profile-claw 0.3.0

大模型简历处理工具：格式化、评估、邮件生成、总结概括

profile-claw

大模型简历处理工具 - 基于大语言模型的简历格式化、评估、邮件生成与总结概括命令行工具。

profile-claw 是一个 PyPI 可安装的 Python 模块，通过 llmdog 库调用大语言模型，支持兼容 OpenAI Chat Completions 格式的任意 API 端点。CLI 命令为 profile，同时提供 Python API 两种使用方式。支持超时容错、断点续传和实时进度显示，适合大规模简历批量处理。

---

功能特性

• 格式化（format）：将非结构化简历文本转换为标准 JSON 格式
• 评估（eval）：对简历进行完整性、专业性、技能匹配度、呈现效果四维度评分分析，支持通用模式和目标岗位匹配模式
• 邮件生成（email）：基于候选人简历生成招聘 outreach 邮件
• 总结概括（summary）：提取简历核心信息，生成精炼总结
• 初始化（init）：一键初始化本地 prompt 模板文件，支持自定义
• 批量处理：支持单文件和目录批量处理
• 超时控制与容错：LLM 调用超时自动跳过，单文件失败不影响整个批量任务
• 断点续传：--resume 跳过已完成文件，--force 强制覆盖，中断后可从断点继续
• 实时进度条：基于 rich 的实时进度显示，清晰展示处理状态（成功/跳过/失败）
• 双重使用方式：CLI 命令行 + Python 函数调用
• Web 管理界面：基于 FastAPI + Alpine.js 的 prompt 模板和 LLM 配置管理
• 灵活配置：支持多种 LLM 模型、自定义 prompt 模板

---

安装和环境配置

前置要求

• Python >= 3.10
• pip 包管理器

方式一：直接安装（推荐用于生产）

pip install profile-claw

方式二：开发模式安装

1. 克隆或下载项目

cd /path/to/profile-claw

2. 创建虚拟环境

# 在项目根目录创建名为 venv 的虚拟环境
python -m venv venv

# 激活虚拟环境
# macOS / Linux:
source venv/bin/activate

# Windows:
venv\Scripts\activate

3. 安装依赖并以开发模式安装

pip install -e .

4. 验证安装

# 验证 CLI 命令
profile --version
# 输出: profile-claw 0.3.0

# 验证 Python 导入
python -c "import profile_claw; print(profile_claw.__version__)"
# 输出: 0.3.0

虚拟环境说明

虚拟环境（venv）会将 Python 解释器和所有依赖项隔离在项目目录中，不影响系统全局环境。

project-root/
├── venv/              # 虚拟环境目录（隔离的 Python 环境）
├── src/
│   └── profile_claw/  # 源代码
└── pyproject.toml     # 项目配置

常用虚拟环境操作：

操作	命令
激活	source venv/bin/activate (macOS/Linux) 或 venv\Scripts\activate (Windows)
退出	deactivate
运行命令	venv/bin/profile --version（无需激活）
安装包	venv/bin/pip install <package>

---

使用示例

CLI 命令行使用

查看帮助信息

profile --help

输出：

Usage: profile [OPTIONS] COMMAND [ARGS]...

智能简历处理工具：格式化、评估、邮件生成、总结概括

Options:
  --version, -v  显示版本号
  --help         Show this message and exit.

Commands:
  init      初始化本地 prompt 模板文件到 profile-prompts/ 目录
  format    格式化简历：将简历文本转换为标准 JSON 格式
  eval      评估简历：对简历进行多维度评分和分析
  email     生成招聘邮件：基于简历内容生成招聘 outreach 邮件
  summary   总结简历：提取核心信息生成精炼总结

公共选项（format/eval/email/summary 均支持）

参数	短名	说明	默认值
--output	-o	输出目录	自动计算
--prompt	-p	自定义 prompt 内容	-
--prompt-file	-P	自定义 prompt 文件路径	-
--model	-m	指定 LLM 模型	-
--timeout	-t	LLM 调用超时时间（秒）	60
--resume	-r	断点续传：跳过已有输出文件	False
--force	-f	强制覆盖已有输出文件	False
--target-role	-T	目标岗位：启用岗位匹配评估模式（仅 eval）	-

