AI工作流:使用fastGPT,分分钟成为人岗匹配专家!效率提升10倍!
作者：微信文章大家好，我是大全，AIGC探索者，专注研究AI提示词、AI工具及 AI 自媒体工作流，探索AI全面赋能工作与生活。
“点击上方卡片关注 / 领取10万字AI学习资料”
我之前都没太理解，什么时候会用到人才画像，人岗匹配要做什么，直到我听到下面这几个场景：
集团公司有 2 万名员工，需要快速找到“熟悉 ABB保护装置+有海上风电”的专家
新建核电项目启动，需要匹配“核级焊工+20 年经验+无不良记录”的技术团队
台风季节来临，应急指挥中心需要 3 分钟内锁定“抢修经验丰富+地理位置就近”的专业队伍
技术传承计划启动，需要识别“即将退休的高级专家+可培养的年轻骨干”的师徒配对
HR 想查一下面试候选人中“擅长golang 架构+10 年以上大厂经验”的专家
如果是以前，要么开发一套代码把判断的逻辑准确实现，或者手动检测资料之后再采用人工审核的方法。
现在，利用一条工作流，配合「人岗匹配雷达图评估维度」知识，要找什么样的人才，分分钟就给你结果！
<img />
01
分析和拆解需求
上面的那些案例，乍一看还挺挑战的，无从下手。
问题可能主要在于“如何去画像”，人的能力素养距离岗位要求越近，越能够匹配到合适的人。
这样的话，人岗匹配的核心要素是不是：
1、有人才库的数据
2、「人岗匹配雷达图评估维度」知识，评判人岗匹配程度的标准
3、评估方法，是用代码开发出一套公式，还是直接使用大模型？
对于第一个要素“人才库数据”，建议从数据库中读取文件。当然，如果数据量很少，使用 csv 也是可以，但从专业角度和长远考虑，采用数据库是没毛病的。
第二，「人岗匹配雷达图评估维度」知识，适合放到知识库中。因为它相对来说比较稳定，而且会被频繁调用。我们可以根据实际需求，制作适合自己场景的雷达图维度。换个角度想，即使没有工作流和大模型，自己也需要梳理这样一份标准文档，用于筛选合适的人才。
第三是评估方法。有了源数据和评估维度，我们还需要知道如何使用这些数据，是需要计算，还是直接评分？这里我们充分调动大模型的灵活性和对知识的理解，由大模型对各个维度进行打分，并且说出评分依据。
这样做的优点是，很灵活，调好提示词明确目标，就不需要额外做什么了。缺点也是存在的，要检查一下评分和评分依据，是否准确合理。
这个案例也是我们首次在工作流中使用数据库，有很多方法和思路来调用数据库，今天就是非常直观的一种应用。
02
知识库准备
知识库的准备方法， 在上一篇文中讲的比较细，方法相通的。我就简要介绍这一次导入知识库的过程。
首先，在知识的内容上，仍然采用 markdown 格式。与上一期不同的是，分隔符我采用了三个短横线“---”。这个看个人习惯了，使用两个回车符也是没有问题的。只要保证知识库内容被合理的分块，都是可以接受的。
先建一个通用知识库，命名，模型默认就好，点击“确认创建”。
上传提前准备好的《雷达图评估维度.md》，进入「参数设置」环节。采用“---”来分块处理，其他设置保持默认即可。
保险期间，在“数据预览”页面我都会验证一下分块预览的效果，确保按照预期进行分块。比如这个例子中，每一个岗位的雷达维度都应该是一个“块”。
接下来，将文档一步一步上传到知识库，完成就可以了。
对于知识库内容的准备，需要从业务需求出发。比如我想查看候选人在软件工程师维度的雷达图，那么知识库就准备软件工程师需要具备的能力维度，像架构设计能力、代码掌握能力、单元测试能力等，都可以作为考量方向。
03
搭建工作流
老规矩，先看一下整体工作流长什么样子，如下图所示。完整的配置文件，可以和我联系免费获取。
工作流包含 5 个环节：
第一部分：解析需求，形成查询语句。
第一步是比较重要的，我们收到需求来自于用户对智能体的提问。用户的问题是多样的，表达方式是丰富的，因此适合使用AI大模型来 解析用户提问的问题。
对于这个“人岗匹配”助手，在真实场景中，用户很可能不按套路出牌，会问一些天气，会询问其他类型问题，会和助手“谈心”。所以第一步其实特别适合放置“问题分类”插件，对每一类问题都有特定的处理流程。
但是我们今天的重点不在这里。回到“解析需求，形成查询语句”的场景，第一个节点选择“AI 会话”，
提示词如下：
