项目初衷：痛点分析

在开发 resume-helper 之前，我调研了市面上主流的 AI 简历优化工具，发现三个核心痛点。

痛点一：幻觉问题（Hallucination）

大多数 AI 简历工具为了追求优化效果，会无意识地"润色"甚至捏造工作经历。例如：

  • 将"熟悉 Python"升级为"精通 Python 并有大型项目经验"
  • 添加用户从未参与的技能或项目

这种行为存在严重风险：面试官深入追问时，求职者将陷入信任危机。

痛点二：效果无法量化

传统简历优化工具只输出"优化后"的结果，缺乏对比数据：

  • 用户不知道优化了什么
  • 无法判断关键词匹配度是否提升
  • HR 筛选简历时是否更容易通过

痛点三：流程断层

即使有了优化后的简历，求职者仍需：

  1. 手动搜索各大招聘平台的 JD
  2. 逐条提取技能要求
  3. 对比自己的简历进行修改
  4. 导出为 PDF 格式投递

这个流程耗时且低效。

架构演进路线

v1.0/2.0：建立信任机制

为了解决前两个痛点，我们在 v1.0 和 v2.0 中确立了两个核心机制。

反幻觉协议（Anti-Hallucination Protocol）

这是整个项目的基石。核心原则：

绝对禁止：

  • 捏造任何工作经历
  • 发明技能、项目或成就
  • 创建虚假公司、日期或职位

仅允许：

  • 提取和重述现有经历
  • 重新组织内容以匹配 JD 优先级
  • 将技术成就转化为 JD 关键词
  • 量化已有数据的成就
  • 突出已有经验的相关部分

这套协议确保优化结果始终基于用户真实经历，保护求职者的职业声誉。

ATS 评分系统（ATS Scoring System）

为了量化优化效果，我们开发了 ATS（Applicant Tracking System）评分系统：

  • 对比优化前后的关键词匹配度
  • 输出详细的匹配/缺失关键词列表
  • 生成独立的优化报告文档

用户可以清晰看到：优化前匹配 20%，优化后匹配 80%，提升了 60%。

v3.0：打通全流程自动化

v3.0 是核心突破，实现了从"搜索 JD"到"生成 PDF"的完全自动化。

整体架构

完整流程包含五个阶段：

  1. 用户输入（目标岗位 + 简历）
  2. PHASE 1：JD 搜索引擎，获取真实职位描述
  3. PHASE 2：LLM 关键词提纯引擎，提取 8 个核心关键词
  4. HITL：人工确认，用户审核关键词
  5. PHASE 3：简历优化引擎，反幻觉协议 + ATS 评分对比
  6. PHASE 4：最终交付，PDF 简历 + ATS 优化报告

核心创新：LLM 关键词提纯引擎

这是 v3.0 的技术亮点。从搜索引擎获取的 JD 文本通常包含大量噪音，例如广告推荐、网站导航等无关内容。

如何从杂乱文本中提取精准关键词？我们设计了三层清洗策略：

第一层：结构化清洗

移除 HTML 标签、广告关键词、导航链接等无关内容。

第二层：语义化清洗

提取"职位描述"和"任职要求"核心段落，过滤噪音。

第三层：智能提纯

通过子代理执行智能提取，核心 Prompt 设计要点：

  1. 找出所有 JD 中交叉重合度最高的技能要求
  2. 合并同义词（例如：将"熟悉 Unity"和"精通 U3D"统一为"Unity"）
  3. 按出现频率和重要性综合排序
  4. 输出最重要的 8 个关键词
  5. 格式：纯逗号分隔，无序号

实际测试中，系统能从 3 份游戏策划 JD 中提取出：沟通能力、游戏策划、游戏经验、Unity、Python、逻辑思维、Excel、关卡设计。精准覆盖了岗位核心要求。

踩坑与反思

在开发过程中，我们遇到了几个关键问题。

问题一：AI 提取关键词可能出错

最初版本完全自动化，但发现 AI 可能提取到错误的关键词：

  • 将"有 Unity 经验者优先"误判为必选要求
  • 忽略隐含的技能要求（如"热爱游戏"暗含游戏经验）

解决方案：Human-in-the-Loop 确认机制

在 Phase 2 结束、Phase 3 开始前，程序暂停并展示提取的关键词。用户可以：

  • 按 Enter 确认继续
  • 手动修改关键词后再继续

对于批量投递场景，提供 –auto 参数跳过确认。

问题二：优化说明不应出现在简历中

早期版本会在简历末尾添加"优化说明"部分，这显然不适合正式投递。

解决方案：分离优化报告

简历输出干净无痕迹，优化细节独立保存到单独的文件中。

问题三：PDF 导出需要轻量级方案

服务器资源有限，不能使用 Puppeteer 或 LaTeX。

解决方案：整合 md-to-pdf-cjk 技能

使用 Python reportlab 库 + CJK 字体，2GB RAM 即可运行，完美支持中文简历。

技术栈与开源

核心依赖：

  • Node.js 14+
  • Python 3 + reportlab
  • CJK 字体（fonts-noto-cjk）

OpenClaw 技能：

  • multi-search-engine：JD 搜索
  • md-to-pdf-cjk：PDF 导出

使用方法：

1
2
3
4
5
6
7
8

# 安装技能
clawhub install resume-helper

# 交互式求职（推荐）
node scripts/auto-hunt.js "游戏策划培训生" resume.md "腾讯"

# 自动化求职
node scripts/auto-hunt.js "游戏策划培训生" resume.md "腾讯" --auto

项目地址：https://github.com/zealxz/resume-helper

欢迎开发者体验、提交 Issue 或 PR。

总结

resume-helper v3.0 实现了求职流程的完全自动化，同时坚守"反幻觉"底线。核心价值：

  1. 自动化：从搜索 JD 到生成 PDF，一键完成
  2. 可信度：绝不捏造经历，基于真实内容优化
  3. 可量化：ATS 评分系统提供客观对比数据
  4. 可控性：人工确认机制确保关键词准确

这是一个开源项目，希望能帮助更多求职者提高效率，同时保护他们的职业诚信。

铁三角团队：zealx + NOVA + Gemini