缺失识别**: 识别简历中缺少的必需技能和加分项
- **智能简历优化**: 自动注入缺失关键词，使用 STAR 法则润色经历描述
## 🔧 核心组件
### 1. LLMKeywordMatcher（关键词匹配器）
分析简历与 JD 的匹配度，输出加权匹配分数和详细分析报告。
**核心功能：**
- 语义匹配（不仅是字符串匹配）
- 同义词自动识别（如 k8s → Kubernetes）
- 负向约束识别（Excluded 技能警告）
- 基于证据的匹配（引用简历原文）
**输入字段：**
| 字段 | 类型 | 必需 | 说明 |
|------|------|------|------|
| `content` | str | ✅ | 简历文本 |
| `prompt` | str | ✅ | 职位描述 (JD) |
**输出字段：**
| 字段 | 类型 | 说明 |
|------|------|------|
| `score` | float | 匹配分数 (0.0-1.0) |
| `status` | bool | 是否低于阈值 (True=低于，False=通过) |
| `reason` | List[str] | 详细分析报告（文本格式） |
**内置同义词映射 (SYNONYM_MAP)：**
```
k8s → Kubernetes, js → JavaScript, ts → TypeScript
py → Python, tf → TensorFlow, pt → PyTorch
nodejs → Node.js, postgres → PostgreSQL
aws → Amazon Web Services, gcp → Google Cloud Platform
ml → Machine Learning, dl → Deep Learning, nlp → NLP
```
### 2. LLMResumeOptimizer（简历优化器）
基于匹配分析结果优化简历，支持两种模式：
**模式对比：**
| 模式 | 触发条件 | 功能 |
|------|----------|------|
| 通用润色 | `context` 为空 | STAR 法则润色、格式统一 |
| 针对性优化 | `context` 包含匹配报告 | 关键词注入、弱化负面技能 |
**输入字段：**
| 字段 | 类型 | 必需 | 说明 |
|------|------|------|------|
| `content` | str | ✅ | 简历文本 |
| `prompt` | str | ❌ | 目标岗位 |
| `context` | str/dict | ❌ | 匹配报告 JSON (触发针对性模式) |
## 🚀 快速开始
### 基本使用
```python
from dingo.config.input_args import EvaluatorLLMArgs
from dingo.io.input import Data
from dingo.model.llm.llm_keyword_matcher import LLMKeywordMatcher
from dingo.model.llm.llm_resume_optimizer import LLMResumeOptimizer
# 配置 LLM
config = EvaluatorLLMArgs(
key='YOUR_API_KEY',
api_url='https://api.deepseek.com',
model='deepseek-chat',
)
LLMKeywordMatcher.dynamic_config = config
LLMResumeOptimizer.dynamic_config = config
# 准备数据
resume = """
张三 | Python开发工程师 | 5年经验
技能：Python, Django, MySQL
"""
jd = """
高级Python工程师
要求：Python（必需）、Docker（必需）、Kubernetes（加分）
"""
# Step 1: 匹配分析
match_data = Data(data_id='test_1', content=resume, prompt=jd)
match_result = LLMKeywordMatcher.eval(match_data)
print(f"匹配分数: {match_result.score}")
print(f"是否通过: {'通过' if not match_result.status else '未通过'}")
print(f"分析报告: {match_result.reason[0]}")
# Step 2: 简历优化
optimize_data = Data(
data_id='test_2',
content=resume,
prompt='高级Python工程师',
context='{"match_details": {"missing": [{"skill": "Docker", "importance": "Required"}]}}'
)
opt_result = LLMResumeOptimizer.eval(optimize_data)
print(f"优化摘要: {opt_result.reason[0]}")
print(f"完整结果: {opt_result.optimized_content}")
```
## 📊 匹配分数计算
### 权重公式
```
score = (Required_Matched × 2 + Nice_Matched × 1) / (Required_Total × 2 + Nice_Total × 1)
```
| 类别 | 权重 | 说明 |
|------|------|------|
| Required (必需) | ×2 | 缺失会显著降低分数 |
| Nice-to-have (加分) | ×1 | 缺失影响较小 |
| Excluded (排除) | 不计分 | 仅生成警告，不影响分数 |
### 阈值配置
```python
# 调整匹配阈值 (默认 0.6)
LLMKeywordMatcher.threshold = 0.7 # 更严格
```
## 📝 针对性优化策略
### P1 - 强制注入 (Required)
必需技能必须出现在简历中，添加到技能列表或自然融入工作经历。
### P2 - 关联注入 (Nice-to-have)
使用关联提及：`MySQL (熟悉 PostgreSQL 概念)`
### P3 - 隐含推断
- 有 LoRA/SFT 经验 → 可推断 PyTorch
- 有 RAG 项目 → 可推断向量数据库
### P4 - 弱化处理 (Excluded)
不删除历史事实，仅移到技能列表末尾。
### 禁止造假规则
- ❌ 禁止发明不存在的公司、项目或经历
- ✅ 无法融入的关键词放入 `keywords_unused` 列表
## 📁 输出格式
### KeywordMatcher 输出
结果存放在 `result.reason[0]` 中，格式化的文本报告：
```python
# 访问方式
result = LLMKeywordMatcher.eval(data)
print(result.reason[0]) # 完整分析报告
print(result.score) # 匹配分数 (0.0-1.0)
```
**`reason[0]` 内容示例：**
```
JD Analysis: 高级Python工程师
Keywords: Python, Docker, Kubernetes, MySQL
Match Score: 0.65 (Threshold: 0.60)
Required (Matched): Python
Required (Missing): Docker
Nice-to-have (Matched): MySQL
Nice-to-have (Missing): Kubernetes
```
### ResumeOptimizer 输出
**`reason[0]`**: 人类可读的摘要文本
**`optimized_content`**: 完整的 JSON 优化结果
```python
# 访问方式
result = LLMResumeOptimizer.eval(data)
# 摘要文本
print(result.reason[0])
# 完整 JSON 结果
opt = result.optimized_content
print(opt.get('optimization_summary'))
print(opt.get('section_changes'))
```
**`reason[0]` 内容示例：**
```
Overall: 优化了专业技能板块
Keywords Added: Docker
Associative: Kubernetes (了解概念)
Sections Modified: 专业技能
```
**`optimized_content` 结构：**
```json
{
"optimization_summary": {
"keywords_added": ["Docker"],
"keywords_associative": ["Kubernetes (了解概念)"],
"keywords_unused": []
},
"section_changes": [
{
"section_name": "专业技能",
"before": "Python, Django, MySQL",
"after": "Python, Django, MySQL, Docker, Kubernetes (了解概念)",
"changes": ["添加 Docker", "关联提及 Kubernetes"]
}
]
}
```
## 🌐 语言支持
工具自动检测简历语言并使用对应的 Prompt：
- 中文简历 → 中文 Prompt
- 英文简历 → 英文 Prompt
检测规则：中文字符占比 > 10% 判定为中文。
## 📂 示例脚本
```bash
# 运行关键词匹配示例
python examples/ats_resume/sdk_keyword_matcher.py
# 运行简历优化示例
python examples/ats_resume/sdk_resume_optimizer.py
```