初始化本地 prompt 模板

# 在当前目录创建 profile-prompts/ 目录
profile init

# 指定目标目录
profile init --dir /path/to/project

执行后会在目标目录创建 profile-prompts/ 子目录，包含以下 prompt 模板文件：

• format_prompt.md
• eval_prompt.md
• eval_role_prompt.md
• email_prompt.md
• summary_prompt.md

格式化简历

# 处理单个文件（输出到同目录：resume_format.json）
profile format resume.txt

# 处理目录（输出到同级 resume_format/ 目录）
profile format resume_dir/

# 指定输出目录
profile format resume.txt --output output/

# 使用自定义 prompt
profile format resume.txt --prompt "请将以下简历转为JSON格式：{content}"

# 使用自定义 prompt 文件
profile format resume.txt --prompt-file my_prompt.md

# 指定 LLM 模型
profile format resume.txt --model gpt-4

# 自定义超时时间（120 秒）
profile format resume_dir/ --timeout 120

# 断点续传：跳过已处理的文件，从中断处继续
profile format resume_dir/ --resume

# 强制重新处理所有文件（覆盖已有输出）
profile format resume_dir/ --force

评估简历

# 通用评估模式：多维度评分 + 推荐职位/技能
profile eval resume.txt
profile eval resume_dir/ --output eval_results/
profile eval resume.txt --model gpt-4
profile eval resume_dir/ --resume   # 断点续传

# 目标岗位匹配模式：评估候选人与指定岗位的匹配度
profile eval resume.txt --target-role "高级后端工程师"
profile eval resume.txt -T "前端技术负责人" --model gpt-4
profile eval resume_dir/ --target-role "AI算法工程师" --resume

两种评估模式：

模式	触发条件	新增字段	说明
通用评估	默认	recommended_job_roles、recommended_skills	基于简历本身推荐职位和技能
目标岗位匹配	--target-role	target_role、role_fit_analysis、recommended_skills	评估候选人与特定岗位的匹配度

生成招聘邮件

profile email resume.txt
profile email resume.txt --output emails/
profile email resume_dir/ --timeout 90 --resume

总结简历

profile summary resume.txt
profile summary resume_dir/ --output summaries/
profile summary resume_dir/ --force  # 强制重新生成

Python API 使用

import profile_claw

# 初始化本地 prompt 模板
profile_claw.init()
profile_claw.init(dir="/path/to/project")

# 格式化简历（返回 ProcessStats 统计对象）
stats = profile_claw.format_resume("resume.txt")
print(stats.summary_text())  # "总计: 1 | 成功: 1"

# 批量处理 + 断点续传 + 超时控制
stats = profile_claw.format_resume(
    "resume_dir/",
    timeout=120,      # 超时 120 秒
    resume=True,      # 跳过已完成文件
)
print(f"成功: {stats.success}, 失败: {stats.failed}, 跳过: {stats.skipped}")

# 带进度回调
stats = profile_claw.format_resume(
    "resume_dir/",
    progress_callback=lambda f, s, m: print(f"[{s}] {f}: {m}"),
)

# 评估简历（通用模式）
stats = profile_claw.eval_resume("resume.txt")

# 评估简历（目标岗位匹配模式）
stats = profile_claw.eval_resume("resume.txt", target_role="高级后端工程师")

# 生成招聘邮件
stats = profile_claw.generate_email("resume.txt")

# 总结简历
stats = profile_claw.summary("resume.txt")

# 强制覆盖已有输出
stats = profile_claw.format_resume("resume_dir/", force=True)

函数签名：

def format_resume(
    input_path: str | Path,
    output_dir: str | Path | None = None,
    prompt: str | None = None,
    prompt_file: str | Path | None = None,
    model: str | None = None,
    timeout: int = 60,       # LLM 超时秒数
    resume: bool = False,    # 断点续传
    force: bool = False,     # 强制覆盖
    progress_callback=None,  # 进度回调 (filename, status, message)
) -> ProcessStats:
    """格式化简历，返回 ProcessStats 统计对象。"""

eval_resume 额外支持 target_role 参数：

def eval_resume(
    input_path: str | Path,
    output_dir: str | Path | None = None,
    prompt: str | None = None,
    prompt_file: str | Path | None = None,
    model: str | None = None,
    timeout: int = 60,
    resume: bool = False,
    force: bool = False,
    target_role: str | None = None,  # 目标岗位匹配模式
    progress_callback=None,
) -> ProcessStats:
    """评估简历，提供 target_role 时启用目标岗位匹配模式。"""

