用提示词工程给招聘平台做简历匹配度从结构化 Prompt 到 LLM 精排的实战关键词FastAPI、提示词工程Prompt Engineering、LLM 简历匹配、Qwen、Elasticsearch 召回大模型精排、Function Calling一、背景为什么招聘平台需要简历匹配度传统招聘平台的核心链路是岗位发布 → 简历投递 → HR 人工筛选。当岗位和简历数量上来后HR 面对成百上千份简历最大的痛点是无法快速判断这份简历和这个岗位到底有多匹配。过去我们靠 ES 的关键词检索job_name、job_desc 的 multi_match做召回但关键词命中 ≠ 真实匹配一个写了会用 Spring的简历和一个要求精通 Spring Cloud 微服务架构的岗位关键词都对上了实际能力却差很远。大语言模型LLM的出现让语义级匹配成为可能。本文基于一个真实落地的 FastAPI 招聘项目讲清楚我们是如何用提示词工程把简历匹配度做成可量化、可解析、可工程化的能力。二、整体架构召回交给 ES精排交给 LLM我们的做法是典型的两段式召回层ES用 Elasticsearch 的multi_matchbool filter做粗筛按职位名称、企业名称、职位描述、任职要求、行业多字段加权匹配并用 term filter 做城市/经验/学历的精确过滤。精排层LLM对召回后的候选岗位把岗位 JD 求职者完整简历拼成结构化 Prompt让大模型输出job_matching_degree0-100 百分比和matching_reason匹配理由。这样做的好处是ES 负责快和准的召回LLM 负责懂语义的精排各司其职成本可控。三、提示词工程的核心结构化 Prompt 模板提示词工程不是把需求写一句话扔给模型而是要把任务拆成角色、任务、输入、输出格式、约束、示例六个部分。我们项目里llm/case1.py沉淀了一个标准模板真正用于简历匹配度的 Prompt 在app/services/job_service.py它把这套模板用到了极致节选核心结构3.1 为什么要把输入拆成 1/2/3/4/5 这么多模块因为简历是多模态结构化数据基本信息、求职意向、工作经历、项目经历、教育经历、专业技能、个人优势、语言能力各自独立存表模型里是ResumeBasicInfo、JobIntention、WorkExperience、ProjectExperience、EducationExperience、ProfessionalSkill、AdvantageEvaluation、LanguageAbility。提示词里把每个模块显式列出来等于在告诉模型评估时要综合考虑这 8 个维度而不是只盯着一个字段。尤其matching_reason需要引用具体证据项目经历匹配输入越结构化模型给出的理由越可解释。3.2 输出控制的三个关键约束强制 JSON 输出字段固定为job_matching_degree和matching_reason方便后端直接json.loads解析落库前端展示进度条。数值归一化到 0-100 百分比让不同岗位的匹配度可横向比较、可排序。禁止输出任何思考、推理、标签直接输出 JSON这是踩坑后加的。早期模型常先输出好的我来帮你分析……再给 JSON导致解析失败。一条约束直接干掉噪声解析成功率大幅提升。调用时我们用了异步客户端避免阻塞主服务四、配套能力让匹配链路更智能光有匹配度还不够真实场景里还有两类需求我们同样用提示词工程 工具调用解决。4.1 对话上下文管理滑动窗口 历史压缩求职者和 AI 聊帮我找匹配度高的岗位时需要多轮对话。项目llm/case2.py用 Redis 存每个会话的消息列表并做了上下文压缩当消息超过 10 条保留最近 10 条把更早的历史交给 LLM 做一次语义压缩再拼回去。这样既省 token又不丢关键信息。4.2 Function Calling把学历校验接进匹配匹配时经常要验证候选人学历真伪。llm/case6.py用 OpenAI 兼容的tools声明了academic_credential_verification函数模型识别到查学历验证码 AQGX...后自动触发工具调用拿到结果再生成最终回复。这类模型决策 程序执行的模式是提示词工程进阶的关键一环。五、工程落地要点与踩坑ES 召回是前置条件job_search_service.py里SEARCH_FIELDS给job_name^3、enterprise_name^2设了权重filter 条件城市/经验/学历用term走filter子句——不参与评分、可被缓存。没有好的召回LLM 精排就是无源之水。temperature 要克制匹配度是偏确定性任务我们设为 0.75 左右并尽量低避免同一份简历两次打分差异过大。异步 流式ES 查询和 LLM 调用全部async并在 case1 用 SSEtext/event-stream做流式输出前端体验更顺滑。DB 兜底当 ES 不可用时search_db_fallback直接查 MySQL返回格式与 ES 完全一致前端无感切换。API Key 走环境变量DASHSCOPE_API_KEY一律从环境变量读绝不硬编码。六、小结简历匹配度不是玄学而是提示词工程 工程架构的结合体用结构化 Prompt角色/任务/输入/输出/约束/示例把模糊的匹不匹配变成可量化的job_matching_degree用输入拆解把多表简历拼成模型能理解的完整语境用输出约束保证结果可解析、可落库用ES 召回 LLM 精排的两段式架构平衡成本与效果再辅以上下文管理和Function Calling撑起完整智能体验。提示词工程的本质是用工程化的方式和大模型对话。当你把每一次调用都当成一次严谨的接口设计——明确输入输出、加好约束、留好示例——大模型就从玩具变成了生产线上的可靠组件。这正是我们在招聘项目里把匹配度从 60% 准确率打磨到可用的核心心得。