目录

前言

一、系统核心功能

1.功能架构总览

2.系统功能清单

二、技术栈解析

1. 后端技术栈

2. 前端技术栈

 3. 核心依赖清单

三、核心模块代码功能深度解析

1. 用户与权限管理模块

1.1 用户数据模型设计

1.2 登录核心逻辑

2. 简历解析与 AI 分析模块

2.1 PDF 简历文本提取

2.2 候选人信息自动提取

2.3 AI技能匹配分析

3. 面试安排与邮件通知

3.1 面试安排核心逻辑

3.2 邮件发送功能

3.3 邮件编写与实际发送

4. 数据统计与可视化模块

四、系统部署与运行步骤

1. 环境准备

2. 部署步骤

3. 关键配置说明

五、系统优化与扩展

1. 核心优势

2. 未来扩展方向

3.关键场景时序交互图

总结

---

前言

在数字化时代，企业招聘面临着 “简历筛选效率低、技能匹配精准度不足、面试安排协调繁琐” 三大核心痛点。传统招聘流程中，HR 平均每筛选 1 个合格候选人需要查阅 50 + 份简历，花费大量时间在重复性工作上，还容易因人工判断出现偏差。

之前一直在忙，很久没有再次更新之前做的自动化智能招聘分析系统，因为之前在github上看到过类似的智能招聘助手。现在给大家分享一套基于 Flask+AI 构建的智能招聘系统，该系统整合了 PDF 简历解析、AI 技能匹配、自动化邮件通知、面试全流程管理等核心功能，实现了从 “简历上传” 到 “面试落地” 的端到端数字化管理。不仅能将简历筛选效率提升 80%，还能通过 AI 算法提升人才匹配精准度，非常适合中小企业或创业团队快速落地智能化招聘方案。可以满足日常招聘管理、简历分析、邮件发送等等。本文将从应用介绍、技术栈、核心代码解析、部署步骤等维度，带大家全面了解这套系统。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、系统核心功能

1.功能架构总览

2.系统功能清单

模块名称	核心功能描述	技术支撑	应用价值
用户与权限管理	1. 企业用户注册 / 登录 / 注销；2. 系统配置（邮箱 SMTP、AI 服务地址）；3. 账户安全与权限隔离	Flask-Login、SQLAlchemy、SMTP 协议	保障企业数据独立，配置灵活适配不同需求
职位管理	1. 4 类预设职位（含技能要求）；2. 自定义职位创建 / 编辑 / 删除；3. 职位候选人数量统计	数据库关联查询、表单验证	满足通用 + 个性化招聘需求，实时跟踪招聘进度
简历解析与 AI 分析	1. PDF 简历上传与文本提取；2. 候选人信息自动识别（姓名 / 邮箱 / 手机号）；3. AI 技能匹配分析（匹配 / 缺失技能、经验评级、推荐指数）	PyPDF2、Ollama API（DeepSeek）	替代人工初筛，提升筛选效率与精准度
候选人全生命周期管理	1. 候选人状态切换（待处理 / 已通过 / 已拒绝 / 面试安排）；2. 候选人详情全维度展示；3. 候选人批量删除与数据管理	数据库 CRUD、状态联动机制	可视化管理招聘流程，快速定位重点候选人
面试安排与邮件通知	1. 自定义面试时间 / 会议链接；2. 状态联动邮件自动生成；3. 邮件预览 / 草稿 / 发送测试	smtplib、email 模块、Bootstrap 模态框	自动化通知流程，降低跨部门协调成本
数据统计与可视化	1. 核心指标统计（候选人总数 / 通过数 / 待处理数 / 面试数）；2. 最近候选人快速访问	数据聚合查询、响应式布局	直观呈现招聘进度，提升 HR 工作效率

二、技术栈解析

1. 后端技术栈

• 核心框架：Flask（轻量级 Web 框架，开发效率高，适合快速迭代）
• 数据库：SQLite（文件型数据库，无需额外部署，适合中小规模数据存储）
• ORM 工具：SQLAlchemy（简化数据库操作，支持数据模型快速定义）
• 认证授权：Flask-Login（用户会话管理）、Flask-WTF（表单验证与 CSRF 防护）
• AI 集成：Ollama API（支持本地部署 AI 模型，保障简历数据隐私）
• 简历解析：PyPDF2（PDF 文本提取，优化中文换行处理）
• 邮件服务：smtplib+email（支持 SSL 加密，兼容 QQ/163/Gmail 等主流邮箱）

