CareerPilot

概览

CareerPilot 是一个围绕完整求职闭环设计的 AI 工作台：上传简历、理解 JD、匹配经历证据、生成定制化内容，并回看推理路径。我把它定义成工作流产品，而不是几个孤立提示词页面。

问题

学生和早期求职者往往需要同时申请多个岗位，但同一段经历在不同岗位中需要不同表达。真正困难的不只是把句子写得更好，而是找到合适证据、匹配岗位要求，并确保每一句生成内容都不夸大。

解决方案

我把体验拆成清晰的产品阶段：岗位要求提取、简历证据检索、匹配分析、简历改写、求职信生成和面试准备。这样拆分后，产品更容易建立信任、调试问题，也更适合面试场景下展示。

架构

项目采用 monorepo 架构，包括 FastAPI 后端、Celery worker、React 前端、共享 TypeScript contracts、Alembic 数据库迁移、基于 Docker 的本地编排、用于异步工作流的 Redis，以及面向向量存储的 Postgres + pgvector 设计。

核心功能

• 简历导入与结构化解析
• 岗位描述分析与能力要求提取
• 基于证据的简历-JD 匹配建议
• 定向简历改写与求职信生成
• 基于岗位匹配结果的面试准备
• 用于检查工作流输出的 Agent 轨迹观测

技术栈

• Python
• FastAPI
• React
• Celery
• PostgreSQL

实现细节

• 将项目设计为 monorepo，拆分为 API、worker、web、shared contracts 和 Docker infrastructure 等模块。
• 通过 Celery 和 Redis 实现异步生成，使耗时的 LLM 调用不会阻塞普通请求响应链路。
• 设计基于环境变量的模型 provider 配置：可以启用 DeepSeek 实时生成，也可以在测试和 demo 中回退到确定性本地生成。
• 加入后端和前端验证命令，包括测试、lint、构建检查，以及上传生成 PDF 简历并验证匹配、生成结果和 trace 页面的端到端 smoke flow。
• 在部署设计中考虑 HttpOnly cookie 认证、CSRF 防护、环境变量密钥、CORS 控制，以及未来基于 Postgres pgvector 的向量存储。

挑战

• 在让 AI 求职文案更有说服力的同时，确保内容仍然基于用户真实简历证据。
• 将耗时的 LLM 工作流与普通 API 请求解耦，同时避免产品体验变慢或变得不透明。
• 设计对调试有帮助的 Agent trace 输出，但又不能让用户被内部实现细节淹没。

收获

• 求职类 AI 产品的核心价值不是通用文本生成，而是基于证据重组和转化已有经历。
• 当 LLM 输出会影响求职这种高风险决策时，可观测工作流非常重要。
• 一个偏生产化的 AI 应用从一开始就需要考虑模型编排、队列、认证、测试和部署设计。