求职助手agent平台产品系统

1、立项原因，旨在解决什么产品问题
求职过程中"简历与目标岗位到底差在哪里"长期依赖个人经验和主观判断。求职者海投时说不清自己的简历命中了几条岗位要求、缺哪些关键词，项目经历的表达也不符合招聘方的阅读习惯，面试更是缺少可以反复练习的对象。通用大模型聊天工具虽然能给出建议，但回答不基于用户自己的简历原文和具体 JD，结论不可复现、无法追溯。本项目要解决的产品问题是：把"简历—JD—面试"这条链路里的非结构化文本，转化成可检索、可评分、可追踪的结构化分析结果，让每一次简历修改和面试准备都有据可依。

2、行业场景业务背景
近年高校毕业生规模持续处于高位，互联网与 AI 相关岗位投递量集中，海投成为求职常态。求职侧痛点集中在三处：一是简历与 JD 的匹配度无法量化，改简历靠感觉；二是项目经历写得像流水账，抓不住招聘方的关注点；三是模拟面试成本高，缺少低成本、可反复、能给出具体评价的练习环境。招聘侧则通过 JD 把技能关键词、年限与职责要求固化成相对稳定的文本，为自动化解析与匹配提供了可用输入。因此"以目标 JD 为锚点、以求职者本人简历为语料"的垂直分析类 AI 应用，在这个场景中有明确且持续的需求。

1、项目有哪些具体功能模块
共 9 个功能模块：会话管理、文档上传与解析、JD 解析与匹配评分、项目经历优化、模拟面试、岗位截图识别、简历版本管理与对比、内置面试知识库、结果导出；对外提供约 30 个 HTTP 接口，前端配套评分雷达图、来源引用面板与一键导出入口。

2、项目的主要功能描述
- 会话与文档：创建、切换、回放历史会话；上传 txt/pdf/docx 简历后自动解析、切分并建立会话级向量索引，支持删除文档并重建索引；支持上传 png/jpg/webp 图片做多模态识别问答。
- JD 解析与匹配评分：输入 JD 文本或直接上传招聘截图，自动抽取岗位名称、技能关键词、职责要求与加分项；结合会话内简历给出百分制总分，以及技能匹配度、项目相关性、表达质量、岗位适配度四个维度分，并输出优势、缺口与优化建议，结果落库可追溯。
- 项目经历优化：针对指定项目描述，输出原文存在的问题、通用优化版，以及面向 Python 后端和 Agent/AI 应用两个方向的定制版本。
- 模拟面试：按目标方向生成面试题与参考答题点，逐题作答后给出评分、评价与追问，达到轮次后生成整体总结和总分，问答全程持久化。
- 知识库与导出：内置 5 类 23 条高频面试知识，支持独立检索；JD 分析、模拟面试与项目优化结果均可导出为 Markdown。

1、"我"负责哪些具体任务？
我负责整个后端的设计与实现：搭建 router→handler→service→repository 四层架构与统一响应封装；设计 7 张业务表并自动建表，打通会话、消息、文档持久化链路；实现文档解析、索引流水线、混合检索与重排序；注册 7 个 Agent 工具并实现调用循环；完成 JD 解析、简历评分、项目优化、模拟面试四个 LLM 服务的 Prompt 与输出治理；实现上下文压缩、回答校验与引用标注、岗位截图识别与导出，以及 Gunicorn + Nginx 部署配置。
2、项目使用了哪些技术栈、架构，实现上亮点、难点
技术栈：Python 3.12、Flask + Injector、MySQL + SQLAlchemy 2.0、LangChain（ChatTongyi、DashScope Embeddings、FAISS、bind_tools 函数调用）、rank_bm25、Gunicorn + Nginx。

亮点与难点：
- 会话级索引隔离：每个会话独立 FAISS 目录，按 conversation_id 动态重建与删除，避免多份简历相互污染。
- 检索优化：向量召回叠加 BM25 关键词召回（中文按字、英文按词），去重合并后重排取 Top-4；短问句阈值检索落空时降级为纯相似度兜底；文件名写入索引文本，修复按文件名提问召回失败的问题。
- 混合检索失效排障：评审时发现 BM25 从未生效，根因是 import 类名拼错被静默降级掩盖；修复后又暴露 FAISS 持久化结构与反解假设不符、pydantic 禁止给 Document 挂属性导致重排路径异常，三层修复并补回归测试。
- 输出与幻觉治理：用五级降级解析管道处理模型返回的脏 JSON 并做字段归一化；生成后追加一轮上下文校验，标记无依据断言、给出幻觉风险