2. 前端技术栈

• 基础架构：HTML5+CSS3+JavaScript（原生开发，降低依赖复杂度）
• 样式框架：Bootstrap 5（响应式设计，适配 PC / 移动端）
• 交互组件：Font Awesome（图标库）、模态框（面试安排 / 邮件预览）
• 可视化：自定义 CSS 动画 + 数据统计面板

 3. 核心依赖清单

Flask==2.3.3
Flask-SQLAlchemy==3.0.5
Flask-WTF==1.1.1
Flask-Login==0.6.2
PyPDF2==3.0.1
requests==2.31.0
pytz==2023.3
email-validator==2.0.0

三、核心模块代码功能深度解析

1. 用户与权限管理模块

1.1 用户数据模型设计

默认填充主流邮箱 SMTP 配置（QQ 邮箱），降低用户配置门槛；通过unique=True保证用户名唯一性，user_id关联所有业务表实现数据隔离。

class User(UserMixin, db.Model):
    id = db.Column(db.Integer, primary_key=True)
    username = db.Column(db.String(100), unique=True, nullable=False)
    password = db.Column(db.String(100), nullable=False)
    company_name = db.Column(db.String(200))  # 企业名称
    email = db.Column(db.String(120), nullable=False)  # 发件邮箱
    email_passkey = db.Column(db.String(200))  # 邮箱授权码
    ollama_url = db.Column(db.String(200), default="http://localhost:11434")  # AI服务地址
    smtp_server = db.Column(db.String(200), default="smtp.qq.com")  # SMTP服务器
    smtp_port = db.Column(db.Integer, default=465)  # SMTP端口

这里的AI服务地址，目前我采用的是本地ollama部署的deepseek-r1:8b模型，因为需要分析简历信息，具有隐私信息，最好采用本地部署的模型会更好，避免数据泄露。由于本地部署的模型能力会比较弱，所以对服务器性能有要求，同时该模型最好带有招聘知识库，这样会更精确。

1.2 登录核心逻辑

基于 Flask-Login 实现用户会话管理，current_user.is_authenticated判断登录状态，避免重复登录。

@app.route('/login', methods=['GET', 'POST'])
def login():
    if current_user.is_authenticated:
        return redirect(url_for('dashboard'))  # 已登录直接跳转到控制面板
    
    form = LoginForm()
    if form.validate_on_submit():
        # 查询用户并验证密码
        user = User.query.filter_by(username=form.username.data).first()
        if user and user.password == form.password.data:
            login_user(user)  # 激活用户会话
            return redirect(url_for('dashboard'))
        else:
            return render_template('login.html', form=form, error='用户名或密码错误')
    return render_template('login.html', form=form)

登录与注册与传统的系统登录区别不大，对应输入用户名和密码、包含公司名称和邮箱，邮箱授权码需要输入正确，这是为了后续邮件发送成功的前提，邮箱授权码获取可以参考：QQ邮箱授权码获取与应用指南-CSDN博客。

2. 简历解析与 AI 分析模块

2.1 PDF 简历文本提取

针对中文简历常见的换行混乱问题，通过判断行尾标点符号智能合并文本，保留原始段落结构。

def extract_text_from_pdf(file_path):
    """从PDF提取文本，处理中文换行问题"""
    try:
        with open(file_path, 'rb') as f:
            pdf_reader = PyPDF2.PdfReader(f)
            text = ""
            for page in pdf_reader.pages:
                page_text = page.extract_text()
                if page_text:
                    lines = page_text.split('\n')
                    cleaned_lines = []
                    for i, line in enumerate(lines):
                        line = line.strip()
                        if line:
                            # 标点结尾保留换行，否则合并（避免中文语义断裂）
                            if line[-1] in ['。', '；', '！', '？', ':']:
                                cleaned_lines.append(line)
                            elif i + 1 < len(lines) and lines[i + 1].strip():
                                cleaned_lines.append(line + ' ')
                            else:
                                cleaned_lines.append(line)
                    text += ''.join(cleaned_lines) + "\n\n"
            return text
    except Exception as e:
        print(f"PDF解析错误: {str(e)}")
        return ""

通过本地上传PDF简历后，会通过AI进行分析，但是目前候选人信息还是无法成功自动提取出来，后续需要进行改进完善。这样可以避免后续在填写姓名和邮箱时，出现错误，导致邮件发送出错。

