职途 AI Agent | JobHunter Career OS

Product Overview

先是一套完整求职系统，再由 Agent 串起每一步

职途 AI 把原本散落在文档、面经、招聘网站和备忘录里的求职数据放回一条六步求职闭环。每个模块都能独立使用，Agent 则负责理解当前状态、寻找阻塞点并协助推进。

One Career Data Loop

解决的不是单次问答，而是持续数周的求职协作

用户先建立职业目标和简历资产，再围绕真实 JD 做匹配、面试训练和投递跟进。所有结果都会成为后续决策的证据，Agent 不需要用户每次重新讲一遍背景。

业务事实：简历、JD、机会、面试、行动项和时间线智能辅助：诊断、匹配、训练建议、阶段复盘和安全提案适用方向：计算机、运营、市场、财务、教育、行政人事

职业目标沉淀岗位方向、城市、薪资和能力偏好，作为后续分析基线。

简历资产支持文本、Word/PDF、版本管理、诊断修改和技能证据提取。

JD 与岗位匹配解析职责和关键词，输出匹配证据、能力缺口与改写方向。

模拟面试按真实阶段训练，保存回答、录音、反馈和可恢复会话。

机会工作区关联公司、岗位、JD、简历版本、面试准备和业务时间线。

投递与复盘追踪阶段、风险、行动项和准备度，形成下一步执行清单。

01 建立目标确认方向、城市、薪资和优先能力。

02 沉淀简历保存原件、解析内容并维护版本。

03 匹配 JD寻找关键词、证据和能力缺口。

04 模拟面试训练表达并记录真实反馈。

05 跟进机会维护投递阶段、风险和下一步。

06 复盘提升由 Agent 综合证据安排优先级。

Contextual Career Agent

Agent 核心特色：理解现状、调用工具、推进下一步

它不是悬浮在页面旁边的问答机器人。Agent 会读取当前页面上下文、关联简历或机会、分层记忆和实时业务数据，在有限预算内选择工具，综合多个工具结果，再给出可执行建议。

职途 AI 桌面 Web 端无 API Key 求职 Agent 连续调用四个业务工具并生成行动优先级的真实截图

Real Desktop Run

真实桌面运行：从一句问题到行动优先级

截图来自 1440 × 900 Web 实测。用户询问“帮我分析现在的求职情况”后，本地 Agent 连续读取准备度看板、职业目标、行动项和训练记录，综合多个工具结果，输出当前阻塞点和下一步，而不是把最后一次工具调用原样返回。

