个人项目 · AI 求职 Agent · 2026
机会雷达
上传一份简历，剩下的交给它。
定时扫描四大招聘网站，AI 打分筛选，一键投递简历并自动向 HR 打招呼。
仪表盘总览 —— 机会总量、高分待处理、匹配度分布一目了然
上传一份简历，剩下的交给它。
定时扫描四大招聘网站，AI 打分筛选，一键投递简历并自动向 HR 打招呼。
求职的本质是一场信息战。我观察到三个真实的痛点，它们也是这个产品的原点。
职位、实习、比赛散落在不同平台，等你刷到时，要么已招满，要么已过截止期。机会的生命周期往往只有几天。
每天打开四五个 App 刷同样的关键词，复制粘贴同一段自我介绍。海投 100 份简历，消耗的是心力和时间。
HR 处理简历有「先到先看」的潜规则。晚一天投递，简历就沉到列表底部。时机比想象更关键。
从读懂你的简历，到替你向 HR 打招呼 —— 五个环节全自动闭环。
上传 PDF / Word 简历，LLM 自动提炼你的兴趣向量与硬门槛。画像不是黑盒——每一维都可以手动增删改。
匹配度不是玄学。每个机会都被打出 0–100 分，鼠标悬停即可查看完整的打分依据。
AI 阅读职位描述后，结合你的简历撰写个性化招呼语，通过浏览器自动化完成投递与打招呼全流程。
BOSS 直聘、实习僧、智联招聘、前程无忧统一接入。每个信源可独立测试连通性与登录态，状态实时可见。
扫描记录页完整留存每次运行的新增、去重、失败明细。系统的行为对用户完全透明。
抽屉导航、自适应卡片、毛玻璃顶栏——完整能力装进口袋。
六个关键设计决策，每一个都来自真实使用中的权衡。
AI 打分如果不可解释，用户就无法建立信任。我把每条打分理由直接暴露给用户，宁可牺牲一点「神秘感」，也要换来可追溯的判断依据。
去重规则迭代了四版。最终只对「规范化 URL」判重——同一职位跨平台挂出不算重复、标题标点差异不算重复。因为错过一个机会的代价，远大于多看一眼。
LLM 是增强而非依赖：AI 不可用时，招呼语自动降级为模板、画像可全手动编辑。核心链路在任何外部服务失效时都能运转。
简历是最敏感的个人信息。全部数据存储在本机 SQLite，抓取走用户自己的浏览器会话——不托管账号、不上传简历到第三方。
定时任务最怕「服务没在跑」。内置 cron 之外，再加一道系统级看门狗：服务未运行时自动拉起并完成扫描，确保每天 8 点、14 点必达。
新用户看到一堆演示数据会困惑。所以机会库保持空白，直到用户填入画像、点击第一次扫描——真实的数据从用户自己的行动开始。
从简历解析到浏览器自动化投递，每一层都为「稳定跑在用户自己电脑上」而设计。
Vite · Tailwind · shadcn/ui
响应式设计，桌面与移动端同源
扫描引擎 · 打分引擎 · 去重指纹
node-cron 内置调度
驱动真实浏览器抓取与投递
复用用户登录态，合规稳定
简历解析 · 匹配打分 · 招呼语生成
失败自动降级模板
这个项目让我完整走了一遍从痛点定义、方案设计、全栈实现到多轮用户（我自己）测试迭代的闭环。 最深的体会是：AI 产品的护城河不在模型，在于对场景的建模——画像怎么建、去重怎么判、失败怎么兜底，这些「土问题」决定了体验的上限。 下一步，我计划引入反馈学习（用户收藏/忽略行为反哺打分权重）、更多机会类型（奖学金、比赛、招标），以及基于 Agent 的简历定向优化建议。