2.2 候选人信息自动提取

目前候选人信息自动提取还是存在问题，无法实现自动提取PDF里的信息，后续会进行优化。

def extract_candidate_info(resume_text):
    """自动提取姓名、邮箱、手机号"""
    # 提取邮箱
    email_pattern = r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b'
    emails = re.findall(email_pattern, resume_text)
    email = emails[0] if emails else ""
    
    # 提取手机号（中国手机号正则）
    phone_pattern = r'1[3-9]\d{9}'
    phones = re.findall(phone_pattern, resume_text)
    phone = phones[0] if phones else ""
    
    # 提取中文姓名（2-4个中文字符，排除非姓名词语）
    name_pattern = r'[\u4e00-\u9fa5]{2,4}'
    name_matches = re.findall(name_pattern, resume_text[:500])  # 优先查找简历开头
    name = ""
    for match in name_matches:
        if match not in ['个人简历', '求职意向', '联系方式']:
            name = match
            break
    return {'name': name, 'email': email, 'phone': phone}

2.3 AI技能匹配分析

核心设计：

• 提示词工程：明确要求 AI 返回 JSON 格式，降低解析难度；
• 异常处理：补全 AI 可能缺失的字段，避免系统崩溃；
• 稳定性优化：设置低温度（0.3）保证评估结果的一致性，避免主观偏差。

def analyze_resume(resume_text, role_key):
    """AI分析简历与职位匹配度"""
    # 获取职位要求（支持预设/自定义职位）
    if role_key in ROLE_REQUIREMENTS:
        requirements_text = ROLE_REQUIREMENTS[role_key]['requirements']
        role_name = ROLE_REQUIREMENTS[role_key]['name']
    else:
        role = RoleRequirement.query.filter_by(key=role_key).first()
        requirements_text = role.requirements if role else ""
        role_name = role.name if role else "未知职位"
    
    # 构建AI提示词（明确输出格式）
    prompt = f"""
    你是专业技术招聘专家，按以下要求评估简历：
    职位: {role_name}
    要求: {requirements_text}
    简历内容: {resume_text}
    评估标准：匹配70%+必要技能为通过，考虑实践经验和可转移技能
    必须返回JSON格式结果：
    {{
        "selected": true/false,
        "feedback": "详细评估反馈",
        "matching_skills": ["技能1"],
        "missing_skills": ["技能2"],
        "experience_level": "初级/中级/高级",
        "recommendation_score": 0-100
    }}
    """
    
    # 调用Ollama API
    response = call_ollama_api(prompt, current_user.id)
    try:
        # 提取并处理AI输出（兼容格式不规范问题）
        json_start = response.find('{')
        json_end = response.rfind('}') + 1
        result = json.loads(response[json_start:json_end])
        
        # 补全缺失字段（避免AI输出不完整）
        if 'recommendation_score' not in result:
            match_count = len(result.get('matching_skills', []))
            missing_count = len(result.get('missing_skills', []))
            total = match_count + missing_count
            result['recommendation_score'] = int((match_count / total) * 100) if total > 0 else 0
        return result
    except:
        # 异常降级：返回默认结果
        return {"selected": False, "feedback": "分析失败", "matching_skills": [], "missing_skills": [], "experience_level": "未知", "recommendation_score": 0}

# Ollama API调用函数
def call_ollama_api(prompt, user_id):
    user = User.query.get(user_id)
    ollama_url = user.ollama_url if user else "http://localhost:11434"
    try:
        response = requests.post(
            f"{ollama_url}/api/generate",
            json={
                "model": "deepseek-r1:8b",
                "prompt": prompt,
                "stream": False,
                "options": {"temperature": 0.3}  # 低温度保证结果稳定
            }
        )
        return response.json().get("response", "")
    except Exception as e:
        print(f"AI调用失败: {str(e)}")
        return ""

可以根据匹配的结果，结合实际需求进行验证，然后修改提示词关键信息，提高匹配精度。这里的界面设计是可以很好帮助招聘人员来识别候选人，例如技能评估、匹配度、推荐指数等等，可以很好看见该候选人的优势和劣势。

3. 面试安排与邮件通知

3.1 面试安排核心逻辑

时区处理采用pytz库，确保面试时间以北京时间展示，避免跨时区沟通偏差。

@app.route('/candidate/<<int:candidate_id>/schedule_interview', methods=['POST'])
@login_required
def schedule_interview_api(candidate_id):
    candidate = Candidate.query.get_or_404(candidate_id)
    if candidate.user_id != current_user.id:
        return jsonify({'success': False, 'message': '无权操作'}), 403
    
    data = request.json
    interview_time_str = data.get('interview_time')
    meeting_link = data.get('meeting_link')
    
