摘要：针对当前招聘市场信息碎片化与静态分析导致的求职决策低效及企业招聘策略缺乏动态依据问题，本文设计并实现了一套融合AI 智能体工作流与传统可视化推荐系统的数智化解决方案。系统以DeepSeek 模型驱动的智能体集群，构建“数据爬取—实时采集— 多维度分析—自适应可视化”完整闭环使用Python 为开发语言，采用Django 框架搭建 Web 架构，集成 Selenium 爬虫、MySQL 数据库、ECharts 可视化库。在保留原有猎聘网技术岗位数据爬取、薪资学历可视化及岗位推荐功能基础上，新增AI 智能体驱动的就业环境与政策市场实时分析模块，实现数智化驱动、可视化易用与实时性支撑的协同优势。测试表明，系统可精准解析用户需求，实时获取就业动态与政策信息，通过多角色视角输出分析结果，显著降低信息筛选成本，为企业招聘与政策制定提供可靠数据支撑。

关键词：数智化；AI 智能体；招聘可视化；实时分析；Django 框架

1 引言

互联网技术深度渗透使网络招聘成为企业引才与求职者择业的主流渠道。据艾瑞咨询2023 年报告，我国网络招聘市场规模已达486 亿元，年度招聘信息增量超30%，但当前系统仍存在信息分散与分析滞后两大痛点。求职者需手动筛选海量静态数据中的薪资、学历与企业规模等关键信息，难以全面把握行业动态；传统系统多基于历史数据开展可视化分析，无法实时响应就业市场热度变化与政策调整的影响，致使企业招聘与个人职业规划缺乏动态决策依据[1]。

现有研究中，王芳等基于 Python 实现招聘网站信息爬取与静态数据分析，未涉及实时处理[2]；贾柠瑜以猎聘网为例构建技术岗位薪资分析模型，缺乏政策与市场关联性探讨[3]。随着数智化技术发展，AI 智能体凭借自主协同与实时处理特性，为突破传统系统局限提供新路径。智能体集群可实现需求解析、数据采集、分析处理与界面生成的自动化，弥补传统系统功能短板，形成“静态数据+实时智能”的双重支撑。

本研究意义主要体现在三个维度：为求职者整合静态岗位数据、实时行业动态与政策红利信息，通过智能分析生成职业路径推演与技能需求映射；帮助企业实时捕捉招聘热度与竞品策略，结合政策导向优化招聘方案；辅助政策制定者可视化分析政策与就业市场的关联性，为政策优化提供依据。研究核心内容为传统招聘可视化系统与AI 智能体工作流的融合开发，包括原有系统优化、智能体集群构建与系统融合测试，确保功能模块协同运作。

2 系统总体设计

2.1 设计原则

系统开发遵循四大原则：兼容性方面，新增AI 模块不改变原系统核心代码，通过独立组件与数据库表实现功能扩展；实时性方面，智能体集群依托定时任务触发数据采集与分析，确保就业市场动态与政策信息每日至少更新一次；多角色适配方面，动态分析智能体支持求职者、企业及政策制定者三类视角，输出差异化结果；易用性方面，前端可视化沿用 ECharts 风格，新增模块布局及操作逻辑与原系统一致。

2.2 系统架构

系统采用“数据层—智能处理层—应用层”三层架构，融合原可视化推荐模块与新增AI 智能体模块。数据层集成多源数据存储与整合功能，包括原MySQL 数据库中猎聘网 Java、Python、Php 岗位数据的“demo 表”，新增存储政策名称、发布时间、适用区域、AI 解析内容及更新时间的“PolicyInfo表”，以及记录行业类别、区域、需求热度指数、关联政策与更新时间的“MarketDynamic 表”。

智能处理层为核心数智化组件，包含四大 AI 智能体：文本解析智能体基于DeepSeek 模型解析用户需求，提取区域、岗位与经验等关键词；智能搜索代理集群依解析结果索引，同步采集猎聘网爬虫数据、实时就业市场动态、政策法规知识图谱及行业趋势指标库数据；动态分析智能体读取整合数据，完成市场热度捕捉、技能需求映射、职业路径推演与政策—市场关联分析[4][5]；自适应网页生成智能体将分析结果转化为ECharts 组件，生成多角色适配界面。

应用层整合原系统数据概况、薪资可视化、企业分布与岗位推荐功能，新增就业环境与政策市场实时分析模块，通过Django 路由统一访问入口，用户经导航栏跳转至新功能模块，操作逻辑保持一致。

2.3 核心技术栈

技术架构严格遵循稳定性、高效性与智能性三大核心原则进行设计与选型，构建了一套层次清晰、协同高效的全栈技术解决方案。

后端框架采用 Django 4.2 LTS，其成熟的 MVT 模式将数据模型、业务逻辑与表现层彻底解耦，配合开箱即用的多角色认证、细粒度权限管理及 REST Framework，可在数小时内完成用户体系、API网关与后台管理站点的搭建；同时利用 Django 的缓存框架、连接池与异步视图（Async Views）能力，将接口平均响应时间稳定在 200 ms 以内，为高并发场景预留了 3× 的冗余空间。

