AI 智能体:做了一个求职岗位推荐的 Agent,我让它给我推荐几个 100k 的工作!...

  大家好,我是木川

在当今信息过载的时代,求职者也面临着海量的岗位信息,像 Boss 直聘、智联招聘、猎聘等招聘平台职位众多,求职者可能需要花费大量时间筛选

都知道 AI 智能体很火,那能否实现一个工作流,用 AI 技术来提高寻找求职岗位的效率呢,通过自然语言交互多个平台聚合获取符合条件的岗位

实际上是可以的,我使用 coze 创建了一个智能体,用户只需输入所在的城市和感兴趣的岗位名称等信息,就能够迅速筛选出求职岗位

一、效果演示

ec7bbac695c0f42ab0b43ab8f0432ddf.png d8378c9d5d1f7e7f61b296f97cfd8cc0.png 740cca3cdeb6c716b6e3c51634a9af21.png

二、工作流设计

bdcd2501834f038b829ed1db4ed7de44.png

1、整体流程

8129ae33bdadf84f462c0977e9abe420.png

2、开始模块

59621fc15e8228754cb9881e9d3d0d5e.png

3、信息提取

5b5eb19f6407371d3f05ecf01c1ec2d9.png
角色:变量提取专家

背景:从用户输入{{input}}中提取招聘岗位相关信息

输出格式:变量名称和对应值

输出要求:将用户输入中的信息提取为指定格式的变量

jobName:岗位名称,类型为字符串,比如前端开发,如果未涉及,默认值是不限

city:城市,类型为字符串,比如北京,如果未涉及,默认值是不限

salaryFloor:薪资下限,类型为数字,比如最低20k对应20000,如果未涉及,默认值是0

salaryCap:薪资上限,类型为数字,比如最高30k对应30000,如果未涉及,默认值等于 500000

workYear:工作经验,类型为数字,比如5年工作经验对应5,如果未涉及,默认值是0

eduLeve:学历要求,类型为字符串,比如本科/硕士/博士,如果未涉及,默认值是不限

4、获取岗位

猎聘:

b9e7cefe746d1d54585f4b87b4a1a041.png

智联招聘:

3ec538173147cf960b3fdd14be372058.png

5、信息整合

981ca222977a9eede254bb355d1b3266.png
整理 {{jd1}} 和 {{jd2}},按照表格形式输出岗位,并且要过滤不符合 {{condition}} 要求 的岗位,字段包括城市、公司名称、公司规模、岗位名称、薪资、JD 详情链接,模板如下,每个岗位之间空一行

1、岗位1:公司名称-岗位名称 | 来源

城市:

公司规模:

薪资:

岗位详情链接:

2、岗位2:公司名称-岗位名称 | 来源

城市:

公司规模:

薪资:

岗位详情链接:

6、结束模块

4b39cd3f1666f9afc95eaebfee619b0c.png

三、测试与发布

1ebf5d2e06e591b8136b91976e44789e.png

四、复盘与总结

通过智能体的方式获取求职岗位,或许能提升求职效率,当然这个智能体还有优化的空间,比如接入 boss 直聘的岗位,本文只是提供一个思路,可以结合自己的工作场景进行优化

后台回复【求职推荐】可以体验下这个智能体


今天的分享就到这里了,欢迎加我微信围观高质量朋友圈,还有机会和 500 位 AI 高手一起交流

d6559f7a20ba5dcda6c62bb6234bc37a.png

关注我的星球,分享 AI 技术和读书心得,置顶贴领取价值 399 元 的 AI 大礼包。

c5479af19662b1a93adba93fb1e7b1df.jpeg

资源下载链接为: https://pan.quark.cn/s/ddc62c5d4a5d Windows Mobile 是微软在 0200 年代至 2010 年代初推出的移动操作系统,曾广泛应用于智能手机和平板电脑。开发者可以借助各种库和框架为其开发功能丰富的应用,其中 “32feet.NET” 是一个开源的 .NET 库,专为 .NET Framework 和 .NET Compact Framework 提供蓝牙开发支持。它包含多个命名空间,例如 InTheHand.Devices.Bluetooth、InTheHand.Net.Personal 和 InTheHand.Phone.Bluetooth,用于实现蓝牙设备交互功能。 InTheHand.Devices.Bluetooth 命名空间用于执行基础蓝牙操作,比如扫描附近设备、建立连接以及发现蓝牙服务等。InTheHand.Net.Personal 提供了更高级的功能,例如创建个人区域网络(PAN)、文件传输和串行端口模拟,便于开发者开发跨设备的数据共享应用。而 InTheHand.Phone.Bluetooth 主要针对 Windows Phone 平台,支持蓝牙配对、消息收发和蓝牙耳机控制等功能,不过由于 Windows Mobile 已停止更新,该命名空间更多适用于旧设备或项目。 压缩包中的文件列表看似是维基页面的渲染文件,可能是关于 32feet.NET 的使用教程、API 参考或示例代码。文件名如 13632.html、563803.html 等可能是页面 ID,涵盖蓝牙设备搜索、连接和数据传输等不同主题。 使用 32feet.NET 进行蓝牙开发时,开发者需要注意以下几点:首先,确保开发环境已安装 .NET Framework 或 .NET Compact Framework,以及 32feet.NET
资源下载链接为: https://pan.quark.cn/s/d8a2bf0af1ac Mask R-CNN 是一种在实例分割任务中表现优异的深度学习模型,它融合了 Faster R-CNN 的目标检测功能和 CNN 的像素级分类能力,能够实现图像中每个目标的定位、识别与分割。本指南将指导你如何使用 Mask R-CNN 训练自定义数据集。 你需要准备包含图像(JPEG 或 PNG 格式)和标注文件(XML 或 JSON 格式)的数据集,标注文件需包含物体类别、坐标和掩模信息。数据集应按照 COCO 标准组织,分为训练集、验证集和可选的测试集。可以使用工具如 COCO API 或 labelme 将原始数据转换为 COCO 格式,并确保图像文件名与标注文件名一致且在同一目录下。通常按 8:2 或 9:1 的比例划分训练集和验证集。 从提供的压缩包中安装所需库。运行 pip install -r requirements.txt 安装依赖,包括 TensorFlow、Keras、Cython、COCO API 等。 修改 train_test.py 和 test_model.py 中的路径,使其指向你的数据集目录,确保 ROOT_DIR 指向数据集根目录,ANNOTATION_DIR 指向标注文件所在目录。在 config.py 中根据硬件资源和训练目标调整学习率、批大小、迭代次数等参数。 运行 train_test.py 开始训练。训练时会加载预训练权重并进行微调,期间会定期保存模型,便于评估和恢复。 使用 test_model.py 或 test.py 对模型进行验证和测试。这些脚本会加载保存的模型权重,将其应用于新图像并生成预测结果。 预测结果为二进制掩模,需进一步处理为可读图像。可借助 COCO API 或自定义脚本将掩模合并到原始图像上,生成可视化结果。 若模型性
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值