传统求职只看薪资高低，编写求职幸福感评估程序，综合氛围成长，颠覆唯薪资择业观念。
「求职幸福感评估程序（Job Happiness Evaluator）」
——用多维度模型替代“只看薪资”，帮助你用数据和逻辑做出更长期主义的职业选择，非常适合作为 创新思维 & 创业实验课程 的教学案例。
一、实际应用场景描述
- 很多求职者：
- 只看月薪、年薪
- 入职后才发现加班严重、氛围压抑
- 一年后 burnout（倦怠）
- 典型场景：
- 应届生第一份工作
- 职场跳槽决策
- 转行前的试算评估
- 真实需求：不是“哪份工资高”，而是“哪份能让我长期更好”。
二、引入痛点（中立陈述）
传统求职 实际问题
唯薪资论 忽略隐性成本
短期最大化 牺牲长期发展
信息缺失 只看 JD 表面
决策焦虑 缺乏评估框架
👉 痛点本质：
不是“选错工作”，而是“用了错误的决策标准”。
三、核心逻辑讲解（创新思维）
核心思想
职业幸福感 = 薪资合理性 + 成长空间 + 氛围健康度
逻辑结构
岗位信息
├─ 薪资维度
├─ 成长维度
├─ 氛围维度
└─ 加权幸福指数
创业实验视角
- MVP：一个 CLI 岗位评分工具
- 假设：多维评估比单一薪资更能预测满意度
- 验证指标：用户是否减少后悔率
四、代码实现（Python，模块化 & 清晰注释）
项目结构
job_happiness/
│
├── main.py
├── evaluator.py
├── weights.py
└── README.md
1️⃣
"weights.py"（维度权重配置）
"""
weights.py
各维度权重（可调整）
"""
WEIGHTS = {
"salary": 0.4,
"growth": 0.3,
"culture": 0.3
}
2️⃣
"evaluator.py"（幸福感评估逻辑）
"""
evaluator.py
计算岗位幸福感
"""
from weights import WEIGHTS
def normalize(value, max_value):
"""
归一化到 0~1
"""
return min(value / max_value, 1)
def job_happiness_score(job):
"""
job 是一个 dict，包含：
salary, growth, culture
"""
salary_score = normalize(job["salary"], 50000)
growth_score = normalize(job["growth"], 10)
culture_score = normalize(job["culture"], 10)
total = (
salary_score * WEIGHTS["salary"] +
growth_score * WEIGHTS["growth"] +
culture_score * WEIGHTS["culture"]
)
return round(total * 100, 1)
3️⃣
"main.py"（用户交互入口）
"""
main.py
求职幸福感评估程序
"""
from evaluator import job_happiness_score
print("=== 求职幸福感评估程序 ===")
jobs = []
n = int(input("要比较几个岗位："))
for i in range(n):
print(f"\n岗位 {i+1}")
name = input("岗位名称：")
salary = float(input("月薪（参考上限 50000）："))
growth = float(input("成长空间（0~10）："))
culture = float(input("团队氛围（0~10）："))
jobs.append({
"name": name,
"salary": salary,
"growth": growth,
"culture": culture
})
print("\n📊 幸福感评估结果：")
for job in jobs:
score = job_happiness_score(job)
print(f"{job['name']} | 幸福指数：{score}/100")
五、README.md
# 求职幸福感评估程序（教学示例）
## 项目定位
- Python 编程练习
- 创新思维与创业实验原型
- 职业决策辅助工具
## 功能
- 多维度岗位评估
- 降低唯薪资偏见
- 提供结构化决策依据
## 使用说明
1. 安装 Python 3.10+
2. 运行：
python main.py
3. 按提示输入岗位信息
## 注意事项
- 非职业规划权威结论
- 权重为简化设定
- 仅作学习与实验用途
六、核心知识点卡片（可直接截图）
知识点 说明
多维评估 不只看薪资
归一化 统一不同量纲
加权模型 体现优先级
长期主义 牺牲短期换长期
决策框架 减少情绪化选择
创业实验 验证“幸福感 > 薪资”
七、总结（中立）
- 本项目不否认薪资重要，也不鼓吹情怀
- 通过 Python + 简单加权模型把“找工作”从赌博式选择变成可解释的决策
- 适合作为：
- 全栈工程师练手项目
- 创新思维课程案例
- 个人职业发展实验
利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！