从Java转行大模型应用，Python + LangChain + 大模型 + Streamlit 生成简历与智能分析实战

这是一个开箱即用、完整可运行的实战项目实现两大核心功能AI 智能生成简历基于个人信息自动生成专业简历简历智能分析 可视化评分、关键词匹配、优势 / 短板分析、图表展示技术栈Python 3.9Streamlit前端界面LangChain大模型调用、Prompt 管理大模型通义千问 / 文心一言 / 讯飞星火 / OpenAI本案例用通义千问Pandas Matplotlib数据可视化一、项目结构resume_analyzer/ ├── app.py # 主程序Streamlit LangChain └── requirements.txt # 依赖包二、安装依赖requirements.txtstreamlit1.32.0 langchain0.1.0 langchain-community0.0.10 matplotlib3.8.0 pandas2.2.0 python-dotenv1.0.0安装命令pip install -r requirements.txt三、主程序代码直接复制运行app.pyimport streamlit as st import matplotlib.pyplot as plt import pandas as pd from langchain.llms import Tongyi from langchain.prompts import PromptTemplate from langchain.chains import LLMChain import os from dotenv import load_dotenv # 加载环境变量可选 load_dotenv() # -------------------------- # 1. Streamlit 页面配置 # -------------------------- st.set_page_config( page_titleAI 简历生成与分析工具, page_icon, layoutwide ) st.title( AI 简历生成与智能分析可视化工具) st.markdown(---) # -------------------------- # 2. 初始化大模型通义千问 # -------------------------- def init_llm(): # 替换成你的 API-KEY api_key st.secrets.get(DASHSCOPE_API_KEY, os.getenv(DASHSCOPE_API_KEY, )) if not api_key: st.warning(请配置通义千问 API Key) st.stop() llm Tongyi( modelqwen-turbo, # 通用模型 temperature0.7, # 生成灵活度 api_keyapi_key ) return llm llm init_llm() # -------------------------- # 3. 定义 AI 模板生成简历 分析简历 # -------------------------- # 模板1生成专业简历 resume_gen_prompt PromptTemplate( input_variables[name, gender, age, phone, email, education, experience, skills, job_target], template 你是一名专业的HR简历优化师请根据以下信息生成一份结构清晰、专业、求职通过率高的简历 个人信息 姓名{name} 性别{gender} 年龄{age} 电话{phone} 邮箱{email} 学历{education} 工作经历{experience} 技能{skills} 求职意向{job_target} 要求 1. 格式规范个人信息、教育背景、工作/项目经历、专业技能、自我评价 2. 语言专业、简洁、突出亮点 3. 适配求职岗位需求 4. 直接输出简历内容不要多余解释 ) # 模板2简历智能分析 resume_analyze_prompt PromptTemplate( input_variables[resume, job_target], template 你是专业的简历分析师请对这份简历进行深度分析并严格按照以下格式输出结果 简历内容 {resume} 求职岗位{job_target} 分析要求必须按格式输出 1. 简历总分0-100分 2. 匹配度与目标岗位匹配百分比 3. 优势3条 4. 短板3条 5. 优化建议3条 输出格式示例 总分85 匹配度80% 优势1.xxx 2.xxx 3.xxx 短板1.xxx 2.xxx 3.xxx 优化建议1.xxx 2.xxx 3.xxx ) # 创建链 gen_chain LLMChain(llmllm, promptresume_gen_prompt) analyze_chain LLMChain(llmllm, promptresume_analyze_prompt) # -------------------------- # 4. 解析 AI 分析结果 # -------------------------- def parse_analysis(result): try: lines result.strip().split(\n) score int([l for l in lines if 总分 in l][0].split()[1]) match [l for l in lines if 匹配度 in l][0].split()[1] advantages [l for l in lines if 优势 in l][0].split()[1].split( ) shortages [l for l in lines if 短板 in l][0].split()[1].split( ) suggests [l for l in lines if 优化建议 in l][0].split()[1].split( ) return { score: score, match: match, advantages: [a for a in advantages if a], shortages: [s for s in shortages if s], suggests: [s for s in suggests if s] } except: return None # -------------------------- # 5. 