    # 解析面试时间（北京时间处理）
    try:
        beijing_tz = pytz.timezone('Asia/Shanghai')
        interview_time = datetime.strptime(interview_time_str, '%Y-%m-%dT%H:%M')
        interview_time = beijing_tz.localize(interview_time)
    except ValueError:
        return jsonify({'success': False, 'message': '时间格式错误'}), 400
    
    # 更新候选人状态与面试信息
    candidate.status = 'interview_scheduled'
    candidate.interview_time = interview_time
    candidate.meeting_link = meeting_link
    
    # 生成标准化面试通知邮件
    interview_email_content = f"""
尊敬的{candidate.name}，
感谢您应聘{current_user.company_name}的{ROLE_REQUIREMENTS[candidate.role]['name']}职位。
现将面试安排通知如下：
面试时间：{interview_time.strftime('%Y年%m月%d日 %H:%M')}
会议链接：{meeting_link}
请提前5分钟加入会议，准备好相关技术问题的讨论，祝面试顺利！

{current_user.company_name}招聘团队
"""
    
    # 发送邮件并更新状态
    success, message = send_email(
        subject=f"{ROLE_REQUIREMENTS[candidate.role]['name']}职位面试通知",
        body=interview_email_content,
        to_email=candidate.email,
        user_id=current_user.id,
        candidate_id=candidate.id
    )
    
    if success:
        candidate.email_content = interview_email_content
        candidate.email_sent = True
        db.session.commit()
        return jsonify({'success': True, 'message': '面试已安排并通知候选人'})
    else:
        return jsonify({'success': False, 'message': f'面试安排成功但邮件发送失败: {message}'})

3.2 邮件发送功能

使用Header类处理中文主题和发件人名称，避免乱码；针对不同邮箱的认证失败、连接失败等问题，返回明确的错误提示，便于用户排查。

def send_email(subject, body, to_email, user_id, candidate_id=None):
    """基于SMTP协议发送邮件，支持SSL加密"""
    user = User.query.get(user_id)
    if not user.email or not user.email_passkey:
        return False, "邮箱或授权码未设置"
    
    try:
        # 构建邮件内容（处理中文编码）
        msg = MIMEMultipart()
        msg['Subject'] = Header(subject, 'utf-8')  # 中文主题编码
        msg['From'] = formataddr((str(Header(f"{user.company_name}招聘团队", 'utf-8')), user.email))
        msg['To'] = to_email
        msg.attach(MIMEText(body, 'plain', 'utf-8'))
        
        # SSL加密连接（解决465端口兼容问题）
        context = ssl.create_default_context()
        context.check_hostname = False
        context.verify_mode = ssl.CERT_NONE
        
        # 连接SMTP服务器并发送
        with SMTP_SSL(user.smtp_server, user.smtp_port, context=context) as server:
            server.login(user.email, user.email_passkey)
            server.sendmail(user.email, [to_email], msg.as_string())
        
        # 同步邮件发送状态
        if candidate_id:
            candidate = Candidate.query.get(candidate_id)
            if candidate:
                candidate.email_sent = True
                candidate.email_sent_at = datetime.utcnow()
                db.session.commit()
        return True, "邮件发送成功"
    except smtplib.SMTPAuthenticationError:
        return False, "邮箱认证失败，请检查授权码"
    except smtplib.SMTPConnectError:
        return False, "无法连接SMTP服务器"
    except Exception as e:
        return False, f"发送失败: {str(e)}"

在进行发送邮件给候选人时，会弹出错误提示信息“邮件发送失败”，但是实际该功能是已经实现发送，这里也是一个奇怪的bug。

3.3 邮件编写与实际发送

AI会继续详细的分析与评估，同时会根据候选人的简历给出适当的建议，之后会根据评估结果续写邮件。若该候选人为合适人选，那邮件会发出面试邀请；若不适合，则邮件会发出拒绝。