数据采集层以 Selenium 4.0 为核心驱动，辅以 User-Agent 随机池、IP 代理池、滑块验证码深度学习模型及浏览器指纹混淆技术，可在 5 分钟内完成一次对猎聘网 30 页加密岗位数据的完整拉取，解析准确率 ⩾98% ；抓取结果经去重、脏词过滤、HTML 转义后写入 Kafka 消息队列，实现采集与后续清洗的解耦，单日可承载 50 万条增量数据而不丢包。存储层选用 MySQL 8.0，开启 GTID 主从复制与 InnoDB 聚簇索引，按“区域-行业-时间”三级分区后单表 2 亿行范围查询耗时 ⟨ 0.3s ；同时引入 JSON 字段存储政策原文的半结构化内容，结合函数索引实现“政策类型+关键词”毫秒级全文检索，为复杂的多表关联及实时聚合提供事务级一致性保障。

前端可视化集成 ECharts 5.4，内置 Canvas & SVG 双引擎自动切换，在 4K 大屏下可流畅渲染10 万级散点；封装了 12 类面向就业场景的业务组件（薪资预测带、需求热度流、政策情感河流图），通过 Dataset 与数据增量接口实现图表维度秒级联动。AI 语义中心部署 DeepSeek-R1.5（7B 参数）蒸馏模型，在 2 张 RTX-4090 上启用 4-bit 量化与 vLLM 框架，首字延迟 220ms ，支持 500 QPS并发，对用户查询、政策文本及舆情评论进行意图识别、情感打分与关键词抽取，F1 值达到 0.91。最后，引入 Django-Celery 分布式任务队列，搭配 Redis Sentinel 与 Flower 监控，将模型微调、全文索引重建、增量爬虫等 20 余种长耗时任务拆分为 1～5 s 原子任务，基于优先级队列与重试机制实现 7×24 h 无人值守运行，使系统端到端数据延迟控制在 3 分钟以内，整体可用性达 99.9%。

3 核心模块实现

3.1 原有系统优化

原系统优化聚焦数据存储与爬虫适配。数据存储方面，为支持多源数据整合，MySQL 数据库新增“PolicyInfo 表”与“MarketDynamic 表”，两表均含唯一标识、区域与行业关联字段，独立于原“demo表”存储，避免结构改动引发系统故障。

原系统爬虫模块基于Selenium 构建，仅支持猎聘网静态岗位数据的定时爬取，存在数据源单一、响应延迟等问题。优化后，爬虫模块升级为智能搜索代理集群，实现多模式协同采集：

静态爬虫模块：保留Selenium 对猎聘网的定向爬取能力，但优化其调度策略。爬虫可根据智能代理下发的指令（如“深圳Php 岗位”“北京Java 高级工程师”）动态调整爬取关键词和筛选条件，实现精准数据采集。爬取结果经清洗去重后写入demo 表，并标记数据来源及爬取时间。

实时数据采集接口：通过Python-requests 库构建高效 HTTP 客户端，对接政府信息公开平台、行业数据服务平台及第三方就业数据API。实时采集政策发布、行业动态、区域人才需求等数据，经结构化解析后写入 PolicyInfo 表和 MarketDynamic 表。

协同工作机制：智能代理集群接收用户查询请求或定时任务触发，并行调用静态爬虫和实时数据接口。静态数据用于生成基础岗位列表，实时数据用于计算需求热度、政策关联度等动态指标，二者通过区域、行业字段关联，形成完整数据链条。通过Django-Celery 配置分布式任务队列，支持爬虫任务的异步调度与优先级管理，确保数据采集效率及系统响应实时性。优化后的爬虫模块实现了“实时需求触发+定时全量更新”的协同模式，既保障了基础数据的稳定性，又增强了系统对市场动态的敏感度，为后续智能分析提供了可靠数据支撑。

3.2 AI 智能体模块实现

文本解析智能体作为用户交互入口，基于DeepSeek-v3.1 解析输入文本，提取关键词并转化为结构化数据，触发智能搜索代理集群，整个过程耗时低于1 分钟。

智能搜索代理集群实行多数据源并行采集：静态数据调用 Selenium 爬取猎聘网信息；实时数据经requests 库访问政府官网、人社部平台与行业报告平台，采集政策文本、需求热度与行业指标，清洗去重并标准化需求指数至 0—100 区间，写入对应数据库表。通过 Django-Celery 定时任务每12 小时全量采集，保障数据实时性。

动态分析智能体支持多角色差异化分析：为求职者计算岗位薪资分布与技能需求占比，推演职业路径；为企业分析竞品招聘热度与区域成本差异，提供招聘策略建议；为政策制定者关联政策与市场数据，计算政策实施后需求增长率，生成效果报告。

