用于自动填充职位筛选器的 AI

数据驱动数据库赋能 AI 自动填充求职筛选条件

求职者在 HeadHunter、SuperJob、Zarplata.ru 和 TrudVsem 等平台上常常为筛选条件烦恼。数据分析显示，用户打开筛选面板，随手输入信息，结果要么是成千上万的保洁岗位，要么是空空如也的列表，然后直接放弃。各种修复方案如添加提示语、必填字段和高亮显示都失败了：转化率反而下降，用户要么被吓跑，要么输入“工作”这种乱七八糟的内容。

关键洞察：问题出在复杂性上。每个平台对城市（HeadHunter 有 1600 个带 ID 的城市，SuperJob 有自己的编码）、专业方向、工作经验等都有独特的 ID。将完整词典塞进大模型，一次查询就要 14 万 token（25–40 卢布），还容易幻觉或直接破产。

数据驱动 AI 流水线架构

解决方案利用现有数据库，包含 job_filters、job_filter_options、job_service_filters、city_master 和 city_source_map 等表。这些表将标准值映射到平台特定 ID（例如，Moscow：HeadHunter=1，SuperJob=4）。

系统自动分类标记为 is_ai_eligible = true 的筛选条件：

• 小词典（≤30 个选项）：工作经验（noExperience、“无经验”，between1And3、“1-3 年”）、就业形式（FULL、“全职”，PART、“兼职”）。直接送入提示词（约 400 token）。
• 大词典（>30 个）：城市、专业。模型输出文本（如“Moscow”），代码从数据库解析 ID。
• 自由文本：如“Python 后端开发工程师”。
• 数字：薪资，从简历或模型提取。

提示词动态从数据库生成。例如：

== 多选筛选 ==
experience: noExperience="无经验", between1And3="1-3 年"
employment_form: FULL="全职"

== 词典字段 ==
city_name: "Moscow"

== 文本字段 ==
text: 2-8 个词

输入：简历摘要（技能、经验）、期望职位、目标平台。输出——无 ID 的 JSON：

{
  "text": "Python 后端开发工程师",
  "area_name": "Moscow",
  "experience": "between1And3",
  "salary": {"from": 250000}
}

处理阶段与解析

阶段 1：提示生成与模型调用

BuildSearchFiltersPromptTask 组装指令。大模型（GigaChat）解析用户意图，从小词典挑选，从大词典提取名称。

阶段 2：代码后处理

• 解析：SearchCitiesAction 在 city_master 中查找“Moscow”，通过 city_source_map 映射 ID。
• 适配：将 between1And3 转换为平台 API 格式。
• 组装：unified_filters + filter_labels 供前端使用。

结果：所有平台的预填充筛选条件。用户审核后保存。

可扩展性：新增平台/筛选——只需更新数据库数据，提示和流水线自动适配。

性能指标

| 方案 | Token 数 | 单次查询成本 | 准确率 |

|------|----------|--------------|--------|

| 朴素（全词典） | 140,000 | 25–40 卢布 | 低（幻觉） |

| 数据驱动 | 850 + 150 | 0.1 卢布 | 高（数据库解析） |

节省：150 倍。搜索跳出率下降，付费功能平均用户收入上升。

核心要点

• 职责分离：大模型负责语义，数据库处理 ID 映射——减少 token 和错误。
• 自动分类：30 个选项阈值动态调整；新筛选无代码接入。
• JSON 输出：严格格式简化解析。
• 扩展性：轻松应对数千用户，无成本激增。
• 用户体验：自动填充降低门槛。

— Editorial Team