profile-claw 0.3.4

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）：对简历进行六维度评分分析（完整性、专业性、技能匹配度、呈现效果、工作经历、教育背景），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，批量模式默认输出到输入文件夹同级 {文件夹名}_{action}/ 目录
• 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
• JSON 格式校验：LLM 响应经过 JSON 合法性校验，解析失败时跳过并记录错误，不生成损坏文件
• 补充指令：--extra-prompt / -e 可在最终 prompt 末尾追加额外要求，灵活定制 LLM 行为
• 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

---

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）	-
--extra-prompt	-e	补充指令：追加到最终 prompt 末尾	-

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_dir_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

# 追加补充指令
profile format resume_dir/ -e "请优先提取候选人的开源项目贡献"

评估简历

# 通用评估模式：六维度评分 + 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

# 追加补充指令：引导 LLM 关注特定方面
profile eval resume_dir/ -e "请重点关注候选人的团队管理经验和项目规模"

评估维度（6 个）：

维度	字段名	说明
完整性	completeness	简历各模块信息是否齐全
专业性	professionalism	描述是否规范、量化
技能匹配度	skill_match	技能与行业需求的契合度
呈现效果	presentation	排版、结构和可读性
工作经历	work_experience	工作年限、职位晋升和项目质量
教育背景	education	学历层次、院校和专业相关性

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

# 追加补充指令：指定招聘者身份
profile email resume_dir/ -e "我是 recruiter Michael，负责知名国际公司的大模型首席专家招聘"

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

# 追加补充指令
profile summary resume_dir/ -e "总结中请突出候选人的AI相关经验"

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")

# 带补充指令
stats = profile_claw.generate_email(
    "resume_dir/",
    extra_prompt="我是 recruiter Michael，负责知名国际公司的大模型首席专家招聘",
)

# 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
    extra_prompt: str | None = None,  # 补充指令
    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
    extra_prompt: str | None = None,     # 补充指令
    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，均支持 extra_prompt 参数。

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
extra_prompt	str | None	补充指令，追加到最终 prompt 末尾，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": "..." },
    "work_experience": { "score": 85, "comment": "..." },
    "education": { "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": {
    "completeness": { "score": 80, "comment": "..." },
    "professionalism": { "score": 85, "comment": "..." },
    "skill_match": { "score": 88, "comment": "..." },
    "presentation": { "score": 78, "comment": "..." },
    "work_experience": { "score": 82, "comment": "..." },
    "education": { "score": 80, "comment": "..." }
  },
  "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，支持任何兼容 OpenAI Chat Completions 格式的 API 端点。

配置优先级

配置按以下优先级生效（从高到低）：

优先级	配置方式	说明
1（最高）	命令行 --model 参数	仅覆盖模型名称，单次生效
2	环境变量	当前终端会话生效
3	llmdog 配置文件	~/.llmdog/config.yaml 全局生效
4（最低）	内置默认值	见下表默认值列

Web 管理界面说明： 通过 profile web 启动的 Web 界面提供 LLM 配置面板，其本质是写入当前进程的环境变量。Web 界面配置仅在当前会话有效，重启后需重新设置。如需持久化配置，请使用环境变量（写入 ~/.bashrc 或 ~/.zshrc）。

1. 环境变量配置（推荐）

变量名	必填	默认值	说明
LLM_API_KEY	是	-	API 密钥，各提供商获取方式不同
LLM_API_URL	否	https://api.openai.com/v1	API 端点地址
LLM_MODEL	否	llmdog 默认模型	默认使用的模型名称
LLM_TIMEOUT	否	60	HTTP 请求超时时间（秒）
LLM_VERIFY_SSL	否	true	是否验证 SSL 证书，本地/内网模型可设为 false

基本配置（写入 shell 配置文件持久化）：

# 添加到 ~/.bashrc 或 ~/.zshrc
export LLM_API_KEY="your-api-key-here"
export LLM_API_URL="https://api.openai.com/v1"   # 可选，默认为 OpenAI
export LLM_MODEL="gpt-4"                          # 可选
export LLM_TIMEOUT=60                             # 可选
export LLM_VERIFY_SSL=true                        # 可选

临时配置（仅当前终端会话）：

# 在同一行设置并运行
LLM_API_KEY="sk-xxx" LLM_MODEL="gpt-4" profile format resume.txt

2. 常见 LLM 提供商配置示例

OpenAI

export LLM_API_KEY="sk-xxxxxxxxxxxxxxxx"
export LLM_API_URL="https://api.openai.com/v1"
export LLM_MODEL="gpt-4"

DeepSeek

export LLM_API_KEY="sk-xxxxxxxxxxxxxxxx"
export LLM_API_URL="https://api.deepseek.com/v1"
export LLM_MODEL="deepseek-chat"

Azure OpenAI

export LLM_API_KEY="your-azure-api-key"
export LLM_API_URL="https://YOUR_RESOURCE_NAME.openai.azure.com/openai/deployments/YOUR_DEPLOYMENT_NAME"
export LLM_MODEL="gpt-4"

Ollama 本地模型

# 先启动 Ollama 服务：ollama serve
export LLM_API_KEY="ollama"                          # Ollama 不校验 Key，填任意非空值
export LLM_API_URL="http://localhost:11434/v1"
export LLM_MODEL="llama3"
export LLM_VERIFY_SSL=false                          # 本地服务无需 SSL 验证

