本项目面向技术岗位招聘信息，完成从单条 JD 输入、岗位归类、技能抽取与归一化，到岗位技能频率、生命周期、迁移路径和岗位画像的动态更新。
系统维护两个彼此隔离的数据域：
| 数据域 | 面向数据 | 维护内容 |
|---|---|---|
| 公司岗位 | 企业技术岗位 JD | 月度技能频率、技能池、生命周期、迁移分析、岗位画像 |
| 政府技术岗位 | 已筛选的政府计算机相关岗位 | 保留真实发布时间的年度招聘流，独立维护词典、技能池、分析结果和数据库 |
两套系统共享文本处理、text2vec 相似度和 LLM 调用能力，但绝不共用标准岗位词典、技能词典、基础 CSV、SQLite 数据库或待审核队列。
用户输入一条 JD
-> LLM 清洗岗位名称
-> text2vec 与标准岗位词典计算候选
-> 需要时由 LLM 对 Top-K 二次裁决
-> 技能抽取与归一化
-> 自动入库或人工确认
-> 更新事件流、频率、技能池、生命周期、迁移和岗位画像
-> 同步写入所属数据域的 SQLite
人工确认模式允许用户选择 Top-K 标准岗位、删除或修改抽取技能、补充规范技能，确认后才写入正式基础数据。疑似新岗位和新技能先进入待维护队列，不自动污染正式词典。
dataset/
job_update/
company_job_update/ 公司岗位更新系统与基础数据
government_job_update/ 政府技术岗位更新系统与基础数据
shared/ 两个数据域共用的 LLM、相似度、文本工具
岗位数据流生成与评测系统/ 公司岗位初始基线事件流生成工具
web_app/ 双数据源 Web 控制台
详细使用说明：
在 Windows PowerShell 中执行：
cd "B:\揭榜挂帅\dataset"
python -m pip install -r requirements.txt
npm install首次运行会下载 shibing624/text2vec-base-chinese 模型。岗位名称清洗、技能抽取和中间分数岗位裁决使用配置的 LLM；在 B:\揭榜挂帅\dataset\.env 中配置相应 API Key，例如：
DEEPSEEK_API_KEY=你的密钥
启动 Web 控制台：
cd "B:\揭榜挂帅\dataset"
npm run web:job-update打开 http://127.0.0.1:8787，在顶部选择“公司岗位”或“政府技术岗位”。
运行全部岗位更新测试：
cd "B:\揭榜挂帅\dataset"
npm run test:job-update- 人工维护的源数据和词典：公司
standard_job_title_dictionary.csv、company_skill_dictionary.csv、政府源数据government_jobs_2024_2026_tech_final.csv、政府标准岗位词典、government_skill_dictionary.csv，以及政府初始岗位映射审核结果。 - 命令或 Web 自动维护的数据：两个数据域的正式事件流、技能频率、技能池、生命周期、迁移、岗位画像、待审核记录和
*.db。不要直接编辑这些派生 CSV 或 SQLite；应通过单条 JD 入库、人工确认、重建命令或正式初始化流程更新。 outputs/、LLM 缓存、浏览器运行产物属于本地过程文件，已由.gitignore排除。- 公司岗位的初始事件流由“岗位数据流生成与评测系统”构造；政府岗位使用原始数据自带的真实时间流。