from rpa.rpa_main import resume_person

Boss直聘自动招聘沟通机器人

RPA 做"手脚"(网页读取/输入/点击), Python 做"大脑"(拼 prompt / 调大模型 / 解析决策 / 维护会话状态)。

RPA 抓未读消息+对话+简历  ──HTTP POST /reply──▶  Python 服务  ──▶  大模型
RPA 发送回复 / 发地址  ◀──JSON──  (answer + rpa_action)

快速开始

pip install -r requirements.txt
cp .env.example .env      # 生产默认 LLM_PROVIDER=aliyun，填 API key
python run.py             # 启动在 http://127.0.0.1:8000

打开 http://127.0.0.1:8000/docs 可看交互式接口文档。

/reply 工作流

flowchart TD
    RPA["RPA POST /reply"] --> Route["routes.py: reply()"]
    Route --> Pipeline["pipeline.py: handle_reply()"]
    Pipeline --> ReadSession["读 SQLite: stage / turns / resume"]
    ReadSession --> MergeResume["合并本轮 resume"]
    MergeResume --> HasResume{有 resume?}
    HasResume -->|是| ScoreResume["scoring.py: score_resume()"]
    ScoreResume --> ScorePass{score >= 60?}
    ScorePass -->|否| LowScoreReturn["返回过滤话术，不调模型"]
    ScorePass -->|是| BuildPrompt["prompt.py: build_messages()"]
    HasResume -->|否| BuildPrompt
    BuildPrompt --> Generate["调 LLM + json_repair 解析"]
    Generate --> AdvanceStage["推进 stage，写回 SQLite"]
    AdvanceStage --> Response["返回 answer + reason.rpa_action"]

Loading

接口

POST /reply (RPA 主接口)

请求体:

{
  "candidate_id": "boss_user_12345",
  "conversation": "RPA 抓取的当前窗口全部可见对话文本",
  "resume": "",
  "job_id": "ecommerce_ops_suzhou",
  "job_requirement": "",
  "company_info": "",
  "trigger": "auto",
  "last_message_from": "candidate"
}

job_id 从 jobs.yaml 加载 JD/公司信息；也可继续直接传 job_requirement / company_info。
stage 不由 RPA 传，由 Python 按 candidate_id 从 SQLite 读取/维护。

响应体:

{
  "answer": "回复文本",
  "need_resume_ocr": false,
  "reason": {
    "rpa_action": "skip | request_resume | reply_message | send_company_address",
    "basis": "依据说明",
    "next_stage": "了解动机"
  }
}

RPA 按 reason.rpa_action 分支：

rpa_action	影刀动作
skip	不操作，下一候选人
request_resume	可选发送 answer，点击「求简历」
reply_message	键盘输入 answer
send_company_address	执行发地址预设

need_resume_ocr=true 且 resume 为空时，影刀才执行「点附件简历 → OCR → 带 trigger=after_resume_ocr 再调 /reply」。

有 resume 时，评分与回复合并为 一次 LLM 调用；相同简历不重复评分（SQLite 缓存 resume_score）。对话指纹相同则 skip，避免重复回复。

POST /reset (调试用)

{ "candidate_id": "boss_user_12345" }

清除该候选人会话状态, 联调时重来用。

影刀集成

完整的逐节点改造清单（对照旧流程）与 Python/JS 参考代码见 rpa/RPA.md：

• rpa/extract_candidates.js — 循环外一次抓取候选人列表
• rpa/extract_chat.js — 循环内一次 JS 抓取对话与元数据
• rpa/rpa_main.py — 统一单循环 /reply 调用（接口异常自动降级 skip）
• rpa/rpa_after_ocr.py — OCR 完成后二次调用

影刀 Python 请求示例

import requests
candidate_id = ""
all_chat_text = ""
resume_person =  ""
current_job_id = ""
last_message_from = "candidate"
payload = {
    "candidate_id": candidate_id,
    "conversation": all_chat_text,
    "resume": resume_person or "",
    "job_id": current_job_id,
    "trigger": "auto",
    "last_message_from": last_message_from,
}

result = requests.post("http://127.0.0.1:8000/reply", json=payload, timeout=30).json()
rpa_action = result["reason"]["rpa_action"]
need_resume_ocr = result.get("need_resume_ocr", False)
content = result.get("answer", "")

验证

pytest tests/

模型配置

生产环境 .env:

LLM_PROVIDER=aliyun
LLM_API_KEY=你的 API Key
LLM_MODEL=qwen3-vl-plus
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

DeepSeek 等 OpenAI 兼容模型只需改 LLM_BASE_URL 和 LLM_MODEL。LLM_PROVIDER=tongyi 是 aliyun 的别名。

测试时使用 LLM_PROVIDER=mock（pytest 已自动设置），无需 API key。

目录

app/
├── main.py            FastAPI 入口
├── config.py          配置 (.env)
├── schemas.py         请求/响应模型 + RPA 动作枚举
├── api/routes.py      /reply, /reset
├── core/
│   ├── prompt.py      系统提示词 + 合并评分回复
│   ├── fast_path.py   skip/request_resume 前置规则
│   ├── jobs.py        job_id 配置 lookup
│   ├── scoring.py     简历评分
│   ├── json_repair.py 模型 JSON 容错解析
│   └── pipeline.py    主编排
├── rpa/               影刀参考脚本与改造指南
├── jobs.yaml          岗位 JD/公司配置
├── llm/
│   ├── base.py        provider 抽象 + 工厂
│   ├── mock.py        测试专用假数据
│   └── aliyun.py      生产 LLM provider
└── store/db.py        SQLite 会话状态