读取当前页面上下文，自动识别当前模块、简历或机会结合分层记忆与实时业务事实，不要求重复描述背景需要写入时先生成预览，用户确认后才执行

01

求职诊断与下一步

综合准备度、职业目标、行动项、训练质量和机会阶段，定位当前最影响结果的阻塞点并排序。

02

简历诊断与 JD 匹配

读取指定简历和真实 JD，分析关键词、项目证据、技能缺口与改写方向，并把建议定位到具体机会。

03

面试准备与训练复盘

结合岗位、简历、历史回答和训练记录，生成准备重点、薄弱问题与表达练习建议。

04

机会跟进与行动推进

盘点停留阶段、风险和最近事件，提出跟进或行动建议；新增、更新业务数据前必须由用户确认。

22

结构化工具

覆盖简历选择、诊断、草稿与定制面试题、JD、训练、机会、行动项、报告和受限网页读取。

6

分层记忆

工作、摘要、语义、情景、任务和实时业务记忆分开管理，不把所有历史无脑塞进 Prompt。

2

策略模式

确定性任务始终本地优先；有 Key 时再为开放表达与完整简历改写启用 provider-native tool_calls。

1

确认边界

所有 Agent 写入统一经过“提议 → 预览 → 单次确认 → 领域服务执行”，并展示 risk_level。

Agent Architecture

一次请求，怎样从上下文走到业务结果

智能度不只来自模型。真正决定结果质量的是上下文是否权威、记忆是否相关、工具是否能操作真实业务，以及写入是否可控。

页面上下文模块、resume_id、opportunity_id 与用户输入

ContextBuilder重新读取领域数据，构建权威上下文

MemoryStore检索相关画像、历史结果和待续任务

Orchestrator选择策略并控制轮数、时间和重复调用

ToolRegistry校验 Schema 后调用 22 个业务工具

结果综合组合证据、缺口、风险和行动优先级

领域服务只读返回；写入则先生成提议并等待确认

Memory

记忆不是一段无界聊天记录

W工作记忆与摘要记忆：保留当前对话、长对话结论和未完成事项。

S语义记忆：只沉淀用户明确确认的岗位、城市、薪资等事实。

E情景记忆：保存已完成任务的结果引用，用于相似问题检索。

T任务记忆与业务记忆：记录待补槽位，并实时查询简历、机会、面试和行动表。

Tool Registry

22 个工具如何解决求职问题

工具组	代表能力	产出
简历与 JD	简历选择、诊断、事实保真草稿、JD 解析、岗位匹配	关键词、证据、缺口和可编辑新版本
面试与训练	问题生成、回答评估、训练质量汇总	准备重点、薄弱问题和表达建议
机会与行动	机会盘点、详情读取、行动项、操作提议	阶段风险、跟进建议和下一步
职业决策	职业档案、准备度、薪资估算、阶段报告	目标差距和行动优先级
公开信息	DuckDuckGo Instant Answer API、受限公网文本网页读取	仅按用户请求获取时效公开资料；拒绝回环、内网和私有地址

工程说明

为什么它是 Agent，而不是普通聊天框

普通聊天框只生成文字；这里的 Agent 会重建当前页面、简历和机会的权威上下文，检索分层记忆，再由策略路由和 Orchestrator 在预算内调用工具，最后把结果写回具体的求职流程。需要写入时，它只创建可编辑提议，用户确认后才交给领域服务执行并返回回执。

实现方式：自研有界 Tool-Calling Runtime

不是标准 ReAct：不展示或依赖隐藏思维链。模型可用时使用 provider-native tool_calls；无 Key 时由 LocalPolicy 完成确定性多工具规划。暂未引入 LangChain / LangGraph，因为当前重点是本地领域事务、确认边界和恢复语义；当出现多 Agent 并行、跨服务长流程或审批状态图时再评估 LangGraph。外部工具只在用户请求公开资料时使用，核心简历、投递和训练数据均由本地领域工具与 SQLite 处理。

Real Product Screens

真实页面实景

展示页不仅说明系统做了什么，也直接呈现每个核心模块的实际界面，让功能、流程和视觉风格能一眼对应起来。

Agent Workflow · Current Run

选择简历后，直接生成定制面试题

真实桌面运行中，用户不需要记住简历编号：Agent 先给出可点击的简历卡，选中后以真实 resume_id 读取对应内容并生成 5 道题。该流程即使模型已连接也本地优先，避免简单任务被远程调用拖慢或答非所问。