邮件内容，支持自定义修改，用户可以在原AI续写的内容上进行修改，可以灵活回答。

可以非常清晰看到，录用通知是成功发送到应聘者的邮箱里的，并且内容与系统里AI生成的是一致的，而且格式和排版上也是接近招聘形式。

4. 数据统计与可视化模块

通过 SQLAlchemy 的筛选器和聚合查询高效统计数据，限制最近 5 条候选人数据展示，平衡数据完整性与页面加载速度。

@app.route('/dashboard')
@login_required
def dashboard():
    # 查询最近5条候选人数据（提升页面加载速度）
    candidates = Candidate.query.filter_by(user_id=current_user.id).order_by(Candidate.id.desc()).limit(5).all()
    
    # 统计核心招聘指标
    total_candidates = Candidate.query.filter_by(user_id=current_user.id).count()
    selected_count = Candidate.query.filter_by(user_id=current_user.id, status='selected').count()
    pending_count = Candidate.query.filter_by(user_id=current_user.id, status='pending').count()
    interview_count = Candidate.query.filter_by(user_id=current_user.id, status='interview_scheduled').count()
    
    return render_template('dashboard.html', 
                           company_name=current_user.company_name,
                           candidates=candidates,
                           total_candidates=total_candidates,
                           selected_count=selected_count,
                           pending_count=pending_count,
                           interview_count=interview_count)

前端界面上也做了适当的调整，目前没有添加太多元素，看起来简洁，符合常规网页系统风格。

四、系统部署与运行步骤

1. 环境准备

• 操作系统：Windows/macOS/Linux 均可
• Python 版本：3.8 及以上
• 依赖工具：Git、pip
• 可选：Ollama 本地部署（需提前安装并启动，默认端口 11434）

2. 部署步骤

# 1. 克隆项目代码
完整项目代码可以关注公众号“AICDragon”获取
cd ai_recruitment_agent

# 2. 安装依赖包
pip install -r requirements.txt

# 3. 启动Ollama服务（本地AI模型，可选）
# 拉取DeepSeek模型
ollama pull deepseek-r1:8b
# 启动Ollama服务
ollama serve

# 4. 运行Flask应用
python app.py

# 5. 访问系统
# 浏览器打开 http://127.0.0.1:5000，注册企业账户后即可使用

3. 关键配置说明

邮箱配置：登录后进入 “系统设置”，填写 SMTP 服务器（如 QQ 邮箱为smtp.qq.com）、端口（465）、邮箱授权码（需在邮箱设置中开启 SMTP 服务并获取）。
• AI 服务配置：默认使用本地 Ollama 服务（http://localhost:11434），支持替换为远程 Ollama 服务地址。

五、系统优化与扩展

1. 核心优势

• 轻量化部署：无需复杂服务器配置，单机即可运行，适合中小团队快速落地；
• 数据隐私保护：支持本地部署 Ollama 模型和 SQLite 数据库，简历数据不经过第三方；
• 高可定制化：支持自定义职位、邮件模板、AI 评估规则，适配不同企业需求；
• 易用性强：可视化操作界面，无需专业技术背景即可上手。

2. 未来扩展方向

• 简历格式扩展：支持 Word、图片简历解析（集成 python-docx、pytesseract）；
• 多 AI 模型适配：增加 GPT、Claude 等第三方模型调用接口，支持模型选择；
• 数据分析增强：添加招聘转化率、技能缺口趋势图表（集成 echarts）；
• 招聘平台对接：支持 Boss 直聘、智联招聘简历批量导入；
• 移动端适配：开发小程序或 APP，支持随时随地查看招聘进度。

3.关键场景时序交互图

---

总结

这套基于 Flask+AI 的智能招聘系统，通过 “技术 + 场景” 的深度融合，完美解决了传统招聘流程中的效率低、精准度不足、协调繁琐等痛点。其核心价值在于：用 AI 替代重复性的简历筛选工作，用自动化流程简化面试安排与通知，用数据化手段提升招聘决策质量。

对于企业用户而言，系统可直接部署使用，快速降低招聘成本；对于开发者而言，代码中的 AI 调用、PDF 解析、SMTP 邮件发送等模块，可作为 Flask 项目开发的参考案例，助力快速落地类似应用。

随着 AI 技术的持续迭代，智能招聘将进一步向 “个性化匹配 + 全流程自动化” 方向发展，这套系统为企业提供了一个低成本、高性价比的智能化转型起点。如果需要进一步定制功能或解决部署问题，欢迎在评论区交流！如果需要获取系统完整代码、数据库初始化脚本或部署问题排查指南，可以留言告诉我，我会整理一份完整的资源包分享给大家～也欢迎大家关注公众号&视频号“AICDragon”