AI 人力资源：招聘/培训/绩效管理

职位发布
  → AI生成职位描述（JD优化）
  → 多渠道自动发布
  → AI简历筛选（语义匹配+技能提取）
  → AI初筛面试（对话式/视频分析）
  → 人类面试（AI辅助评估）
  → 背景调查（AI自动化）
  → Offer优化（薪酬建议）
  → 入职引导（AI Chatbot）

class ResumeScreener:
    def __init__(self):
        self.llm = LLMRouter()
        self.jd_parser = JDParser()
        self.skill_kb = SkillTaxonomy()  # 技能知识库
        
    def screen(self, resumes, job_description):
        # 1. 解析JD提取核心要求
        jd = self.jd_parser.parse(job_description)
        # {
        #   'must_have': ['Python', 'AWS', '5年经验'],
        #   'nice_to_have': ['Kubernetes', 'MongoDB'],
        #   'responsibilities': [...],
        #   'level': 'Senior',
        #   'domain': '金融科技'
        # }
        
        # 2. 批量分析简历
        results = []
        for resume in resumes:
            # 结构化提取
            parsed = self.llm.extract_resume(resume)
            # {
            #   'skills': [...],
            #   'experience': [...],
            #   'education': [...],
            #   'projects': [...]
            # }
            
            # 语义匹配
            match = self.llm.match(f"""
            职位要求：{jd}
            候选人简历：{parsed}
            
            请评估匹配度：
            1. 技能匹配度（必须技能/加分技能）
            2. 经验匹配度（年限/行业/规模）
            3. 潜力评估（学习能力/职业发展轨迹）
            4. 文化匹配（团队风格/价值观）
            5. 综合评分（0-100）
            6. 推荐理由和关注点
            """)
            
            results.append({
                'resume_id': resume.id,
                'score': match.score,
                'recommendation': match.recommendation,
                'highlights': match.highlights,
                'concerns': match.concerns
            })
        
        # 3. 排序输出
        return sorted(results, key=lambda x: x['score'], reverse=True)

class LearningPathGenerator:
    def generate(self, employee_profile, career_goal):
        # 1. 技能差距分析
        current_skills = employee_profile.skills
        target_skills = self.role_kb.get_required_skills(career_goal)
        gaps = self.analyze_gaps(current_skills, target_skills)
        
        # 2. LLM生成学习路径
        path = self.llm.generate(f"""
        员工信息：
        - 当前技能：{current_skills}
        - 目标角色：{career_goal}
        - 技能差距：{gaps}
        - 学习偏好：{employee_profile.learning_style}
        - 可用时间：{employee_profile.weekly_hours}小时/周
        
        生成3个月学习计划：
        1. 按优先级排序技能学习
        2. 推荐具体课程和资源
        3. 设置里程碑和评估点
        4. 结合工作中的实践机会
        """)
        
        return path

场景：销售异议处理培训

AI客户: "你们的产品太贵了，竞争对手便宜30%。"

学员: "我理解价格是重要考量。能否分享一下您目前最看重的功能？
     我们或许可以在某些功能上做调整来满足预算。"

AI评估:
- 同理心表达: ✅ "我理解价格是重要考量"
- 探索需求: ✅ "最看重的功能"
- 替代方案: ✅ "功能调整来满足预算"
- 缺失: 未建立价值差异化

评分: 78/100
建议: 在探索需求后，应强调独特价值而非直接降价。
     例如："我们的产品虽然单价高30%，但故障率低80%，
     3年总成本实际上更低。"

class PerformanceManager:
    def __init__(self):
        self.llm = LLMRouter()
        self.data_sources = [
            'project_outcomes',    # 项目结果
            'peer_feedback',       # 同事反馈
            'self_assessment',     # 自评
            'goal_progress',       # 目标进度
            'skill_development',   # 技能发展
            'collaboration_data',  # 协作数据
        ]
        
    def generate_review(self, employee_id, period):
        # 1. 收集多维度数据
        data = self.collect_data(employee_id, period)
        
        # 2. LLM综合分析
        review = self.llm.analyze(f"""
        基于以下数据生成绩效评估报告：
        
        项目成果：{data.projects}
        同事反馈：{data.peer_feedback}（匿名化）
        目标达成：{data.goal_progress}
        技能发展：{data.skill_growth}
        协作指标：{data.collaboration}
        
        生成报告：
        1. 整体表现评价
        2. 亮点与成就
        3. 待改进领域
        4. 具体改进建议
        5. 下季度目标建议
        6. 职业发展建议
        
        注意：基于事实和数据，避免主观判断和偏见
        """)
        
        return review

class AttritionPredictor:
    def predict(self, employee_id):
        features = {
            'tenure': self.get_tenure(employee_id),
            'salary_competitiveness': self.get_salary_ratio(employee_id),
            'promotion_history': self.get_promotion_gap(employee_id),
            'engagement_score': self.get_latest_engagement(employee_id),
            'manager_change': self.get_manager_changes(employee_id),
            'workload': self.get_workload_index(employee_id),
            'peer_attrition': self.get_team_attrition_rate(employee_id),
            'commute_time': self.get_commute_time(employee_id),
            'skill_marketability': self.get_market_demand(employee_id),
        }
        
        risk_score = self.model.predict(features)
        
        if risk_score > 0.7:
            # LLM生成挽留方案
            action = self.llm.recommend(f"""
            员工离职风险评分：{risk_score}
            风险因素：{features}
            
            生成个性化挽留方案：
            1. 核心离职风险分析
            2. 推荐谈话要点
            3. 可提供的激励措施
            4. 职业发展建议
            5. 最佳谈话时机
            """)
            
            return {'risk': 'HIGH', 'action': action}
        
        return {'risk': 'LOW'}