简历名称中的数字不会覆盖真实选择 ID 输出题目与练习建议，不回显简历正文无 API Key 也可完成，模型用于开放表达增强

Dashboard

项目总览

首页把简历、面试、JD 匹配和投递数据聚合成一张求职作战台，并提供真实求职体验路线，用户可以快速看到当前准备度和下一步优先事项。

职业脉冲评分与待办建议按方向选择求职画像简历、面试、匹配、投递数据汇总

Resume Lab

简历实验室

围绕简历全生命周期设计，从上传、保存原件、文本解析，到分析修改、JD 优化、技能图谱和格式导出，形成可持续维护的简历资产。

上传 / 粘贴 / 保存原件一体化简历分析、修改、JD 优化分入口操作 PDF / Word 导出转换与技能图谱

Interview Studio

面试训练场

模拟真实面试推进路径，用户选择简历和岗位后进入流程化训练，同时保留专业知识面试、题库练习和训练记录。

自我介绍、项目深挖、技术追问分阶段推进语音回答、录音回放和表达复盘训练记录可查看答题与反馈情况

Offer Pipeline

投递看板

把公司、岗位、阶段、城市、备注和薪资评估放进同一个看板，避免投递多了以后进度混乱，也便于后续复盘。

新增投递与阶段管理投递进度、反馈、备注集中沉淀薪资评估和跟进建议辅助决策

Opportunity Workspace

机会详情工作区

围绕一个真实岗位集中组织 JD、匹配证据、关联简历、面试准备和时间线，让 Agent 的建议能够定位回具体机会。

机会阶段、风险和下一步集中显示 JD、简历版本与面试记录保持关联 Agent 建议和确认结果回到业务时间线

Visual System

双主题视觉系统

系统内置 Anime 和 Glass 两套风格。主题切换会同步影响 Logo、背景、Hero、卡片、视觉素材和状态组件，保证从首页到业务模块都保持一致。

Anime Theme

二次元轻潮流

柔和粉、薄荷绿、浅紫、插画角色和漂浮 UI 元素，让求职训练更轻松、更有陪伴感。

Glass Theme

液态玻璃科技感

使用项目中的真实首页视觉素材，以透明面板、深色层次和数据化组件强调 AI 求职工作台的工具属性。

Core Highlights

项目核心亮点

不只是一个功能清单，而是从架构到体验的系统性设计，让求职准备真正可追踪、可复盘、可持续优化。

🔄

完整求职闭环

从简历到 Offer，六步数据流转，每步结果沉淀到下一步。告别割裂工具拼凑，所有数据在同一个系统里流通。

🧠

多模型 AI 网关 + 本地兜底

接入智谱 GLM、DeepSeek、Kimi 三类供应商。无 Key 时进入明确标记的本地模式，可执行求职诊断、机会盘点、面试准备和简历建议。

🤖

自研 Agent Runtime

基于 FastAPI、SQLAlchemy 和 JSON Schema 实现有界工具循环、策略切换、任务续接和审计记录。后端拆分为 API、Application、Adapters、Ports 分层，前端迁移至 React 19 + TypeScript 模块化架构。当前没有引入 LangChain 或 LangGraph，避免增加重复框架层。

🎯

多专业求职画像

支持计算机、运营、市场、财务、教育、行政人事六大方向，题库、技能雷达和面试追问随方向自动切换。

🎤

语音表达深度分析

不只是语音转文字，还结合语速、停顿、语气词、逻辑结构给出多维度表达评分和改进建议，帮用户练"怎么说"。

🛡️

面试幻觉控制

识别"不知道、跳过、下一题"等回答，不强行编造高分反馈，而是给出合理跳过、参考答案或学习方向。

⚡

一键启动，重复双击可复用

双击 start.bat 打开交互菜单，自动检测 Python、Node.js、检查依赖、启动后端 (FastAPI :5000) 和前端 (Vite :5173) 并打开浏览器；支持启动、停止、重启和状态查看，停止时自动清理子进程。

Tech Stack

技术栈完整说明

项目采用轻量可运行架构，同时覆盖文件处理、模型调用、语音能力、图表渲染和数据持久化。

Python 3FastAPIUvicornSQLAlchemyAlembic python-docxreportlabpdf2docxPyPDF2 React 19TypeScriptViteChart.js Lucide IconsWeb Speech APIMediaRecorder APIWeb Audio API HTML5 VideoJSON SchemaSQLite FTS5PostgreSQLCloudflare PagesPlaywrightGitHub

分层架构

表现层：原生 HTML / CSS / JavaScript 实现工作台、双主题、图表、录音交互和模块跳转。
业务层：领域服务统一处理职业档案、简历版本、机会、面试、行动项、状态迁移和领域事件。
数据层：SQLite 保存业务事实、Agent 会话、分层记忆、运行审计、提案和幂等回执。
智能层：自研 Agent Runtime 负责上下文重建、策略切换、工具编排、任务预算与结果综合。
质量层：Python 334/334、Node 静态交互测试；浏览器矩阵覆盖 Chromium 与 Microsoft Edge。

Run Locally

双击 start.bat 即可启动

下载或克隆完整仓库，保留 start.bat、start-jobhunter.ps1、app.py 和 requirements.txt。
双击 start.bat；首次缺少依赖时会自动安装，成功后使用系统默认浏览器打开。
如果项目已经运行，再次双击会健康检查并打开现有页面，不会报错闪退。
真正失败时窗口会保留提示，详细原因写入 output/runtime/launcher.log。

GitHub Pages / 静态项目展示：本页面只展示项目与验收证据，不能在此直接使用 Agent；完整系统需要在本地启动。

Verification & Boundary

能运行，也说明边界

测试：Python 334/334、Node 静态交互测试。
浏览器：Microsoft Edge 与 Google Chrome 核心流程通过；本机缺少 Firefox 可执行文件，因此 Mozilla Firefox 记为 SKIP，不冒充 PASS。
无 Key：本地规则模式可完成确定性多工具任务，但不伪装成大模型生成。
隐私：当前是本地单用户应用，SQLite、上传文件、导出、日志和 API Key 不提交到 Git。
能力边界：Agent 不会自动投递，不会替用户联系招聘方，也不保证获得 Offer。

职途 AI Agent Career OS