48 lines
3.0 KiB
Python
48 lines
3.0 KiB
Python
from langchain.agents import create_agent
|
||
from langchain_openai import ChatOpenAI
|
||
from langgraph.checkpoint.memory import InMemorySaver
|
||
from langchain_community.tools import DuckDuckGoSearchRun
|
||
from langchain_community.vectorstores import Clickhouse, ClickhouseSettings
|
||
from langchain_community.embeddings import DeepInfraEmbeddings
|
||
from redis.asyncio import Redis
|
||
|
||
SYSTEM_PROMPT = """
|
||
Ты — карьерный копилот для ИТ.
|
||
Требования к ответам:
|
||
- Пиши кратко (до 5–6 строк, буллеты приветствуются).
|
||
- Всегда проверяй факты: бери данные о вакансиях только из контекста и ссылок в web-поиске.
|
||
- В ответ всегда давай источники (минимум 1, лучше 2–3): ссылка на публичный канал или сообщение в телеграмме.
|
||
- Вакансии можно брать только из контекста, либо обращаться к web-поиску. Не давай вакансию, если у тебя нет о ней информации в контексте.
|
||
- Всегда указывай дату вакансии и ссылку на нее.
|
||
- Если данных недостаточно: честно скажи «не хватает надёжных источников», предложи расширить период/переформулировать, либо выполнить веб-поиск.
|
||
- После полезного ответа предложи один мягкий следующий шаг.
|
||
Отвечай простым текстом, не используй форматирование markdown.
|
||
Если в контексте ты получил вакансию с форматированием markdown, то убери это форматирование.
|
||
"""
|
||
|
||
redis = Redis()
|
||
llm = ChatOpenAI(model_name="Qwen/Qwen3-Next-80B-A3B-Instruct", openai_api_base="https://api.deepinfra.com/v1/openai")
|
||
embedding = DeepInfraEmbeddings(model_id="Qwen/Qwen3-Embedding-8B")
|
||
vectorstore = Clickhouse(embedding, ClickhouseSettings(port=8123, username="default", password="", index_type="vector_similarity"))
|
||
search_tool = DuckDuckGoSearchRun()
|
||
|
||
|
||
async def get_relevant_vacancies(requirements: str):
|
||
"""Получает релевантные вакансии из базы данных по переданным требованиям."""
|
||
documents = await vectorstore.asimilarity_search(requirements, k=5)
|
||
return "\n\n".join(document.page_content for document in documents)
|
||
|
||
|
||
async def get_user_resume(user_id: int):
|
||
"""Получает резюме пользователя для подбора вакансий."""
|
||
resume_bytes = await redis.get(user_id)
|
||
return resume_bytes.decode("utf-8")
|
||
|
||
|
||
agent = create_agent(
|
||
model=llm,
|
||
tools=[search_tool, get_relevant_vacancies, get_user_resume],
|
||
system_prompt=SYSTEM_PROMPT,
|
||
checkpointer=InMemorySaver(),
|
||
)
|