其他函数（generate_email、summary）签名与 format_resume 相同。

ProcessStats 对象属性：

属性	类型	说明
total	int	文件总数
success	int	成功处理数
skipped	int	跳过数（断点续传）
failed	int	失败数（超时/异常）
written	list[Path]	生成的输出文件路径列表
errors	list[tuple[str, str]]	失败详情 [(文件名, 错误信息)]

Web 管理界面使用

启动 Web 管理界面：

# 默认 127.0.0.1:7070
profile web

# 自定义地址和端口
profile web --host 0.0.0.0 --port 8080

打开浏览器访问 http://127.0.0.1:7070，界面提供：

功能	说明
Prompt 模板管理	查看/编辑/新建/删除/重置 prompt 模板
内置模板	查看包内默认模板，可一键复制到本地
本地模板	管理 profile-prompts/ 目录下的自定义模板
LLM 配置	设置 API Key、URL、模型、超时时间、SSL 验证

提示： Web 界面配置的 LLM 参数仅在当前会话有效，重启后需重新设置。持久化配置请使用环境变量。

---

API 接口说明

公共 API

函数	说明
profile_claw.__version__	版本号字符串
profile_claw.init(dir=None)	初始化本地 prompt 模板，返回 prompt 目录路径
profile_claw.format_resume(input_path, ...)	格式化简历，返回 ProcessStats
profile_claw.eval_resume(input_path, ...)	评估简历，返回 ProcessStats
profile_claw.generate_email(input_path, ...)	生成招聘邮件，返回 ProcessStats
profile_claw.summary(input_path, ...)	总结简历，返回 ProcessStats
profile_claw.ProcessStats	处理统计类

参数说明

参数	类型	说明
input_path	str | Path	输入文件或目录路径（必填）
output_dir	str | Path | None	输出目录，默认自动计算
prompt	str | None	自定义 prompt 内容（优先级最高）
prompt_file	str | Path | None	自定义 prompt 文件路径
model	str | None	指定 LLM 模型名称
timeout	int	LLM 调用超时秒数，默认 60
resume	bool	断点续传，跳过已有输出文件，默认 False
force	bool	强制覆盖已有输出文件，默认 False
target_role	str | None	目标岗位名称，仅 eval_resume 有效，默认 None
progress_callback	Callable | None	进度回调 (filename, status, message)

输出格式

格式化输出（*_format.json）：

{
  "name": "张三",
  "title": "高级后端工程师",
  "company": "XX科技有限公司",
  "position": "高级后端工程师",
  "location": "北京",
  "email": "[e-mail]",
  "phone": "13800138000",
  "linkedin": "https://linkedin.com/in/zhangsan",
  "github": "https://github.com/zhangsan",
  "summary": "English bio...",
  "bio_summary": "本科毕业于 xxx，工作 5 年，现任 xxx 公司 xxx...",
  "open_to_work": "开放机会",
  "highest_degree": "本科",
  "experience_years": 5,
  "skills": ["Python", "Django", "PostgreSQL"],
  "suitable_job_roles": ["高级后端工程师", "技术负责人"],
  "tags": ["分布式系统/微服务", "云原生"],
  "experience": [
    {
      "company": "XX科技有限公司",
      "title": "高级后端工程师",
      "start_date": "2021-03",
      "end_date": "9999-12",
      "duration": 5,
      "is_current": 1,
      "description": "负责核心业务系统架构设计与开发..."
    }
  ],
  "education": [
    {
      "school": "北京大学",
      "degree": "本科",
      "field": "计算机科学与技术",
      "start_year": 2015,
      "end_year": 2019,
      "ranking_info": "C9"
    }
  ]
}

评估输出（*_eval.json）——通用模式：

{
  "candidate_info": { "name": "张三", "email": "...", ... },
  "overall_score": 85,
  "overall_level": "良好",
  "dimensions": {
    "completeness": { "score": 80, "comment": "..." },
    "professionalism": { "score": 85, "comment": "..." },
    "skill_match": { "score": 90, "comment": "..." },
    "presentation": { "score": 80, "comment": "..." }
  },
  "recommended_job_roles": ["高级后端工程师", "技术负责人", ...],
  "recommended_skills": ["系统设计", "Kubernetes", ...],
  "highlights": [...],
  "weaknesses": [...],
  "suggestions": [...],
  "summary": "..."
}

