2025-1-15-完成SE大作业

靠，虽然不知道为什么就成功了，那就这样吧。

写软件的经典操作。

我真服了，为什么在生成博客页面的时候，如果有code就会造成错误？

因此需要在前面填充过多的无意义的文字，才能不显示。

那就说一下，在1.17日早上正式完成所有的代码以及报告打包，并成功发送给老师。

希望有一个好一点的成绩，已被矩阵伤到。这学期可能和考试犯冲，不明白，感觉学的都还可以，但是分数就是非常辣鸡。

[TOC]

此图展示了系统的主要流程，用户首先输入个人信息，接着系统生成个性化的题目，用户进行选择并提交答案，最后评分与建议模块通过大模型API生成反馈并展示给用户。

graph LR
    A[用户输入信息] --> B[题目生成模块]
    B --> C[题目展示与交互模块]
    C --> D[用户提交答案]
    D --> E[评分与建议模块]
    E --> F[大模型API]
    F --> E[评分与反馈建议]
    E --> G[个性化反馈]
    G --> H[结果展示给用户]

页面代码

{% extends "base.html" %}
{% from "macros.html" import render_pagination, render_company, render_job %}

{% block title %}测试能力{% endblock %}


{% block body %}
    <div class="container mt-5">
        <h1 class="text-center">测试能力</h1>
        <p class="text-center">欢迎！请完成以下测试，以评估您的能力。</p>
        <form id="test-form" method="POST" onsubmit="submitAnswers(event)">
            <div id="questions-container">
                {% for question in questions %}
                {% set question_index=loop.index %}
                    <div class="question-box mb-3">
                        <div class="question-text fw-bold">{{ question['question'] }}</div>
                        <div class="options-container">
                            {% for option in question['options'] %}
                                <div class="option-item">
                                    <input
                                        style="width: 40px;"
                                        class="form-check-input"
                                        type="radio"
                                        name="question_{{ question_index  }}"
                                        id="question_{{ question_index  }}_option_{{ loop.index0 }}"
                                        value="{{ option }}"
                                        data-question="{{ question['question'] }}"  
                                        ondblclick="deselectRadio(this)"  
                                        required
                                    >
                                    <label class="form-check-label" for="question_{{ question_index  }}_option_{{ loop.index0  }}">
                                        {{ option }}
                                    </label>
                                </div>
                            {% endfor %}
                        </div>
                    </div>
                {% endfor %}
            </div>
            <div class="text-center">
                <button type="submit" class="btn btn-primary">提交</button>
            </div>
        </form>
        <div id="evaluation-result"></div>
    </div>
{% endblock %}


{% block tail_js %}
    {{ super() }}
<script>
    function submitAnswers(event) {
        event.preventDefault();  // 阻止默认表单提交

        const answers = [];
        // 获取所有选中的单选框
        const selectedOptions = document.querySelectorAll('input[type="radio"]:checked');
        
        selectedOptions.forEach(option => {
            const questionText = option.getAttribute('data-question');  // 获取问题内容
            const selectedOption = option.value;  // 获取选中的答案
            // 已测试，正确获取问题内容和选中的答案
            answers.push({ question: questionText, selectedOption: selectedOption });
        });
        
        // 提交数据到服务器
        fetch('{{ url_for("user.testability") }}', {
            method: 'POST',
            headers: {
                'Content-Type': 'application/json',
            },
            body: JSON.stringify({ answers: answers })  // 提交每个问题和选项
        })
        .then(response => response.json())
        .then(data => {
            alert('提交成功');
            // 显示评估结果
            const evaluationResult = document.getElementById('evaluation-result');
            if (data.score !== undefined) {
                // 格式化显示提升建议，特别处理换行符
                const formattedAdvice = data.advice.split('\n').map(line => `<p>${line}</p>`).join('');

                evaluationResult.innerHTML = `
                    <div class="result-box mb-3">
                        <h4>您的评分: ${data.score}/100</h4>
                        <h4>提升建议：</h4>
                        ${formattedAdvice}
                    </div>
                `;
            } else {
                alert('无法生成评估结果，请检查输入是否正确。');
            }
        })
        .catch(error => {
            console.error('Error:', error);
            alert('提交失败，请重试');
        });
    }

    function deselectRadio(radio) {
        if (radio.checked) {
            radio.checked = false;
        }
    }
</script>
{% endblock %}

控制器代码

@user.route('/testability', methods=['GET','POST'])
@login_required
def testability():
    # 首先先根据用户的信息生成测试问题，并展示给用户
    # 获取用户填写的信息，然后将信息传递给llm生成评估结果
    if request.method == 'POST':
        # 处理用户提交的答案
        answers = request.json['answers']
        # 调用处理函数并获取评分和建议
        evaluation_result = process_user_answers(answers)
        # print("------evaluation_result:",evaluation_result)
        # 返回 JSON 响应，包含跳转的 URL
        # return redirect(url_for('user.showability'))
        return jsonify(evaluation_result) # <class 'flask.wrappers.Response'>
    
