xuliagn1. 项目背景与核心价值
去年在帮一位HR朋友优化招聘流程时，我深刻体会到传统招聘平台的痛点：求职者海投简历效率低下，企业筛选合适候选人如同大海捞针。这正是我们开发这套智能推荐系统的初衷——用机器学习技术实现人岗精准匹配。
这个基于Django+Vue的全栈系统，通过分析简历文本、技能图谱、行业偏好等20+维度数据，能为求职者推荐匹配度90%以上的岗位，同时帮助企业快速锁定最合适的候选人。实测数据显示，使用推荐系统后平均求职周期缩短40%，企业招聘效率提升35%。
关键创新点：不同于简单关键词匹配，我们构建了动态权重模型，能自动识别"Java开发工程师"和"J2EE工程师"的岗位等价关系，并量化评估"3年经验"与"精通Spring框架"之间的隐含关联。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构详解
2.1 整体技术栈设计
后端架构：
- 核心框架：Django 3.2（Python 3.8）
- 异步任务：Celery + Redis
- 大数据处理：Spark on YARN（非Hadoop全栈）
- 模型服务：Flask独立微服务（与Django解耦）
前端架构：
- 基础框架：Vue 3 + TypeScript
- UI组件：Element Plus + ECharts
- 状态管理：Pinia替代Vuex
数据库选型：
- 主库：MySQL 8.0（关系型数据）
- 缓存：Redis 6（实时推荐）
- 向量库：Milvus（简历/岗位向量存储）
2.2 为什么选择这些技术？
-
Django vs Spring Boot：
- 选择Django因其自带Admin后台，快速开发招聘管理模块
- ORM支持复杂查询如：
Job.objects.filter(salary__gte=10000).exclude(title__contains="实习") - 但用Spring Boot处理高并发更优（后续会讲性能优化方案）
-
Milvus向量库：
- 存储768维的BERT向量（每条简历约占用2KB）
- 支持相似度搜索：
SELECT * FROM resumes ORDER BY vector <-> '[0.1,0.3,...]' LIMIT 10