评估输出（*_eval.json）——目标岗位匹配模式（--target-role）：

{
  "candidate_info": { "name": "张三", ... },
  "target_role": "高级后端工程师",
  "overall_score": 82,
  "overall_level": "良好",
  "dimensions": { ... },
  "role_fit_analysis": {
    "fit_score": 75,
    "strengths_for_role": ["Python开发经验丰富", "..."],
    "gaps_for_role": ["缺少大规模分布式系统经验", "..."],
    "recommendation": "建议推进面试，关注系统设计能力"
  },
  "recommended_skills": ["系统设计", "微服务架构", ...],
  "highlights": [...],
  "weaknesses": [...],
  "suggestions": [...],
  "summary": "..."
}

邮件输出（*_email.json）：

{
  "candidate_info": {
    "name": "张三",
    "email": "[e-mail]",
    "phone": "13800138000",
    "current_company": "XX科技有限公司",
    "current_position": "高级后端工程师"
  },
  "subject": "高级Python工程师机会 - [公司名称]",
  "greeting": "尊敬的张三：",
  "body": {
    "introduction": "我是XX公司技术招聘负责人...",
    "highlights": ["您在Python后端开发方面的5年经验", "主导的高并发项目成果", "开源社区贡献"],
    "motivation": "我们正在寻找...",
    "closing": "期待与您进一步交流..."
  },
  "signature": "此致\n敬礼\n\n李四\n技术招聘经理",
  "full_text": "完整邮件文本..."
}

总结输出（*_summary.json）：

{
  "candidate_info": {
    "name": "张三",
    "email": "[e-mail]",
    "phone": "13800138000",
    "current_company": "XX科技有限公司",
    "current_position": "高级后端工程师"
  },
  "one_line_summary": "5年经验的Python后端工程师，擅长高并发系统设计",
  "years_of_experience": 5,
  "core_skills": ["Python", "Django", ...],
  "education_summary": "北京大学计算机科学与技术本科",
  "career_trajectory": "从初级工程师成长为高级后端工程师...",
  "key_achievements": [...],
  "industry_domains": ["互联网", "金融科技"],
  "strengths": ["技术深度好", "项目经验丰富"],
  "summary_paragraph": "综合总结..."
}

---

依赖项清单

依赖	版本要求	用途
typer	>= 0.9.0	CLI 命令行框架
llmdog	>= 0.0.3	LLM 调用库，支持 OpenAI 兼容格式
rich	>= 13.0.0	终端美化和格式化输出
fastapi	>= 0.100.0	Web 框架
uvicorn	>= 0.20.0	ASGI 服务器
jinja2	>= 3.1.0	HTML 模板引擎
python-multipart	>= 0.0.5	表单数据解析

间接依赖（由 llmdog 和 typer 引入）：

• requests - HTTP 请求
• tenacity - 重试策略
• pyyaml - YAML 配置解析
• typing-extensions - 类型扩展

---

配置方法详解

LLM API 配置

profile-claw 通过 llmdog 库与 LLM API 通信。配置方式：

1. 环境变量（推荐）

# 必填：API Key
export LLM_API_KEY="your-api-key-here"

# 可选：API URL（默认为 OpenAI 端点）
export LLM_API_URL="https://api.openai.com/v1"

# 可选：默认模型名称
export LLM_MODEL="gpt-4"

# 可选：请求超时时间（秒，默认 60）
export LLM_TIMEOUT=60

# 可选：SSL 证书验证（默认 true）
export LLM_VERIFY_SSL=true

2. 命令行参数

# 逐次指定模型
profile format resume.txt --model gpt-4
profile eval resume.txt -m claude-3-sonnet

3. llmdog 配置文件

llmdog 支持 YAML 配置文件，详见 llmdog 文档。

支持的 LLM 提供商

任何兼容 OpenAI Chat Completions 格式的 API 端点均可使用：

• OpenAI (GPT-4, GPT-3.5)
• Anthropic Claude（通过兼容层）
• Azure OpenAI
• 本地部署的兼容模型（如 Ollama、LM Studio）
• 其他兼容提供商

