CV2Offer Agent

CV2Offer Agent 是一个面向求职学习闭环的 Web App。它把简历、目标 JD、学习计划和职业证据放到同一个工作台里：先解析简历和岗位需求，再分析 CV-JD 差距，生成或导入学习计划，管理任务进度，最后把完成产物沉淀成可复用的职业证据，并生成 JD 定向 Markdown 简历草稿。

当前版本是 MVP，核心目标不是做一个完整 ATS 或精排简历工具，而是先跑通“差距分析 -> 学习计划 -> 任务执行 -> 证据沉淀 -> 简历草稿”的最小闭环。

原先由 AI 根据简历内容生成的 DeepResume 学习路线已经合并为默认参考内容库，位于 references/deepresume/。它为 Agent 提供默认简历、默认学习路线、面试准备资料和复盘素材。

功能概览

• 简历导入
  • 支持直接粘贴 Markdown / 文本简历。
  • 支持上传 UTF-8 / GBK 的 .md、.txt 简历文件。
  • 规则解析简历中的技能、项目证据和原始文本。
• JD 解析
  • 支持常见中文 JD 结构，如“岗位职责 / 岗位要求 / 加分项”。
  • 支持编号列表，例如 1、2、3、4、。
  • 已覆盖 AI 应用、Java 后端、微服务、分布式、中间件、数据库等常见技能词。
• CV-JD 差距分析
  • 输出匹配分、已覆盖技能、缺失核心技能、弱证据技能。
  • 为缺失或弱证据技能生成学习优先级和建议任务。
• 学习计划
  • 可根据 gap report 生成 4 周学习计划。
  • 可导入 Markdown 表格学习计划，并把 第 1-2 周 这种范围展开为逐周任务。
• 进度管理
  • 任务支持 todo / doing / blocked / done 状态。
  • 支持 check-in、实际耗时、完成备注、产物链接。
  • 完成任务后可自动生成职业证据。
• 职业证据库
  • 支持从任务生成 evidence。
  • 支持手动录入 evidence，包括类型、技能、来源任务、产物链接、resume bullet。
  • 支持按技能、来源任务、证据强度、是否有链接筛选。
• JD 定向简历草稿
  • 基于当前简历、JD 和 evidence 生成 Markdown 草稿。
  • 展示 evidence trace。
  • 标出 unsupported claims，提醒哪些 JD 核心技能还缺少证据支持。

当前架构

.
├── apps/
│   ├── api/                         # FastAPI 后端
│   └── web/                         # Next.js 前端工作台
├── docs/                            # CV2Offer 产品与开发文档
├── packages/                        # schema / prompts / evals 预留包
├── references/
│   └── deepresume/                  # 默认参考内容库
│       ├── algorithm/               # 算法 / AI 应用开发路线
│       ├── frontend/                # 前端 / AI 应用型前端路线
│       ├── testdevelop/             # 测试开发 / 游戏测试路线
│       ├── interview_experience/    # 面试经验复盘
│       ├── README.md
│       └── reference_routes.json    # 默认参考路线索引
├── docker-compose.yml
├── package.json
└── README.md

技术栈

• apps/web
  • Next.js 16
  • React 18
  • TypeScript
  • TailwindCSS
  • lucide-react
• apps/api
  • FastAPI
  • Pydantic
  • rule-based parser / analyzer / planner
  • in-memory repository
• Infra
  • Docker Compose
  • PostgreSQL
  • Redis

说明：MVP 后端目前使用内存存储，Docker Compose 中的 PostgreSQL 和 Redis 已预留，但核心数据还没有持久化到数据库。重启 API 后，已解析的数据、计划和证据会丢失。

环境要求

• Python 3.11+
• Node.js 20+，当前开发环境使用 Node 24 也可以运行
• npm
• 可选：Docker Desktop

本地启动

1. 安装前端依赖

在项目根目录执行：

npm install

2. 安装后端依赖

进入 API 目录：

cd apps/api
pip install -r requirements.txt

3. 启动 API

建议在项目根目录执行：

npm run api:dev

等价的手动命令是：

cd apps/api
python -m uvicorn app.main:app --reload --host 127.0.0.1 --port 8000

API 默认地址：

http://127.0.0.1:8000

健康检查：

http://127.0.0.1:8000/health

4. 启动前端

回到项目根目录：

npm --workspace apps/web run dev

前端默认地址：

http://localhost:3000

也可以使用根目录脚本：

npm run web:dev

Docker 启动

docker compose up --build

服务端口：

• Web: http://localhost:3000
• API: http://localhost:8000
• PostgreSQL: localhost:5432
• Redis: localhost:6379

使用流程

1. 导入简历和 JD

打开工作台后，在“导入简历与 JD”区域：

• 把简历文本粘贴到 Resume / Markdown。
• 或在 CV file 选择 .md / .txt 简历文件，然后点击 Parse CV file。
• 把目标岗位 JD 粘贴到 Target JD。
• 点击 Parse resume 和 Parse JD。

