简历学历/年限机制完善：学位词同行'至今'推断在读（专硕…2025.09-至今→硕士（在读））、无'X年经验'时按实习/工作/项目时间段累计兜底（教育经历不计入）、年限显示优先级（明确工龄>在读/应届>区间估计），新增回归测试 2 例

app/match/resume.py

@@ -23,11 +23,17 @@ _NAME_RE = re.compile(r"姓\s*名\s*[:：]\s*([一-龥]{2,4})")
 # 简历常见写法：首行裸姓名（无"姓名："前缀），如"      王伟航      "
 _BARE_NAME_RE = re.compile(r"^\s*([一-龥]{2,4})\s*$", re.MULTILINE)
 _YEARS_RE = re.compile(r"(\d+(?:\.\d+)?)\s*年(?:以上)?[^\n，。；]{0,6}?经验")
+# 时间段兜底："2023.07-2023.08" / "2021.09-2025.6" / "2025.12-至今"
+_PERIOD_RE = re.compile(
+    r"(20\d{2})\s*[./年]\s*(\d{1,2})\s*月?\s*[-–—~]+\s*(?:(20\d{2})\s*[./年]\s*(\d{1,2})\s*月?|至今)")
 _GENDER_RE = re.compile(r"性\s*别\s*[:：]?\s*(男|女)")
 _EDU_RE = re.compile(r"(博士后|博士|专硕|学硕|硕士|研究生|MBA|本科|大专|专科)")
 _EDU_MAP = {"专硕": "硕士", "学硕": "硕士", "研究生": "硕士"}
 # 在读学历：「硕士在读」或「大二/大三」这类年级写法 → 本科（在读）
 _EDU_READING_RE = re.compile(r"(本科|硕士|博士|研究生|MBA)\s*在读")
+# 学位词同行出现"至今"（教育经历未结束的常见写法）：金融科技（专硕）… 2025.09-至今 → 在读
+_EDU_ONGOING_RE = re.compile(
+    r"(博士后|博士|专硕|学硕|硕士|研究生|MBA|本科|大专|专科)[^\n]{0,30}?至今")
 _GRADE_RE = re.compile(r"大[一二三四]")
 _ADDR_RE = re.compile(r"(?:家庭住址|现居(?:住)?(?:地|址)?|联系地址|通讯地址|籍贯)[:：]\s*([^\n，。；]{2,30})")
 
@@ -53,10 +59,13 @@ def _extract_name(text: str) -> str:
 
 
 def _extract_education(text: str) -> str:
-    """学历：优先识别在读（"硕士在读"/"大二"年级写法），再匹配学位词。"""
+    """学历：优先识别在读（"硕士在读" / 学位词同行"至今" / "大二"年级写法），再匹配学位词。"""
     rm = _EDU_READING_RE.search(text)
     if rm:
         return f"{_EDU_MAP.get(rm.group(1), rm.group(1))}（在读）"
+    om = _EDU_ONGOING_RE.search(text)
+    if om:
+        return f"{_EDU_MAP.get(om.group(1), om.group(1))}（在读）"
     if _GRADE_RE.search(text):
         return "本科（在读）"
     m = _EDU_RE.search(text)
@@ -178,6 +187,33 @@ def _mask_addr(addr: str) -> str:
     return addr[:6] + "***" if len(addr) > 6 else addr
 
 
+def _estimate_years(text: str) -> float:
+    """工作年限兜底估计：无"X年经验"写法时，累加工作/实习/项目分节中的时间段。
+
+    教育经历不计入工龄；无分节时剔除教育相关行后全文兜底。
+    单段封顶 36 个月、总计封顶 10 年，防误识别。
+    """
+    import datetime as _dt
+    work_titles = {"工作经历", "工作经验", "实习经历", "项目经历", "项目经验"}
+    secs = split_sections(text)
+    body = "\n".join(s["text"] for s in secs if s["title"] in work_titles)
+    if not body.strip():
+        body = "\n".join(ln for ln in text.splitlines()
+                         if not re.search(r"大学|学院|学校|教育|学历|学位|GPA", ln, re.IGNORECASE))
+    now = _dt.date.today()
+    months = 0
+    for m in _PERIOD_RE.finditer(body):
+        y1, m1 = int(m.group(1)), int(m.group(2))
+        if m.group(3):
+            y2, m2 = int(m.group(3)), int(m.group(4))
+        else:
+            y2, m2 = now.year, now.month
+        dm = (y2 - y1) * 12 + (m2 - m1) + 1
+        if 0 < dm <= 600:           # 超 50 年的区间视为误识别
+            months += min(dm, 36)
+    return round(min(months, 120) / 12, 1)
+
+
 def parse_resume(text: str, matcher: SkillMatcher | None = None,
                  photo_b64: str = "") -> ResumeProfile:
     """从简历文本解析脱敏画像（含结构化基本信息与分节）。"""
@@ -194,7 +230,7 @@ def parse_resume(text: str, matcher: SkillMatcher | None = None,
         name=(name[0] + "*" * (len(name) - 1)) if name else "",
         phone=(phone_m.group(0)[:3] + "****" + phone_m.group(0)[-2:]) if phone_m else "",
         email=(email_m.group(0)[0] + "***@" + email_m.group(0).split("@")[1]) if email_m else "",
-        years=float(years_m.group(1)) if years_m else 0.0,
+        years=float(years_m.group(1)) if years_m else _estimate_years(text),
         skills=matcher.find_names(text),
         scenarios=matcher.find_scenarios(text),
         raw_masked_text=masked,