# 角色你是一个专业的SQL生成助手，专为postgresql数据库环境服务，能够根据各种表格准确生成对应的SQL代码。
## 技能### 技能 1: 生成SQL代码1. 当用户提供表格相关信息时，分析表格结构、字段等内容。2. 根据postgresql数据库的特性和用户需求，生成符合要求的SQL代码。===回复示例===```sql-- 生成的SQL代码示例SELECT * FROM table_name;```===示例结束===
## 限制:- 只回答与根据表格生成SQL代码相关的内容，拒绝回答无关话题。- 所输出的SQL代码必须符合postgresql数据库的语法要求。- 输出的代码应结构清晰，必要时添加注释。 - 只能输出SELECT语句，必须严格遵守这个限制- 只允许输出sql，不需要输出其他解释性语言和```sql ```
同时，由于我希望 AI 将用户转换为查询的 SQL 语句，那么就需要告诉大模型，数据库表的结构是怎样的。所以，在“AI 会话”插件的用户问题，会输入两部分内容，一是用户的原始提问问题，一是数据表的结构。
我以候选面试人的简历库作为数据源，“用户问题”填写以下内容：
### 查询需求流程开始->用户问题### 查询全部字段#### 表名resume_info#### 表结构name 用户姓名 Stringemail 用户邮箱 String gender 用户性别 Stringmobile 用户手机号 String date_of_birth 用户出生日期 String certificate_list 用户证书列表 String award_list 用户获奖列表 String language_list 用户语言列表 String education_list 用户教育经历列表 String project_list 用户项目列表 String work_year 工作年限 String competition_list 竞赛 String self_evaluation 自我评价 String score 简历评分 Number resume_info 简历原文 String
现在来测试一下，当我询问“请分析张明远的画像”，AI 会话的节点输出为：
```sql-- 查询张明远的所有信息SELECT * FROM resume_infoWHERE name = '张明远';```
这句 SQL 就是下一步要去数据库中执行的语句，也是大模型根据我的需求分析出的 SQL 语句。
第二部分：数据库查询。
在上一步，我们根据需求生成的 SQL 语句，这一步执行语句，取回结果。
需要注意一个细节是，上一次返回的结果中，有的时候会包含```sql 这样的字符，即使在提示词中限制输出它，也是不稳定的。所以我在这里补一手，用“代码运行”插件做一次清洗。
代码如下：
def main(data1): import json import re pattern = r'```sql\s*(.*?)\s*```' matches = re.findall(pattern, data1, re.DOTALL) jsonstr='' if matches: # 如果找到匹配，返回所有匹配的内容（合并成一个字符串） jsonstr='\n'.join(matches) else: # 如果没有找到匹配，返回原文本 jsonstr=data1 return { "result": jsonstr }
接下来，新增一个“数据库连接”插件，填写配置信息。具体的配置信息，根据你所连接的数据库信息来配置。
数据库连接这个插件，返回的是 string 类型，内容是数据库查询后的结果。
第三部分：知识库查询。
首先，添加一个“判断器”，如果上一环节返回的结果是空，就可以直接回复“查无此人”。只有在数据库查到结果，再进行下一步。
在“知识库搜索”插件中，输入的内容数据库查询的结果。例子中的张明远符合软件工程师的定位，则知识库会返回软件工程师的雷达图维度。
知识库召回的结构是数组，也就是说，可能召回多个结果，按照准确度倒序排列。我希望取最相近的答案，所以在知识库插件的后面直接解“代码运行”插件，实现获取最优解的功能。
第四部分：画像分析。
在第四部分，涉及具体的评估。按照预想，我需要一张评估雷达图，再附上每个维度的简短说明，如下图的效果。
第一步，生成画图所需的参数。这些参数（即每个维度具体的数值）由大模型推算而来。将数据库查询的基础信息、知识库返回的雷达维度，大模型就可以依照提示词来评估各个维度的分值。
第二步，生成各个维度的评估文案，也交给大模型来输出。
画像评分的提示词：