可视化图表 # -------------------------- def show_charts(score, match_rate): col1, col2 st.columns(2) with col1: st.subheader( 简历评分) fig, ax plt.subplots(figsize(5,3)) ax.bar([简历评分], [score], color#4CAF50, width0.5) ax.set_ylim(0, 100) ax.set_ylabel(分数) st.pyplot(fig) with col2: st.subheader( 岗位匹配度) rate int(match_rate.replace(%, )) fig, ax plt.subplots(figsize(5,3)) ax.pie([rate, 100-rate], labels[匹配, 不匹配], autopct%1.1f%%, colors[#2196F3, #f0f0f0]) st.pyplot(fig) # -------------------------- # 6. 主界面交互逻辑 # -------------------------- tab1, tab2 st.tabs([✅ AI 简历生成, 简历智能分析]) # # Tab1AI 简历生成 # with tab1: st.header(生成专业简历) col_left, col_right st.columns(2) with col_left: name st.text_input(姓名) gender st.selectbox(性别, [男, 女]) age st.text_input(年龄) phone st.text_input(电话) email st.text_input(邮箱) with col_right: education st.text_input(学历/毕业院校) job_target st.text_input(求职意向如Python 开发) skills st.text_area(技能用逗号分隔) experience st.text_area(工作/项目经历) if st.button( 生成简历, typeprimary): if not all([name, job_target]): st.error(姓名和求职意向不能为空) else: with st.spinner(AI 正在生成简历...): resume gen_chain.run( namename, gendergender, ageage, phonephone, emailemail, educationeducation, experienceexperience, skillsskills, job_targetjob_target ) st.subheader( 生成完成) st.markdown(resume) st.download_button( 下载简历, dataresume, file_namef{name}_简历.txt, mimetext/plain) # # Tab2简历智能分析 可视化 # with tab2: st.header(简历智能分析与可视化) resume_text st.text_area(粘贴你的简历内容, height200) job_target st.text_input(目标求职岗位) if st.button( 开始分析, typeprimary): if not resume_text or not job_target: st.error(简历和岗位不能为空) else: with st.spinner(AI 正在分析简历...): # 调用分析 result analyze_chain.run(resumeresume_text, job_targetjob_target) data parse_analysis(result) if data: st.success(分析完成) st.markdown(f# 总分{data[score]} 分) st.markdown(f## 岗位匹配度{data[match]}) # 展示可视化 show_charts(data[score], data[match]) # 展示文字分析 col1, col2, col3 st.columns(3) with col1: st.subheader(✅ 优势) for item in data[advantages]: st.write(f- {item}) with col2: st.subheader(⚠️ 短板) for item in data[shortages]: st.write(f- {item}) with col3: st.subheader( 建议) for item in data[suggests]: st.write(f- {item}) else: st.error(解析失败请重试)四、配置大模型 API Key本项目使用阿里云通义千问免费额度足够测试打开 阿里云百炼平台注册 → 开通 API → 获取DASHSCOPE_API_KEY运行方式 1命令行配置# Windows set DASHSCOPE_API_KEY你的key # Mac/Linux export DASHSCOPE_API_KEY你的key运行方式 2Streamlit 密钥推荐创建.streamlit/secrets.tomlDASHSCOPE_API_KEY 你的通义千问API Key五、启动项目streamlit run app.py自动打开浏览器http://localhost:8501六、功能演示简历生成填写个人信息 → 一键生成专业简历 → 支持下载简历分析粘贴简历 → 输入目标岗位 → AI 自动评分、匹配度、优势短板可视化图表柱状图评分 饼图岗位匹配度七、扩展优化可选你可以轻松扩展以下功能支持PDF/Word 简历上传解析接入OpenAI / 文心一言 / 讯飞星火生成PDF 格式简历增加行业简历模板库对接招聘网站 JD 自动匹配总结这是一个完整企业级实战案例涵盖Streamlit 前端界面开发LangChain 大模型调用与 Prompt 工程大模型实际业务应用Matplotlib 数据可视化完整可部署的工具项目