Yashu-ram/agentic-ai-career-launch-agent

# 🚀 职业启动 Agent 一个生产级的、基于 AI 的职业启动 Agent，采用检索增强生成（RAG）、ChromaDB 向量搜索、FastAPI 和本地 LLM 构建。 该系统帮助用户根据职位描述分析简历，识别缺失的技能，生成改进路线图，并在实施安全防护机制和评估流水线的同时，提供结构化的 AI 驱动的职业指导。 # 🎯 为什么做这个项目 传统的 AI 聊天机器人可能会产生幻觉、提供不安全的输出，或者生成不可靠的职业建议。 构建该项目旨在探索： - 安全的 AI 系统设计 - 检索增强生成（RAG） - 结构化 JSON 输出 - AI 安全防护机制 - Prompt 注入防御 - 评估与可靠性测试 目标是打造一个更安全、更可靠的 AI 助手，以服务于职业指导工作流。 # ✨ 功能 - 简历与职位描述分析 - 检索增强生成（RAG） - ChromaDB 向量数据库检索 - 基于 Embedding 的语义搜索 - 结构化 JSON 输出 - Pydantic 验证 - 针对无效输出的重试处理 - Prompt 注入检测 - 人工审核上报 - 敏感主题检测 - FastAPI 后端 API - Golden 测试评估套件 - 输出验证与标准化 # 🏗️ 系统架构 ``` User Query ↓ Safety Filters ↓ Retriever ↓ ChromaDB Vector Search ↓ Qwen2.5 via Ollama ↓ Structured JSON Output ↓ Pydantic Validation ↓ Output Guardrails ↓ FastAPI Response ``` # 📂 项目结构 ``` career-launch-agent/ │ ├── api/ │ └── app.py │ ├── rag_agent/ │ ├── main.py │ ├── schema.py │ └── rag_agent.ipynb │ ├── security/ │ ├── input_guard.py │ ├── output_guard.py │ ├── review_gate.py │ └── topic_guard.py │ ├── tests/ │ └── golden_tests.json │ ├── evaluation/ │ └── run_tests.py │ ├── docs/ │ ├── system-card.md │ └── failure-report.md │ ├── Documents/ │ ├── resumes/ │ └── job_descriptions/ │ ├── embeddings/ │ ├── README.md ├── requirements.txt ├── pyproject.toml └── uv.lock ``` # 🛠️ 技术栈 - Python 3.11+ - FastAPI - ChromaDB - SentenceTransformers - Ollama - Qwen2.5 - Pydantic - Uvicorn - Pytest - uv # 🛡️ 安全功能 - Prompt 注入检测 - 敏感主题检测 - 人工审核上报 - 输出验证 - 结构化响应强制校验 - 针对格式错误 JSON 的重试处理 # ✅ 评估与可靠性 该项目包含： - Golden 测试评估套件 - 结构化 schema 验证 - 针对格式错误输出的重试逻辑 - 输出标准化 - 失败文档记录 - 安全防护机制 # 📊 测试结果 ``` 5/5 tests passed ``` 测试覆盖率包括： - Prompt 注入检测 - 引用验证 - 结构化响应 schema - 人工审核上报 - 空查询处理 # ⚙️ 安装 ## 克隆代码库 ``` git clone https://github.com/Yashu-ram/agentic-ai-career-launch-agent.git cd agentic-ai-career-launch-agent ``` ## 创建虚拟环境 ``` uv venv ``` ## 激活虚拟环境 ### Windows PowerShell ``` .venv\Scripts\activate ``` ### Mac/Linux ``` source .venv/bin/activate ``` ## 安装依赖项 ``` uv sync ``` # 🤖 安装 Ollama 下载并安装 Ollama： https://ollama.com/download # 📥 拉取 Qwen 模型 ``` ollama pull qwen2.5:3b ``` # ▶️ 运行 RAG 流水线 ``` python -m rag_agent.main ``` # 🌐 运行 FastAPI 服务器 ``` uvicorn api.app:app --reload ``` # 📄 打开 Swagger UI ``` http://127.0.0.1:8000/docs ``` # 📥 API 请求示例 ``` { "question": "How well does this candidate match the Python developer role?" } ``` # 📤 结构化输出示例 ``` { "answer": "The resume highlights skills in Python, SQL, and Power BI. The candidate is missing experience with AWS.", "fit_score": 60, "matching_skills": [ "Python", "SQL" ], "missing_skills": [ "AWS" ], "seven_day_plan": [ "Day 1: Learn AWS basics", "Day 2: Build mini cloud project" ], "citations": [ "[SOURCE: filename.pdf]" ], "human_review_flag": false } ``` # 🧪 运行评估测试 ``` pytest ``` 或 ``` python evaluation/run_tests.py ``` # 📸 演示流程 项目演示包括： - 简历加载 - ChromaDB 检索流水线 - 结构化 JSON 输出 - 验证与重试处理 - Prompt 注入拦截 - 安全过滤 - FastAPI endpoint 测试 - 评估测试工作流 # ⚠️ 已知限制 - 小型本地模型偶尔可能会生成格式错误的 JSON - 检索质量取决于文档质量 - 本地 LLM 偶尔可能会产生幻觉 - 不适用于招聘自动化决策 - 不适用于医疗或法律建议 # 🚀 未来改进 - 流式响应 - 更好的评估指标 - Docker 部署 - 身份验证层 - 前端 UI 集成 - 云端部署支持 - 混合搜索 - Re-ranking 流水线 - 多 Agent 工作流 - AI 可观测性集成 # 👩‍💻 作者 Yashaswini R # 📜 许可证 本项目仅用于教育、研究和作品集展示目的。

标签：AI安全护栏, AI求职助手, AI风险缓解, AV绕过, ChromaDB, FastAPI, RAG架构, 提示词注入防御, 本地大模型, 逆向工具