geekgeekrun/plan/recruiter_llm_integration.md

招聘端 LLM 集成计划（整合版）

本文档由原 LLM 简历 Rubric 集成计划与招聘端 LLM 配置设计整合而来，并反映当前实现状态。

---

1. 设计目标与原则

1. 独立于应聘端：招聘端使用 ~/.geekgeekrun/config/boss-llm.json，与应聘端 llm.json 完全独立
2. 多模型多用途：支持为不同场景（简历筛选、招呼语生成、消息续写等）指定不同模型
3. 简历 Rubric 模式：由 resumeLlmRule（单一字符串）升级为可视化的、由大模型辅助生成的多维度评分表
4. 支持推理模型：支持 DeepSeek-R1、Qwen3、GLM 推理系列等 thinking model（待实现）
5. 测试 API 连通性：配置页提供「测试连接」按钮（待实现）

---

2. 配置文件

2.1 boss-llm.json — 招聘端 LLM 配置

路径： ~/.geekgeekrun/config/boss-llm.json

{
  "providers": [
    {
      "id": "uuid-provider",
      "name": "SiliconFlow",
      "baseURL": "https://api.siliconflow.cn/v1",
      "apiKey": "sk-xxx",
      "models": [
        {
          "id": "uuid-model",
          "name": "DeepSeek-R1",
          "model": "Pro/deepseek-ai/DeepSeek-R1",
          "enabled": true,
          "thinking": {
            "enabled": true,
            "budget": 2048
          }
        }
      ]
    }
  ],
  "purposeDefaultModelId": {
    "resume_screening": "uuid-model",
    "greeting_generation": "uuid-model-2",
    "default": "uuid-model"
  }
}

设计说明： 模型本身不再携带 purposes 标签。用途与模型的绑定通过 purposeDefaultModelId 统一管理，在配置 UI 中直接为每个用途选择一个模型即可。所有 enabled: true 的模型均可被分配到任意用途。

用途（purposeDefaultModelId 的 key）：

用途 key	说明
resume_screening	简历 LLM 筛选（Rubric 评分 / 规则判断）
rubric_generation	自动生成评分标准（根据 JD 生成 Rubric）
greeting_generation	招呼语生成
message_rewrite	消息续写 / 已读不回提醒等
default	未指定用途时的默认模型

实现状态：

• llm-rubric.mjs 中 getEnabledLlmClient 已正确读取 boss-llm.json 并按 purpose 选模型
• 默认文件与自动创建逻辑：readBossLlmConfig() 在文件不存在时返回 { providers: [], purposeDefaultModelId: {} } 安全默认值
• BossLlmConfig 配置页及 IPC（boss-fetch-llm-config、boss-save-llm-config、boss-test-llm-endpoint、boss-llm-config 窗口）

2.2 boss-jobs-config.json — 每职位 resumeLlmConfig 扩展

{
  "resumeLlmEnabled": true,
  "resumeLlmConfig": {
    "sourceJd": "用户粘贴的岗位描述...",
    "passThreshold": 75,
    "rubric": {
      "knockouts": ["必须统招本科及以上", "必须有3年以上经验"],
      "dimensions": [
        {
          "name": "硬件开发经验",
          "weight": 40,
          "criteria": { "1": "无相关经验", "3": "参与过项目", "5": "主导过复杂设计" }
        },
        {
          "name": "编程能力",
          "weight": 60,
          "criteria": { "1": "无编程经验", "3": "中等模块开发", "5": "大型项目架构" }
        }
      ]
    }
  }
}

字段说明：

• knockouts：一票否决项
• dimensions：1/3/5 分制，按权重加权得总分（满 100）
• passThreshold：及格线（0–100）
• 向后兼容：若无 resumeLlmConfig 但有 resumeLlmRule，沿用旧字符串规则逻辑

实现状态： [x] 已完整实现（BossJobConfig UI + runtime-file-utils + chat-page-processor）

---

3. 自动化层

3.1 llm-rubric.mjs

函数	作用	状态
getEnabledLlmClient(purpose)	从 boss-llm.json 按 purpose 选取模型	[x] 已实现
evaluateResumeByRubric(resumeText, rubricConfig)	根据 Rubric 评估简历	[x] 已实现
generateRubricFromJd(sourceJd)	根据 JD 生成 Rubric	[x] 已实现

3.2 runtime-file-utils.mjs

• jobFilterToChatPageFilter：正确处理 resumeLlmConfig.rubric 优先级 [x] 已实现

3.3 chat-page-processor.mjs

• rubric 分支：当 llmConfig.rubric 存在时调用 evaluateResumeByRubric [x] 已实现

3.4 gpt-request.mjs — 推理模型支持

状态： [x] 已实现

需扩展 completes 支持 thinking 参数，并避免与推理预算冲突：

• max_tokens 约束：推理模型的输出长度通常包含「思考内容 + 最终 content」，若开启 thinking_budget，则 max_tokens 需要明显大于预算（常见至少 2x 以上），否则会因长度上限导致 finish_reason=length 被截断。
• 建议做法：将 max_tokens 由“固定默认值”改为“按用途/按模型配置”，并为 thinking.enabled=true 的请求提供更大的默认值（例如 4096/8192），避免 Rubric JSON 输出不完整。
• temperature：对结构化 JSON 输出建议低温（如 0.1）；推理模型在启用 thinking 时可考虑允许更高 temperature（如 0.6），但应可配置（不建议硬编码一个值覆盖所有模型与用途）。

