Resume Insight API

基于 Rust + Axum 的智能简历分析 API 服务

✨ 特性

• 🚀 高性能异步架构（Axum + Tokio）
• 📄 多格式文档解析（PDF、Word、图片等）
• 🤖 OpenAI 兼容接口（支持主流国内大模型）
• 🎯 岗位定制化分析，XML 结构化输出
• 🔧 提示词和岗位配置动态调整

📦 快速开始

# 1. 配置环境变量
cp .env.example .env
# 编辑 .env 填入 API 密钥

# 2. 运行服务
cargo run --release

服务启动于 http://0.0.0.0:3000

🔌 API 使用

健康检查

curl http://localhost:3000/health

分析简历

curl -X POST http://localhost:3000/api/v1/analyze \
  -F "file=@resume.pdf" \
  -F "job=your-job-key"

job 参数必填，对应 prompts/jobs/ 目录下的岗位配置文件名（不含 .md 后缀）

响应示例：

{
  "filename": "resume.pdf",
  "page_count": 2,
  "job_key": "your-job-key",
  "analysis": {
    "score": 85,
    "summary": "候选人具有5年软件开发经验，技术栈扎实。在分布式系统和高并发场景有丰富实践...",
    "skills": {
      "level": "优秀",
      "details": "精通 Rust 语言，熟悉 Tokio 异步编程。对分布式系统、微服务架构有深入理解..."
    },
    "experience": {
      "level": "良好",
      "details": "5年后端开发经验，参与过3个大型项目。有从0到1搭建系统的经验..."
    },
    "strengths": [
      "Rust 技术深度突出，有3年以上实战经验和开源项目贡献",
      "分布式系统设计能力强，主导过千万级用户量的核心服务",
      "代码质量意识好，注重测试和文档"
    ],
    "concerns": [
      "团队协作经验描述较少，需面试中重点了解沟通协作能力",
      "云原生技术栈（K8s）经验不足，需确认学习意愿和能力"
    ],
    "focus": [
      "深入考察分布式系统设计能力：询问具体架构决策、技术选型依据",
      "验证 Rust 实战能力：了解异步编程最佳实践、性能调优案例",
      "评估问题解决能力：询问遇到的最大技术难题及解决方案"
    ]
  }
}

🛠️ 开发指南

项目结构

resume-insight/
├── src/
│   ├── main.rs              # 服务入口
│   ├── config.rs            # 配置管理
│   ├── error.rs             # 错误处理
│   ├── handlers.rs          # API 处理器
│   ├── prompts.rs           # 提示词管理
│   ├── models/              # 数据模型
│   │   ├── mod.rs
│   │   ├── analysis.rs      # 分析结果模型
│   │   ├── response.rs      # API 响应模型
│   │   ├── resume.rs        # 简历模型
│   │   ├── llm.rs           # LLM API 模型
│   │   └── textin.rs        # Textin API 模型
│   └── services/
│       ├── mod.rs
│       ├── extractor.rs     # 文档提取服务（Textin）
│       └── analyzer.rs      # LLM 分析服务
├── prompts/
│   ├── README.md            # 提示词使用指南
│   ├── resume_analysis.md   # 分析提示词模板
│   └── jobs/                # 岗位配置目录
│       ├── default.md       # 默认通用评估
│       ├── frontend-engineer.md
│       ├── fullstack-engineer.md
│       ├── devops-engineer.md
│       └── rust-backend-engineer.md
├── tests/
│   ├── README.md            # 测试指南
│   └── integration_test.rs  # 集成测试
├── Cargo.toml
├── .env.example
├── .gitignore
├── Dockerfile
├── README.md
├── LICENSE
├── CHANGELOG.md
└── CONTRIBUTING.md

添加新岗位

在 prompts/jobs/ 目录下创建新的 .md 文件：

# 岗位名称

## 岗位职责

- 职责1
- 职责2

## 任职要求

- 要求1
- 要求2

## 加分项

- 加分项1
- 加分项2

文件名即为岗位 key，如 backend-engineer.md 对应 job=backend-engineer。

调整提示词

编辑 prompts/resume_analysis.md，支持变量：{{job_requirements}}、{{candidate_resume}}

📝 配置说明

环境变量

变量名	必填	说明
LLM_BASE_URL	✅	LLM API 地址（OpenAI 兼容格式）
LLM_MODEL	✅	模型名称
LLM_API_KEY	✅	LLM API 密钥
TEXTIN_APP_ID	✅	Textin API 应用 ID
TEXTIN_SECRET_CODE	✅	Textin API 密钥
RUST_LOG	❌	日志级别（默认：info）

🚀 部署

# 1. 配置环境变量
cp .env.example .env  # 编辑 .env 填入 LLM_API_KEY

# 2. 构建镜像
docker build -t resume-insight:latest .

# 3. 启动服务
docker-compose up -d

# 4. 查看日志
docker-compose logs -f

📄 许可证

MIT License