> Discover all available pages from the documentation index: https://mastra.zisheng.pro/llms.txt

# 构建 AI 招聘助手

在本指南中，你将了解 Mastra 如何帮助你构建使用 LLM 的 Workflow。

你将创建一个 Workflow，从候选人的简历中收集信息，然后根据候选人资料分支到技术问题或行为问题。在此过程中，你会了解如何组织 Workflow 步骤、处理分支，以及集成 LLM 调用。

## 前提条件

- 已安装 Node.js `v22.13.0` 或更高版本
- 受支持的 [Model Provider](https://mastra.zisheng.pro/models) 提供的 API 密钥
- 现有的 Mastra 项目（按照[安装指南](https://mastra.zisheng.pro/guides/getting-started/quickstart)设置新项目）

## 构建 Workflow

设置 Workflow，定义用于提取和分类候选人数据的步骤，然后提出合适的后续问题。

1. 新建文件 `src/mastra/workflows/candidate-workflow.ts` 并定义 Workflow：

   ```ts
   import { createWorkflow, createStep } from '@mastra/core/workflows'
   import { z } from 'zod'

   export const candidateWorkflow = createWorkflow({
     id: 'candidate-workflow',
     inputSchema: z.object({
       resumeText: z.string(),
     }),
     outputSchema: z.object({
       askAboutSpecialty: z.object({
         question: z.string(),
       }),
       askAboutRole: z.object({
         question: z.string(),
       }),
     }),
   }).commit()
   ```

2. 你需要从简历文本中提取候选人的详细信息，并将其分类为“技术”或“非技术”人员。此步骤会调用 LLM 来解析简历，并返回结构化 JSON，其中包含姓名、是否属于技术人员、专业领域和原始简历文本。通过 `inputSchema` 定义后，你可以在 `execute()` 内访问 `resumeText`。使用它向 LLM 发出提示，并返回整理后的字段。

   将以下内容添加到现有的 `src/mastra/workflows/candidate-workflow.ts` 文件：

   ```ts
   import { Agent } from '@mastra/core/agent'

   const recruiter = new Agent({
     id: 'recruiter-agent',
     name: 'Recruiter Agent',
     instructions: `You are a recruiter.`,
     model: 'openai/gpt-5.6-sol',
   })

   const gatherCandidateInfo = createStep({
     id: 'gatherCandidateInfo',
     inputSchema: z.object({
       resumeText: z.string(),
     }),
     outputSchema: z.object({
       candidateName: z.string(),
       isTechnical: z.boolean(),
       specialty: z.string(),
       resumeText: z.string(),
     }),
     execute: async ({ inputData }) => {
       const resumeText = inputData?.resumeText

       const prompt = `Extract details from the resume text:
   "${resumeText}"`

       const res = await recruiter.generate(prompt, {
         structuredOutput: {
           schema: z.object({
             candidateName: z.string(),
             isTechnical: z.boolean(),
             specialty: z.string(),
             resumeText: z.string(),
           }),
         },
       })

       return res.object
     },
   })
   ```

   由于你在 `execute()` 内使用了 Recruiter Agent，需要在该步骤上方定义它，并添加所需的 import。

3. 此步骤会让被识别为“技术”人员的候选人进一步介绍他们如何进入自己的专业领域。它会使用完整的简历文本，以便 LLM 编写相关的后续问题。

   将以下内容添加到现有的 `src/mastra/workflows/candidate-workflow.ts` 文件：

   ```ts
   const askAboutSpecialty = createStep({
     id: 'askAboutSpecialty',
     inputSchema: z.object({
       candidateName: z.string(),
       isTechnical: z.boolean(),
       specialty: z.string(),
       resumeText: z.string(),
     }),
     outputSchema: z.object({
       question: z.string(),
     }),
     execute: async ({ inputData: candidateInfo }) => {
       const prompt = `You are a recruiter. Given the resume below, craft a short question
   for ${candidateInfo?.candidateName} about how they got into "${candidateInfo?.specialty}".
   Resume: ${candidateInfo?.resumeText}`
       const res = await recruiter.generate(prompt)

       return { question: res?.text?.trim() || '' }
     },
   })
   ```