// 新增可选参数
export async function completes(
  { baseURL, apiKey, model, max_tokens, temperature, thinking },
  messages
) {
  // 建议：调用方显式传 max_tokens；若未传，按是否启用 thinking 给一个更安全的默认值
  const resolvedMaxTokens =
    typeof max_tokens === 'number' ? max_tokens : thinking?.enabled ? 8192 : 1200

  const body = {
    messages,
    model,
    max_tokens: resolvedMaxTokens,
    temperature: typeof temperature === 'number' ? temperature : thinking?.enabled ? 0.6 : 0.1
  }
  if (thinking?.enabled && thinking?.budget) {
    body.enable_thinking = true
    body.thinking_budget = thinking.budget
  }
  // ...
}

---

4. IPC 与 UI

4.1 已实现的 IPC

IPC	作用	状态
generate-llm-rubric	根据 sourceJd 调用 generateRubricFromJd	[x] 已实现
llm-screen-resume	调试工具用，主进程直接 evaluateResumeByRubric	[x] 已实现

4.2 待实现的 IPC（BossLlmConfig 配置页）

IPC	作用
boss-fetch-llm-config	读取 boss-llm.json
boss-save-llm-config	保存 boss-llm.json
boss-test-llm-endpoint	测试 API 连通性

4.3 已实现的 UI

• BossJobConfig：AI Rubric Builder（Step 1）+ Visual Rubric Editor（Step 2）[x]
• BossDebugTool：LLM 简历筛选、Rubric 生成测试 [x]

4.4 待实现的 UI

• BossLlmConfig 配置页：模型列表增删改、purposes 多选、thinking 参数、测试连接、预设模板（SiliconFlow、DeepSeek、阿里云百炼、火山方舟、Ollama 等）
• 路由 #/bossLlmConfig 及 createBossLlmConfigWindow
• RecruiterPart 导航增加「配置大语言模型」入口

测试 API 逻辑（boss-test-llm-endpoint）：POST {baseURL}/chat/completions，Body: { model, messages: [{ role: "user", content: "Hi" }], max_tokens: 10 }。成功显示「连接成功」，失败显示错误信息。

---

5. 实现检查清单（更新后）

简历 Rubric 流程

• llm-rubric.mjs：getEnabledLlmClient 读 boss-llm.json
• llm-rubric.mjs：evaluateResumeByRubric、generateRubricFromJd
• runtime-file-utils.mjs：jobFilterToChatPageFilter 支持 resumeLlmConfig
• chat-page-processor.mjs：接入 rubric 分支
• IPC：generate-llm-rubric
• BossJobConfig：resumeLlmConfig 数据结构 + AI Rubric Builder + Visual Rubric Editor

boss-llm.json 配置页

• boss-llm.json 默认文件与 ensure 逻辑（readBossLlmConfig / writeBossLlmConfig in runtime-file-utils.mjs）
• BossLlmConfig/index.vue（模型 CRUD、purposes 多选、thinking 参数、测试连接、用途默认模型选择器）
• createBossLlmConfigWindow 及路由 #/bossLlmConfig
• IPC：boss-fetch-llm-config、boss-save-llm-config、boss-test-llm-endpoint、boss-llm-config（打开窗口）
• RecruiterPart 增加「配置大语言模型」链接
• 预设模板（SiliconFlow DeepSeek-R1/V3、DeepSeek 官方、阿里云百炼、Ollama）

推理模型

• gpt-request.mjs：支持 thinking 参数（enable_thinking / thinking_budget）、reasoning_content 日志输出、按是否启用 thinking 自动调整 max_tokens 和 temperature 默认值

---

6. 标准 API 参考（推理模型扩展）

推理模型在标准 Chat Completions 请求上增加可选参数：

参数	类型	说明
enable_thinking	boolean	是否启用思维链
thinking_budget	integer	思维链最大 token 数

响应中 message 可能包含 reasoning_content，业务仅使用 content。

Provider 适配：部分厂商通过 extra_body 传入推理参数，实现时需兼容顶层参数或 extra_body 透传。

参考文献：

• SiliconFlow - Chat Completions
• SiliconFlow - 推理模型

---

7. 注意事项

• boss-llm.json 必须先配置：generate-llm-rubric 与 evaluateResumeByRubric 均依赖 boss-llm.json 中至少一个启用的 resume_screening 模型。若未配置，UI 应给出明确提示并引导用户到「大语言模型配置」页。
• Token 控制：简历文本截断至 3500 字；knockouts 优先判断可减少 token。
• 维度上限：建议最多 5 个，generateRubricFromJd 已做截断。
• 权重归一化：generateRubricFromJd 返回前已归一化；UI 可对总和不等于 100 时做警告提示。
• Rubric 总分计算（实现已按 100 分归一化）：维度分是 1/3/5，需先映射到 0–1 再乘权重，最终总分落在 0–100。推荐公式：

[ \text{Total} = 100 \times \frac{\sum_i \left(W_i \times \frac{Score_i}{5}\right)}{\sum_i W_i} ]

这样当权重和为 100 且所有维度满分 5 时，总分为 100；最低分 1 时总分约为 20（若权重和为 100）。

---

8. 与应聘端对比

项目	应聘端	招聘端
配置文件	llm.json	boss-llm.json
配置入口	LlmConfig (#/llmConfig)	BossLlmConfig（待实现 #/bossLlmConfig）
用途	职位匹配、已读不回提醒等	简历筛选、招呼语、消息续写等