解析成功后，下方会显示简历 ID、岗位名称、核心技能和加分技能。

2. 生成差距分析

简历和 JD 都解析后，点击：

Generate gap report

系统会输出已覆盖技能、缺失核心技能、弱证据技能，以及每个技能的状态、优先级、建议任务和建议产物。

3. 生成或导入学习计划

有两种方式：

• 在 Gap Report 中点击 Generate 4-week plan。
• 在“学习计划导入”中粘贴 Markdown 表格，然后点击 Import Markdown plan。

Markdown 表格推荐格式：

| 阶段 | 时间 | 目标 | 主要内容 | 输出物 |
|---|---:|---|---|---|
| 快速补基础 | 第 1-2 周 | 守住算法题和 CS 基础 | 数据结构、Python、MySQL、Redis | 每天 2-3 题；整理错题 |
| RAG / Agent 应用 | 第 3-4 周 | 把项目深挖到可面试 | RAG、Agent、Text-to-SQL | 每个项目准备 10 个追问答案 |

导入后会在“周计划看板”中生成逐周任务。

4. 管理任务进度

在“周计划看板”里，每个任务可以填写状态、实际耗时、check-in、完成备注和产物链接。

操作按钮：

• 保存进度：只更新任务状态和 check-in。
• 完成并生成证据：把任务标记为完成，并创建 career evidence。

注意：任务标记为 done 时，必须填写完成备注或至少一个产物链接。

5. 管理职业证据

在 Evidence Vault 中可以按技能、来源任务、证据强度和是否有链接筛选，也可以手动创建 evidence。

手动 evidence 支持字段：

• Evidence title
• Type：learning / project / work / certificate
• Skills
• Source task
• Artifact link
• Resume bullet

证据强度规则：

• 没有链接：weak
• 1 个有效链接：medium
• 2 个及以上有效链接：strong

6. 生成 JD 定向简历草稿

在“定向简历草稿”区域点击：

Assemble resume

系统会基于当前 ResumeProfile、JobProfile 和 CareerEvidence 生成 Markdown 简历草稿，并展示：

• Evidence trace：每条证据支撑了哪些 JD 技能。
• Unsupported claims：JD 核心技能中目前没有 evidence 支撑的技能。

DeepResume 默认参考内容库

参考内容库位于：

• references/deepresume/

包含三条默认路线：

路线	简历入口	学习与面试资料
算法 / AI 应用开发	algorithm/algorithm.md	algorithm/ai_algorithm_interview_guide/
前端 / AI 应用型前端	frontend/frontend.md	frontend/frontend_interview_guide/
测试开发 / 游戏测试	testdevelop/testdevelop.md	testdevelop/testdevelop_interview_guide/

路线索引：

• references/deepresume/reference_routes.json

后续可以读取这个索引，在前端提供“载入默认参考路线”的能力，例如一键载入算法 / AI 应用开发方向的默认简历和 12 周学习计划。

API 列表

Health

GET /health

Resume

POST /api/resumes/parse
POST /api/resumes/parse-file
GET /api/resumes
POST /api/resumes/assemble

Job

POST /api/jobs/parse
GET /api/jobs

Gap

POST /api/gap/analyze

Learning Plan

POST /api/plans/generate
POST /api/plans/import
GET /api/plans
GET /api/plans/{plan_id}

Task

PATCH /api/tasks/{task_id}

Evidence

POST /api/evidence
GET /api/evidence

测试与验证

后端测试：

npm run api:test

或：

cd apps/api
python -m pytest

前端类型检查：

npm --workspace apps/web run typecheck

前端生产构建：

npm --workspace apps/web run build

说明：在 Windows 上，Next.js 构建时可能出现 @next/swc-win32-x64-msvc ... is not a valid Win32 application 警告。当前项目使用 next build --webpack，Next 会回退到 WASM bindings，构建仍可成功完成。

当前限制

• 暂未接入真实 LLM，解析、评分、计划和简历组装均为 rule-based。
• 暂未把数据持久化到 PostgreSQL，API 重启后内存数据会清空。
• CV 文件上传当前支持 .md / .txt 文本文件，不支持 PDF / DOCX 精准抽取。
• 没有用户登录和多用户隔离。
• 简历草稿是 Markdown 草稿，不包含 PDF 导出和复杂版式排版。
• Evidence trace 只基于技能匹配，不做深层事实核验。

后续方向

• 新增 GET /api/references，读取 references/deepresume/reference_routes.json。
• 在前端导入区新增“默认参考路线”下拉框。
• 支持一键载入参考路线中的简历和学习计划。
• 将参考路线中的项目深挖 QA 转成 evidence template。
• 接入 PostgreSQL + SQLAlchemy 持久化。
• 接入可替换 AI adapter：OpenAI、Qwen、DeepSeek、Claude 等。
• 支持 PDF / DOCX 简历解析。
• 增加 JD 定向简历导出、PDF 生成和更细粒度 ATS Review。