内容
# AI 职业生涯副驾驶
一个多智能体的求职副驾驶：上传你的简历，从真实的职位 API 中拉取匹配的职位，查看每个职位的技能差距，生成量身定制的简历和求职信，并跟踪你的申请流程——所有这些都严格基于你的实际经验（无虚假声明）。一个核心（`src/`）暴露了三种方式：一个 Streamlit 仪表盘，一个 FastAPI REST API 和一个 MCP 服务端。
灵感来自企业级多智能体编排模式，这些模式用于生产 AI 系统，该项目将类似的架构原则应用于个人职业助理。
## 为什么我创建了这个项目
大多数求职平台严重依赖关键词匹配，使得识别与候选人实际经验和可转移技能相符的职位变得困难。
我创建了 AI 职业生涯副驾驶，以探索现代 AI 工程技术——包括 LangGraph 多智能体工作流、语义嵌入、检索增强推理和模型上下文协议（MCP）——如何改进整个申请流程。
与其成为另一个聊天机器人演示，我的目标是构建一个端到端的 AI 平台，帮助候选人发现相关机会，识别技能差距，生成量身定制的申请文件，并通过单一的统一系统跟踪他们的进度。
**[实时演示](#)** *(在此处部署后添加您的 Streamlit Cloud URL)*
## 功能
1. **上传简历**（PDF/DOCX）→ 大型语言模型将其结构化为个人资料（标题、技能、经验要点）。
2. **获取职位** 通过 LangGraph 管道，跨五个来源：**Adzuna**（英国/爱尔兰/德国），**Arbeitnow** 和 **Remotive**（免费，欧盟/远程），以及 **Greenhouse**/**Lever**（每公司公共板 API），以及手动 URL 粘贴到任何职位板——然后去重。
3. **评分和排名** 每个职位与您的简历通过 **嵌入余弦相似度**——不仅仅是标题关键词匹配，这样它可以捕捉到具有不同标题但做相同工作的职位。
4. **技能差距分析**：对于任何职位，查看匹配和缺失的技能，以及关闭差距的短期路线图。
5. **生成**：选择一个职位 → 量身定制的简历和求职信，渲染为 `.docx`，可以直接从仪表盘下载。
6. **申请跟踪器**：标记已保存/已申请/面试/报价/拒绝的职位；查看漏斗计数、接受率和已申请的顶级公司。
7. **三个接口，一个核心**：Streamlit 仪表盘、FastAPI REST API（`backend/`）和 **MCP 服务端**（`mcp_server/`），允许 Claude Desktop 或 Claude Code 直接调用 `search_jobs`、`generate_tailored_documents`、`get_skill_gap`、`track_application` 等作为智能体工具。
## 它故意不做的事
不刮取 LinkedIn 或 Indeed。两者在其 ToS 中都禁止自动刮取，而在招聘人员指向的存储库中构建这些功能并不是我想要的。这里的每个来源（Adzuna、Arbeitnow、Remotive、Greenhouse、Lever）都有一个用于此用例的真正公共 API。
## 架构
```
┌─────────────┐
简历.pdf ──►│简历解析器│──► 个人资料 JSON (SQLite)
└─────────────┘
Adzuna ─────┐
Arbeitnow ──┤ ┌───────────────────────────────────┐
Remotive ───┼──► 获取节点 ─►│ graph.py (LangGraph) │
Greenhouse ─┤ │ 获取 → 去重 → 评分 → 存储 │──► SQLite `职位`
Lever ──────┤ └───────────────────────────────────┘
手动 URL ─┘ │
▼
匹配器.py (嵌入相似度)
│
┌───────────────────────────┼───────────────────────────┐
▼ ▼ ▼
app.py (Streamlit) backend/main.py (FastAPI) mcp_server/server.py (MCP)
仪表盘，跟踪器， REST API 用于相同 Claude Desktop / 的工具
技能差距，Excel 导出 核心逻辑 Claude Code
三个接口都调用相同的 src/ 核心：
技能差距.py · 生成器.py · 应用程序.py · 缓存.py（双键）
```
### 双键缓存（`src/cache.py`）
镜像 TCS 缓存设计：一个 `match_key`（精确个人资料 + 职位的哈希）用于逐字重复，一个 `shape_key`（标题 + 公司 + 职位描述的前 40 个字）用于近似重复职位，以避免触发新的、昂贵的生成调用。用于简历定制和技能差距分析。
## 快速入门
```bash
git clone https://github.com/YOUR_USERNAME/job-hunt-copilot.git
cd job-hunt-copilot
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env
# 添加 ANTHROPIC_API_KEY（生成）和 ADZUNA_APP_ID/ADZUNA_APP_KEY
# （免费，网址：https://developer.adzuna.com/）。Arbeitnow/Remotive/Greenhouse/
# Lever 不需要密钥。
streamlit run app.py
```
### 运行 FastAPI 后端
```bash
uvicorn backend.main:app --reload --port 8000
# 文档位于 http://localhost:8000/docs
```
### 运行 MCP 服务端
```bash
python mcp_server/server.py
```
将其添加到 Claude Desktop 的 `claude_desktop_config.json`（或 Claude Code 的 MCP 配置）中，以调用它作为智能体工具：
```json
{
"mcpServers": {
"job-hunt-copilot": {
"command": "python",
"args": ["/绝对路径/to/job-hunt-copilot/mcp_server/server.py"]
}
}
}
```
然后，您可以询问 Claude 类似于 *"在德国和爱尔兰搜索 GenAI 工程师职位，然后为最佳匹配生成量身定制的文档"* 的问题，它将调用 `search_jobs`、`list_top_jobs`、`generate_tailored_documents` 等。
### 使用 Docker 运行所有内容
```bash
docker compose up --build
# Streamlit：http://localhost:8501
# FastAPI： http://localhost:8000/docs
```
两个容器共享一个 `data/` 卷（SQLite 数据库 + 生成的文档），因此简历上传和获取的职位可以通过任一接口可见。
## 测试
```bash
pytest -v
```
所有测试都在离线状态下运行（假嵌入，隔离的临时 SQLite 数据库）——无需 API 密钥或 CI 中的网络调用。
## 关于职位来源的法律说明
该项目仅从 **Adzuna** 和 **Arbeitnow** 拉取数据，两者都为此用例提供免费、符合服务条款的公共 API。它不会刮取 LinkedIn、Indeed 或其他在服务条款中禁止自动刮取的职位板——手动 URL 粘贴功能用于您自己找到的特定职位发布。
## 路线图
- ✅ V1 — 简历上传，Adzuna + Arbeitnow，语义匹配，仪表盘，量身定制简历/求职信生成，Excel 导出
- ✅ V2（此版本）— Remotive/Greenhouse/Lever 来源，技能差距分析器，申请跟踪器 + 分析，FastAPI 后端，MCP 服务端，Docker Compose
- 🔜 V3 — 与 [career-rag-assistant](../career-rag-assistant) 结合：公开 RAG 职业知识库作为生成代理可以调用的工具，以实现更丰富、基于检索的定制；使用 pgvector 代替内存嵌入比较；用于多用户使用的身份验证
## 技术栈
LangGraph · LangChain · FastAPI · MCP · 基于嵌入的语义匹配 · SQLite · Streamlit · python-docx · Adzuna, Arbeitnow, Remotive, Greenhouse & Lever APIs · Docker Compose · pytest · GitHub Actions
