AI 岗位信息问答系统（RAG）

基于检索增强生成（RAG）的中文 AI 岗位信息问答系统。用户可以用自然语言询问岗位信息，系统从岗位知识库中检索相关内容，并通过大模型以“朋友式聊天”的方式回答和推荐岗位。

功能特性

• 读取并清洗 1000 条中文 AI 岗位数据
• 使用 RecursiveCharacterTextSplitter 切分岗位 JD
• 使用 sentence-transformers 中文 Embedding 模型生成向量
• 使用 Chroma 持久化向量库
• 通过 VectorStoreRetriever 检索 Top-K 相关岗位
• 支持多轮对话，记住用户上下文
• 使用 Flask + 原生 HTML/CSS/JS 构建 DeepSeek Harness 风格网页界面，可查看每次检索到的真实岗位信息
• 大模型支持 OpenAI 兼容接口 / 国内大模型 API / Ollama 本地模型
• 左侧会话列表支持三点菜单删除单个会话
• 设置弹窗内可直接配置 API 并“测试连接”，保存后写入 .env

项目结构

job-rag/
├── data/
│   └── res.csv
├── src/
│   ├── __init__.py
│   ├── load_data.py          # 读取数据
│   ├── clean_data.py         # 清洗数据
│   ├── build_vectorstore.py  # 构建向量库
│   ├── retrieve.py           # 检索相关岗位
│   ├── prompt.py             # System Prompt 和 Prompt 模板
│   ├── llm.py                # 大模型调用
│   └── chat.py               # 多轮对话逻辑
├── app.py                    # Flask 入口
├── static/
│   ├── index.html            # 前端页面
│   ├── style.css             # 前端样式
│   └── app.js                # 前端交互
├── requirements.txt
├── .env.example
└── README.md

安装依赖

建议使用 Python 3.10+ 和虚拟环境。

cd job-rag
python -m venv .venv
# Windows
.venv\Scripts\activate
# macOS / Linux
source .venv/bin/activate

pip install -r requirements.txt

配置环境变量

复制 .env.example 为 .env，然后按需修改：

cp .env.example .env

主要配置项：

变量	说明	示例
OPENAI_API_KEY	大模型 API Key	sk-xxx
OPENAI_BASE_URL	OpenAI 兼容接口地址	https://api.openai.com/v1
OPENAI_MODEL_NAME	大模型名称	gpt-4o-mini
EMBEDDING_MODEL_NAME	Embedding 模型名称	BAAI/bge-small-zh-v1.5
EMBEDDING_CACHE_DIR	Embedding 模型下载缓存目录，默认 models/，放在项目内	models
CHROMA_DIR	Chroma 向量库目录	data/chroma_db

如果使用 Ollama 本地模型，可以配置为：

OPENAI_BASE_URL=http://localhost:11434/v1
OPENAI_MODEL_NAME=qwen2.5
OPENAI_API_KEY=ollama

如果使用 Anthropic 兼容接口（例如第三方路由），可以配置为：

ANTHROPIC_BASE_URL=https://routifyapi.com/v1
ANTHROPIC_AUTH_TOKEN=your-token
ANTHROPIC_MODEL_NAME=deepseek-v4-flash

系统会优先使用 Anthropic 配置。

运行项目

首次构建向量库会自动下载 BAAI/bge-small-zh-v1.5 Embedding 模型，需要联网；如果已有本地模型，可以通过 EMBEDDING_MODEL_NAME 指定。 模型默认下载到项目目录下的 models/，不会放到 C 盘用户目录；可通过 EMBEDDING_CACHE_DIR 修改。

首次运行时，如果 data/chroma_db 不存在，系统会自动读取 data/res.csv 并构建向量库。也可以先手动构建：

cd job-rag
python -m src.build_vectorstore

然后启动 Web 界面：

cd job-rag
python app.py

浏览器打开 http://127.0.0.1:5000 。

使用示例

• 用户：有没有自动驾驶相关的算法岗？
• 系统：检索自动驾驶/SLAM/感知/规划等相关岗位，并基于真实岗位信息给出推荐和理由。
• 用户：这个岗位需要什么技能？
• 系统：结合上一轮推荐的岗位，继续回答技能要求。

页面中会展示“检索到的岗位”展开区，方便调试和演示 RAG 效果。

在页面左侧的“设置”区域可以直接配置大模型 API（Anthropic 兼容或 OpenAI 兼容）、API Key、Base URL 和模型名称，并可以点击“测试连接”验证配置是否可用；保存后会写入 .env，重启后仍然生效。

说明

• 当前数据只有岗位名称和 JD，没有公司、城市、薪资、发布时间等字段，因此系统不会生成这些信息。
• 推荐岗位时，系统 Prompt 明确要求只能引用检索到的真实岗位，避免编造。
• 如果未配置大模型 API，系统会使用一个简单的本地兜底回答，便于先验证数据读取、向量库构建和检索流程；配置 API 后即可获得完整的朋友式聊天体验。

License

MIT License