自定义 Prompt 模板

方式一：使用 init 命令初始化后修改

# 1. 初始化本地 prompt 模板
profile init

# 2. 编辑生成的模板文件
# 修改 profile-prompts/format_prompt.md 等文件

# 3. 后续执行会自动使用本地模板
profile format resume.txt

Prompt 优先级（从高到低）：

1. 显式指定：--prompt 或 --prompt-file 参数
2. 本地文件：profile-prompts/{action}_prompt.md
3. 内置默认：包内 profile_claw/prompts/ 目录

方式二：命令行直接传入

# 直接传入 prompt 内容
profile format resume.txt --prompt "请将简历转为JSON：{content}"

# 传入 prompt 文件
profile format resume.txt --prompt-file my_custom_prompt.md

注意： prompt 模板必须包含 {content} 占位符，运行时会被替换为实际简历内容。eval_role_prompt.md 额外包含 {target_role} 占位符。

Prompt 模板变更日志

版本	变更内容
0.3.0	format_prompt.md 全面替换为新结构化解析规则：新增 candidate_info、bio_summary、open_to_work、tags 等字段；experience/education 改为扁平结构；新增技术标签枚举表
0.3.0	eval_prompt.md 新增 recommended_job_roles（推荐职位）和 recommended_skills（建议技能）字段
0.3.0	新增 eval_role_prompt.md 目标岗位匹配评估模板，含 {target_role} 占位符和 role_fit_analysis 输出
0.3.0	eval_prompt.md、summary_prompt.md、email_prompt.md 统一新增 candidate_info 顶层字段
0.2.0	所有模板统一使用 {content} 占位符

---

扩展性说明

项目架构

src/profile_claw/
├── __init__.py          # 公共 API 导出
├── cli.py               # Typer CLI 命令行界面
├── core.py              # 核心处理逻辑
├── web.py               # FastAPI Web 管理界面后端
├── templates/
│   └── index.html       # Web 管理界面前端（Alpine.js + Tailwind CSS）
└── prompts/
    ├── __init__.py
    ├── format_prompt.md      # 内置格式化 prompt（结构化解析）
    ├── eval_prompt.md        # 内置评估 prompt（通用模式）
    ├── eval_role_prompt.md   # 内置评估 prompt（目标岗位匹配模式）
    ├── email_prompt.md       # 内置邮件生成 prompt
    └── summary_prompt.md     # 内置总结 prompt

核心模块职责：

• core.py：文件读写、prompt 解析、LLM 调用、JSON 清理、输出路径计算
• cli.py：命令行参数解析、命令注册、用户交互
• web.py：FastAPI 后端，prompt CRUD 和 LLM 配置管理 API
• templates/：Web 管理界面 HTML 页面
• prompts/：内置 prompt 模板，与代码逻辑分离

Web API 接口

启动 Web 服务后，可通过以下 API 进行编程管理：

方法	路径	说明
GET	/api/prompts	列出所有 prompt 模板（内置 + 本地）
GET	/api/prompts/builtin/{action}	获取内置 prompt
GET	/api/prompts/local/{filename}	获取本地 prompt
POST	/api/prompts/local	创建本地 prompt
PUT	/api/prompts/local/{filename}	更新本地 prompt
DELETE	/api/prompts/local/{filename}	删除本地 prompt
POST	/api/prompts/local/{filename}/reset	从内置模板重置
GET	/api/config/llm	获取 LLM 配置
PUT	/api/config/llm	更新 LLM 配置
DELETE	/api/config/llm	清除 LLM 配置

请求示例：

# 获取所有 prompt
curl http://127.0.0.1:7070/api/prompts

# 创建本地 prompt
curl -X POST http://127.0.0.1:7070/api/prompts/local \
  -H 'Content-Type: application/json' \
  -d '{"name": "translate", "filename": "translate_prompt.md", "content": "翻译以下简历：{content}"}'

# 更新 LLM 配置
curl -X PUT http://127.0.0.1:7070/api/config/llm \
  -H 'Content-Type: application/json' \
  -d '{"api_key": "sk-...", "api_url": "https://api.openai.com/v1", "model": "gpt-4", "timeout": 60, "verify_ssl": true}'