4. 如果候选人属于“非技术”人员，你需要提出不同的后续问题。此步骤会询问他们对该职位最感兴趣的方面，同样会引用其完整简历文本。`execute()` 函数会让 LLM 生成一个以职位为重点的问题。

   将以下内容添加到现有的 `src/mastra/workflows/candidate-workflow.ts` 文件：

   ```ts
   const askAboutRole = createStep({
     id: 'askAboutRole',
     inputSchema: z.object({
       candidateName: z.string(),
       isTechnical: z.boolean(),
       specialty: z.string(),
       resumeText: z.string(),
     }),
     outputSchema: z.object({
       question: z.string(),
     }),
     execute: async ({ inputData: candidateInfo }) => {
       const prompt = `You are a recruiter. Given the resume below, craft a short question
   for ${candidateInfo?.candidateName} asking what interests them most about this role.
   Resume: ${candidateInfo?.resumeText}`
       const res = await recruiter.generate(prompt)
       return { question: res?.text?.trim() || '' }
     },
   })
   ```

5. 现在，把这些步骤组合起来，根据候选人是否属于技术人员实现分支逻辑。Workflow 会先收集候选人数据，然后根据 `isTechnical`，询问其专业领域或目标职位。具体做法是将 `gatherCandidateInfo` 与 `askAboutSpecialty` 和 `askAboutRole` 串联起来。

   在现有的 `src/mastra/workflows/candidate-workflow.ts` 文件中，按以下方式更改 `candidateWorkflow`：

   ```ts
   export const candidateWorkflow = createWorkflow({
     id: 'candidate-workflow',
     inputSchema: z.object({
       resumeText: z.string(),
     }),
     outputSchema: z.object({
       askAboutSpecialty: z.object({
         question: z.string(),
       }),
       askAboutRole: z.object({
         question: z.string(),
       }),
     }),
   })
     .then(gatherCandidateInfo)
     .branch([
       [async ({ inputData: { isTechnical } }) => isTechnical, askAboutSpecialty],
       [async ({ inputData: { isTechnical } }) => !isTechnical, askAboutRole],
     ])
     .commit()
   ```

6. 在 `src/mastra/index.ts` 文件中注册 Workflow：

   ```ts
   import { Mastra } from '@mastra/core'
   import { candidateWorkflow } from './workflows/candidate-workflow'

   export const mastra = new Mastra({
     workflows: { candidateWorkflow },
   })
   ```

## 测试 Workflow

启动开发服务器后，可以在 [Studio](https://mastra.zisheng.pro/docs/studio/overview) 中测试 Workflow：

```bash
mastra dev
```

在侧边栏中转到 **Workflows** 并选择 **candidate-workflow**。中间会显示 Workflow 的图形视图，右侧边栏默认选中 **Run** 选项卡。在此选项卡中，你可以输入简历文本，例如：

```text
Knowledgeable Software Engineer with more than 10 years of experience in software development. Proven expertise in the design and development of software databases and optimization of user interfaces.
```

输入简历文本后，按下 **Run** 按钮。此时应该会看到两个状态框（`GatherCandidateInfo` 和 `AskAboutSpecialty`），其中包含 Workflow 步骤的输出。

你也可以通过调用 [`.createRun()`](https://mastra.zisheng.pro/reference/workflows/workflow-methods/create-run) 和 [`.start()`](https://mastra.zisheng.pro/reference/workflows/run-methods/start)，在程序中测试 Workflow。新建文件 `src/test-workflow.ts` 并添加以下内容：

```ts
import { mastra } from './mastra'

const run = await mastra.getWorkflow('candidateWorkflow').createRun()

const res = await run.start({
  inputData: {
    resumeText:
      'Knowledgeable Software Engineer with more than 10 years of experience in software development. Proven expertise in the design and development of software databases and optimization of user interfaces.',
  },
})

// Dump the complete workflow result (includes status, steps and result)
console.log(JSON.stringify(res, null, 2))

// Get the workflow output value
if (res.status === 'success') {
  const question = res.result.askAboutRole?.question ?? res.result.askAboutSpecialty?.question

  console.log(`Output value: ${question}`)
}
```

现在运行 Workflow，并在终端中查看输出：

```bash
npx tsx src/test-workflow.ts
```

你已经构建了一个 Workflow，它可以解析简历，并根据候选人的技术能力决定要提出的问题。恭喜，祝你开发愉快！