自适应网页生成智能体复用 ECharts 风格，生成就业市场全景仪表板、政策—市场关联分析界面与个性化分析界面三大组件，支持用户按区域、行业筛选，操作逻辑与原系统一致。

3.3 前后端交互实现

本系统基于 Django REST Framework 构建了高效的前后端交互体系，通过 RESTful API 接口为前端提供数据支持。前端采用 Ajax 技术异步发送携带参数的GET 请求，后端接收到请求后，调用动态分析智能体关联查询多源数据库表，并返回结构化的 JSON 数据，最终由ECharts 组件解析并渲染成可视化图表。通过数据库查询优化、Redis 缓存热点数据、Celery 异步任务处理及前端懒加载等多重性能优化策略，系统在保证功能完整性的同时，实现了全程交互耗时低于 2 分钟的性能目标，为用户提供了流畅高效的使用体验。

4 系统融合与功能展示

4.1 数据融合

系统采用“存储-处理-展示”三层融合架构，将静态历史数据与实时动态数据整合为统一视图。存储层依托单一 MySQL 实例，以区域编码和行业编码为主键，把猎聘网技术岗位表 demo 与新增的政策 PolicyInfo、市场 MarketDynamic 两表建立联合索引，并用数据库视图 view_job_policy_relation 封装跨表查询，降低应用层复杂度。处理层由智能搜索代理集群执行统一清洗：先对岗位、政策、市场三类源数据去重、缺失值填充、指标标准化，再由动态分析智能体按“岗位推荐权重 .01 技能匹配度 +0.3× 需求热度 +0.1× 政策关联度”的加权融合算法生成综合评分，支撑后续决策。展示层基于 ECharts 构建混合可视化，同一图表内可叠加静态薪资分布柱状图与实时政策-市场散点图，并通过区域、行业联动筛选器同步刷新；标签页提供“岗位视角/政策视角/市场视角”一键切换，满足多角色差异化浏览需求。

4.2 功能互补

新增 AI 模块与原系统形成“静态基础＋动态增强”双轨互补：数据采集侧，原系统仅靠 Selenium 爬取猎聘静态岗位，新模块以 Requests 对接政府开放平台、人社部监测系统及艾瑞、QuestMobile 等报告 API，实时补入政策、区域需求与行业竞争数据，破解数据源单一、时效不足痛点；分析侧，原系统止步于描述性统计，新模块为求职者推演“Java→架构师”技能路径，为企业提供竞品薪资与区域热度预警，为政策方输出“税收优惠—IT 岗位增长率”关联报告；可视化侧，原孤立图表升级为集成地理热力、时间联动曲线及区域-行业-政策交叉筛选器的交互式全景仪表板；推荐侧，原协同过滤仅吃历史行为，新模块把实时技能热度与政策红利标签动态注入权重，令推荐结果同时反映长期规律与短期市场波动。

4.3 功能展示

就业环境与政策市场实时分析界面左侧为区域、行业与政策类型筛选栏，右侧可视化区含政策发布时间轴、行业需求热度折线图与区域政策分布视图三大组件，用户可查看政策核心内容及关联岗位数据。

个性化岗位推荐界面经文本解析智能体提取关键词，结合实时技能需求数据推荐匹配岗位，标注关联政策信息，如补贴申领资格，辅助求职者统筹职业发展与政策红利。

5 结论与展望

5.1 研究结论

本文系统通过融合传统招聘可视化系统与 AI 智能体工作流，实现数据维度 从“单一岗位”向“政策—市场—岗位”多元扩展，分析能力从静态描述升级为多角色动态决策支持，系统兼容性确保原有代码无改动，为传统系统数智化升级提供可复用方案。测试结果表明系统在实时性、准确性与易用性方面均达设计目标，提升招聘市场信息效率与决策科学性。

5.2 未来展望

系统尚存优化空间：智能体模型可升级至DeepSeek-33B 等更大参数模型，提升解析与分析精度；数据来源可扩展至行业协会报告与高校监测数据，丰富分析维度；交互体验可引入自然语言输入功能，进一步降低操作门槛。

参考文献

[1].关鑫洁，黄思奇，位磊. 基于Python 的求职信息采集分析系统设计与实现[J]. 计算机时代，2020（07）：34-37.

[2].王芳. 基于 Python 的招聘网站信息爬取与数据分析[J]. 信息技术与网络安全，2019（08）：45-48.

[3].贾柠瑜. 基于Python 爬虫的岗位数据分析——以猎聘网为例[J]. 信息技术与信息化，2019（12）：112-114.

[4].杨众. 基于 Python 语言的招聘信息可视化分析[J]. 计算机与网络，2019，45（20）：68-70.

[5].王慧玲.1 招聘网站数据可视化分析平台的设计与实现[D]. 曲阜师范大学，2020.

基金项目：2025 年省级大学生创新创业训练计划项目；（项目编号：XJ202413714037）