    # GET 请求时展示问题
    if request.method == 'GET':
        questions = generate_questions() # 已是json格式

        # 预处理问题数据，添加索引
        questions_with_index = [{'index': idx + 1, 'question': q['question'], 'options': q['options']} for idx, (key, q) in enumerate(questions.items())]

        # 渲染页面并展示生成的问题
        return render_template('user/testability.html', questions=questions_with_index, user=current_user)

方法函数：

# 生成测试问题，通过LLM API
@user.route('/api/generate_questions', methods=['POST'])
def generate_questions():
    # 获取当前用户的信息
    form = UserProfileForm(obj=current_user)

    UserInfo = [
            current_user.work_exper, #工作经历
            current_user.job_want,  #求职意向
            current_user.specail ,  #个人特长
            current_user.major, #专业
            current_user.xueli, #学历
            current_user.age, #年龄
            current_user.school #毕业学校
    ]

    try:
        client = openai.OpenAI(
            api_key="sk-3005a8f9df4d4d4ba69d840b58fe9fff",
            base_url="https://api.deepseek.com"
        )
        prompt=f'现在有求职者用户的相关信息如下: {UserInfo}.请你生成5个有关专业知识、个人性格、学习经历的单选问题，来帮助评价这个求职者的工作能力。请确保返回的内容是一个有效的 JSON 格式，其中包含 5 个问题，每个问题应包括:1.问题文本 (question)2.选项 (options)，至少包括 3 个选项示例格式:{{"question_1": {{"question": "一个大问题划分为若干个小的子问题，但是这些子问题不需要分别求解，只需要求解其中一个子问题便可，这是什么？","options": ["分治", "变治", "减治", "不知道"],}},"question_2": {{"question": "你是否倾向与他人沟通解决问题？","options": ["是，我善于与他人沟通来处理问题", "中立"，"否，我更倾向自己独立地解决问题"],}},...}}'
        # 将 prompt 放入字典中，作为 messages 数组的一部分
        messages = [
            {"role": "system", "content": "You are a helpful assistant"},
            {"role": "user", "content": prompt}
        ]
        response = client.chat.completions.create(
            model="deepseek-chat",
            messages=messages,
            stream= False
        )
        
        # 获取响应内容，使用 message['content'] 获取，从response中获取返回的JSON字符串
        response_content = response.choices[0].message.content

        # 解析为 Python 字典
        try:
            # 移除前后的反引号并清理内容
            json_content = response_content.strip('```json\n').strip()

            # 使用json.loads将字符串解析为字典
            questions_json = json.loads(json_content)
            # print ("questions_json:",type(questions_json))

            return questions_json
        except json.JSONDecodeError as e:
            print(f"解析 JSON 时发生错误: {e}")

    except Exception as e:
        print(f"错误: {str(e)}")
        return jsonify({'error': '生成问题时出错', 'details': str(e)}), 500

    
    
@user.route('/api/process_user_answers', methods=['GET', 'POST'])
def process_user_answers(answers):
    # print("------answers:",answers)
    client = openai.OpenAI(
            api_key="sk-3005a8f9df4d4d4ba69d840b58fe9fff",
            base_url="https://api.deepseek.com"
    )
    # 构造输入提示给 LLM API
    prompt = f"""
    根据以下用户的答案评估其求职能力并给出提升建议：
    {answers}
    
    请返回一个 JSON 格式的结果，包含以下字段：
    1. "score"：对求职者的评分(0-100)
    2. "advice"：提升建议
    
    示例输出格式：
    {{
        "score": 8,
        "advice": "提升沟通能力，增强团队协作经验。"
    }}
    """
    messages = [
            {"role": "system", "content": "You are a helpful assistant"},
            {"role": "user", "content": prompt}
        ]
    response = client.chat.completions.create(
            model="deepseek-chat",
            messages=messages,
            stream= False
        )
    
    result = response.choices[0].message.content
    # 解析返回的 JSON 字符串
    try:
        # 移除前后的反引号并清理内容
        res_content = result.strip('```json\n').strip()
        evaluation_data = json.loads(res_content)

    except json.JSONDecodeError:
        # 如果返回的结果不是有效的 JSON，做一些处理
        evaluation_data = {"score": None, "advice": None}
    # 返回评估结果是字典
    return evaluation_data

完成功能

在用户信息下，可以对用户的能力进行测试。能力测试与大模型API进行交互，可以针对用户的个人信息，如学历、求职方向等等，生成个人化的题目。目前实现了单选题。

求职者通过点击选项可以选择，双击选项按钮可以取消。求职者必选完成所有题目之后才可以提交，否则会弹出提示框提示有题目未完成。

提交测试后，求职者的问题以及答案将会被传递给llm api，输出针对此求职者的建议以及分数。分数可以后续用于企业方进行简历初筛，给予求职者的提升建议可以帮助求职者提升自我。

使用流程

image-20250115235251784

image-20250115235357931

提交后出现提示框：

image-20250115235423636

点击后，页面在测试题下方刷新出评估结果:

image-20250115235454964