添加新的处理功能

以添加"翻译（translate）"功能为例：

1. 创建 prompt 模板

在 src/profile_claw/prompts/ 目录创建 translate_prompt.md：

# 简历翻译

请将以下简历翻译成英文，保持专业术语的准确性。

## 简历内容

{content}

2. 注册到 PROMPT_FILES

编辑 src/profile_claw/core.py：

PROMPT_FILES = {
    "format": "format_prompt.md",
    "eval": "eval_prompt.md",
    "email": "email_prompt.md",
    "summary": "summary_prompt.md",
    "translate": "translate_prompt.md",  # 新增
}
ACTIONS = {"format", "eval", "email", "summary", "translate"}  # 新增

3. 添加 API 函数

在 src/profile_claw/core.py 中添加：

def translate_resume(
    input_path: str | Path,
    output_dir: str | Path | None = None,
    prompt: str | None = None,
    prompt_file: str | Path | None = None,
    model: str | None = None,
) -> list[Path]:
    """翻译简历，返回输出文件路径列表。"""
    return process_resume("translate", input_path, output_dir, prompt, prompt_file, model)

4. 添加 CLI 命令

在 src/profile_claw/cli.py 中添加：

from profile_claw.core import translate_resume  # 导入新函数

@app.command()
def translate(
    input_path: Path = typer.Argument(..., help="输入文件或目录路径"),
    output: Optional[Path] = typer.Option(None, "--output", "-o", help="输出目录"),
    prompt: Optional[str] = typer.Option(None, "--prompt", "-p", help="自定义 prompt 内容"),
    prompt_file: Optional[Path] = typer.Option(None, "--prompt-file", "-P", help="自定义 prompt 文件路径"),
    model: Optional[str] = typer.Option(None, "--model", "-m", help="指定 LLM 模型"),
) -> None:
    """翻译简历：将简历翻译成目标语言"""
    _process_action("translate", input_path, output, prompt, prompt_file, model)

5. 导出新函数

在 src/profile_claw/__init__.py 中添加导出：

from profile_claw.core import translate_resume

__all__ = [
    # ... 其他导出
    "translate_resume",
]

修改现有 prompt 模板

方式一：修改内置模板（需要重新安装包）

直接编辑 src/profile_claw/prompts/ 目录下的 .md 文件，然后重新安装：

pip install -e .

方式二：使用本地模板（推荐）

# 1. 初始化本地模板
profile init

# 2. 修改本地模板
# 编辑 profile-prompts/format_prompt.md

# 3. 后续执行自动使用本地模板
profile format resume.txt

---

贡献指南与许可证信息

贡献指南

欢迎贡献代码、报告问题或提出改进建议！

1. Fork 项目 并创建功能分支
2. 编写代码 遵循项目代码风格
3. 添加测试 确保新功能有相应测试覆盖
4. 提交 PR 描述清楚改动内容和原因

开发环境设置：

# 克隆项目
git clone <repo-url>
cd profile-claw

# 创建虚拟环境
python -m venv venv
source venv/bin/activate

# 开发模式安装
pip install -e .

# 运行测试（如有）
pytest

许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件。

---

常见问题

Q: LLM 调用失败怎么办？

检查 LLM_API_KEY 环境变量是否正确设置，以及 API URL 是否可访问。

echo $LLM_API_KEY
curl $LLM_API_URL/models -H "Authorization: Bearer $LLM_API_KEY"

Q: 批量处理时某个文件超时/失败会中断整个任务吗？

不会。当某个文件的 LLM 调用超时、失败或返回 None 时，profile-claw 会自动跳过该文件并在终端输出警告日志，继续处理其余文件。可通过 --timeout 参数调整超时时间。

Q: 批量处理中途断了，如何从断点继续？

使用 --resume 参数，已处理的文件（输出文件已存在）会被自动跳过：

profile format resume_dir/ --resume

如需重新处理所有文件（包括已完成的），使用 --force：

profile format resume_dir/ --force

Q: 如何查看当前使用的 prompt？

使用 init 命令导出内置 prompt 到本地查看：

profile init
cat profile-prompts/format_prompt.md

Q: 支持哪些文件格式？

输入支持：.txt、.json、.md、.markdown 输出格式：JSON（2 空格缩进，中文不转义）