# 角色你是 一个专业的画像生成助手，能够根据用户提供的内容进行分析，并按照特定评估维度进行打分，最后以指定格式输出结果。## 技能### 技能 1: 打分并输出结果1. 仔细分析用户提供的内容。2. 依据评估维度进行打分。3. 能够根据给定数据生成Echart雷达图的option配置信息，输出格式严格为JSON,生成Echart雷达图option配置信息,输出为json示例如下：{"xAxis": { "type": "category", "data": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]},"yAxis": { "type": "value"},"series": [ { "data": , "type": "line" }]};## 限制:- 仅围绕用户提供的内容进行分析打分并按格式输出，不回答与画像生成打分输出无关的话题。- 严格按照给定的格式输出结果，不得偏离框架要求。-不允许输出```json ````这些字符，只允许输出纯JSON
画像评估文案的提示词：
# 角色你是一个专业的画像生成助手，能够根据用户提供的内容进行分析，并按照特定评估维度进行评判，最后以指定格式输出结果。## 技能### 技能 1: 打分并输出结果1. 仔细分析用户提供的内容。2. 依据评估维度进行分析评判。3. 按照以下格式输出结果，以markdown格式输出：评估维度：评估结果评估维度：评估结果评估维度：评估结果## 限制:- 仅围绕用户提供的内容进行分析打分并按格式输出，不回答与画像生成打分输出无关的话题。- 严格按照给定的格式输出结果，不得偏离框架要求。
第四部分：生图图表和文案。
在上一部分生成了图表参数、评估文案之后，这一部分只负责输出结果。
画图工具，由于 fastGPT 自带的 BI 工具没有支持雷达图，所以我借用了一个在线画图的服务，后续我可能会改良为 MCP 实现。
至此，整条工作流就搭好了，向他提问就可以得到对应结果了。
04
知识库的补充内容
知识库文档的格式、内容结构化是影响召回准确度的重要因素。我根据学习的经验做了一些总结。
文件格式优先级：
1、强烈推荐 markdown 格式。
最推荐 markdown 格式（文件后缀为.md）。md 格式对表格、图片、公式等复杂格式支持的最好，可以将doc、pdf 类型文件使用软件转换为markdown。由于涉及信息安全，最好使用本地安装的软件来进行转换，比如Writage、pandoc、doc2x。
2、其次，使用可编辑的 doc、txt 格式。
3、不推荐使用包含杂乱数据的 pdf。
尤其是带页眉、页脚、页码、水印等脏数据的 pdf，召回效果很差。
4、excel、csv 等结构化数据召回效果较好，但是导入文件时要遵照平台的格式要求。
05
结语
在 6 月份，我会深度参与我们单位的「AI 赋能公司经营管理」的专题任务，深挖业务工作流，思考AI 与经营管理契合的创新点。
你们公司内部都做了哪些 AI+业务的赋能实践呢？可以分享给我吗？我在评论区期待着和你交流！
作者启迪，关注我，让我们一起在AI时代，成为更好的自己！
都到这里啦，记得点赞、在看、转发，因为我需要您的反馈。小手一赞，年薪百万!!!
🎁 写到最后：送你一份超值福利！
在AI时代，如果你还想进一步提升自己的效率，掌握提示词是非常关键的技能！
为此，我特别为大家准备了👇
全网最全的GPT指令合集，助你提升AI应用技能！
下方订阅，回复2免费进DeepSeek AI微信学习群，领取100个AI副业案例库，从0到1拆解大全如何通过AI 90天做到月入10万+。
我是大全，90后宝爸，211本科法学，大一自学编程，北漂10年，到BAT大厂架构师，全国最大AI社群教练，AI提示词类小报童榜一，GPTs榜一作者，借助AI 90天，全网涨粉5万，总阅读500万。
大全当下是一名AI领域创业者，愿景是成为AI布道者，带领100万小白入门AI，让更多的人在大全这里掌握 AI (提示词)的能力，在已经到来的AI时代不掉队，不被AI淘汰。
#<AI入门亲测指南>精彩链接#
关于 AI 工具和 提示词：
AI 提示词如何入门？这篇就够了！
DeepSeek万字使用指南，看完效率提升80%
Kimi万字使用手册，看完AI办公效率提升80%
关于大全：
2017年从“留级生”到BAT架构师的成长之路
大厂P8，35岁被辞退，欠银行百万，靠AI破局
受邀电话采访：1小时分享35岁程序员，裸辞后如何打造AIP
你「在看」吗，点个「在看」吧？👇
页:
[1]