LM Studio 本地模型

# 先在 LM Studio 中启动 Local Server
export LLM_API_KEY="lm-studio"                       # 填任意非空值
export LLM_API_URL="http://localhost:1234/v1"
export LLM_MODEL="local-model"                       # LM Studio 自动选择已加载模型
export LLM_VERIFY_SSL=false

其他兼容端点（通义千问、Moonshot 等）

# 通义千问（DashScope）
export LLM_API_KEY="sk-xxxxxxxxxxxxxxxx"
export LLM_API_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"
export LLM_MODEL="qwen-plus"

# Moonshot（Kimi）
export LLM_API_KEY="sk-xxxxxxxxxxxxxxxx"
export LLM_API_URL="https://api.moonshot.cn/v1"
export LLM_MODEL="moonshot-v1-8k"

3. 命令行参数

命令行 --model / -m 参数可在每次执行时临时指定模型，覆盖环境变量中的 LLM_MODEL：

# 使用环境变量中的 API 配置，但指定不同模型
profile format resume.txt --model gpt-4
profile eval resume.txt -m deepseek-chat
profile summary resume.txt --model llama3 --timeout 120

注意： 命令行仅支持指定 --model 和 --timeout，API Key 和 URL 需通过环境变量或 llmdog 配置文件设置。

4. llmdog 配置文件

llmdog 支持 YAML 配置文件，路径为 ~/.llmdog/config.yaml：

# ~/.llmdog/config.yaml
api_key: "sk-xxxxxxxxxxxxxxxx"
api_url: "https://api.openai.com/v1"
model: "gpt-4"
timeout: 60
verify_ssl: true

配置文件适合设置全局默认值，环境变量可在此基础上按会话覆盖。详细配置项参见 llmdog 文档。

5. 配置验证与连通性测试

设置完成后，建议按以下步骤验证配置是否正确：

Step 1：检查环境变量是否已设置

echo "API Key: ${LLM_API_KEY:0:8}..."   # 仅显示前 8 位
echo "API URL: $LLM_API_URL"
echo "Model:   $LLM_MODEL"

Step 2：测试 API 连通性

# 使用 curl 直接测试 API 端点（以 OpenAI 为例）
curl -s "$LLM_API_URL/models" \
  -H "Authorization: Bearer $LLM_API_KEY" | head -c 200

# 若返回模型列表 JSON，说明 API Key 和 URL 配置正确
# 若返回 401 Unauthorized，说明 API Key 无效或已过期
# 若连接超时，检查 URL 是否正确、网络是否畅通

Step 3：使用 profile-claw 实际测试

# 准备一个测试文件
echo "张三\n电话: [phone]\n教育: XX大学 2020-2024" > /tmp/test_resume.txt

# 执行格式化，观察输出
profile format /tmp/test_resume.txt --verbose

# --verbose 会显示 DEBUG 级别日志，包括：
# - 实际使用的 model、url
# - LLM 调用耗时
# - 具体错误信息（如有）

6. 常见配置问题排查

错误信息	可能原因	解决方法
❌ 未提供 API Key	未设置 LLM_API_KEY 环境变量	export LLM_API_KEY="your-key"
401 Unauthorized	API Key 无效、过期或复制不完整	重新生成/复制 API Key，注意首尾无空格
Connection refused	API URL 错误或本地服务未启动	检查 URL；Ollama 需先执行 ollama serve
Connection timed out	网络不通或 URL 错误	检查网络连接和代理设置；确认 URL 可访问
SSL: CERTIFICATE_VERIFY_FAILED	SSL 证书验证失败	设置 export LLM_VERIFY_SSL=false（内网/本地模型）
LLM 调用超时（60s）	模型响应过慢	增大超时：--timeout 120 或 export LLM_TIMEOUT=120
LLM 返回 None	API 返回异常或 Key 权限不足	检查 Key 权限；用 --verbose 查看详细日志
404 Not Found / model not found	模型名称错误	通过 API /models 端点查询可用模型列表

开启详细日志排查：

# 使用 --verbose 显示完整 LLM 调用参数
profile format resume.txt --verbose

# 输出示例：
# DEBUG  开始调用 LLM (timeout=60s, model=gpt-4, prompt长度=3487字符)
# DEBUG  chat() 调用参数: backend=llmapi model=gpt-4 url=https://api.openai.com/v1/...
# DEBUG  LLM 调用完成，耗时 3.2s

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	eval_prompt.md、eval_role_prompt.md 新增 work_experience（工作经历）和 education（教育背景）两个评估维度，共六维度
0.3.0	新增 --extra-prompt / -e 通用补充指令选项，支持在所有命令中追加 LLM 额外要求
0.3.0	批量模式默认输出目录变更为输入文件夹同级 {文件夹名}_{action}/
0.3.0	LLM 响应新增 JSON 格式合法性校验，解析失败时跳过并记录错误
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

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: LLM 返回的 JSON 格式损坏怎么办？

profile-claw 会对 LLM 响应进行 JSON 合法性校验。如果解析失败，该文件会被跳过并记录错误，不会生成损坏的输出文件。失败的文件会显示在终端警告中，可通过 --resume 重新处理失败文件。

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）