# resume-agent

**Repository Path**: mageeliu/resume-agent

## Basic Information

- **Project Name**: resume-agent
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-10-25
- **Last Updated**: 2026-10-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Resume Agent · 简历分析 Agent 应用

输入简历文件，自动产出结构化深度分析页面，并支持针对任意知识点 / 项目 / 面试题追问。

```
上传简历 ──▶ Agent 服务（FastAPI + LLM）──▶ 结构化分析结果 ──▶ React 前端多层次展示
                                                              └─▶ 追问对话（Agent）
```

## 目录结构

```
resume-agent/
├── start.sh / stop.sh / status.sh   # 一键启动 / 停止 / 状态检查
├── logs/                            # 运行日志
├── agent/                           # 应用一：Agent 服务（Python + FastAPI）
│   ├── app/                         # 配置 / Schema / LLM / 解析 / 存储 / 编排 / 工具 / 路由
│   ├── tests/                       # pytest，41 个用例
│   └── requirements.txt
└── web/                             # 应用二：前端（React 18 + Vite + TypeScript）
    ├── src/                         # 页面 / 组件 / hooks / API 客户端
    └── package.json
```

设计文档位于上级目录 [`docs/`](../docs)。

## 快速开始

```bash
./start.sh
```

脚本会自动：检查 Python 3.11+ / Node 18+ → 建虚拟环境装依赖 → 生成 `.env` → 启动两个服务。

首次启动后需填写 LLM Key：

```bash
vim agent/.env     # 填入 LLM_API_KEY
./stop.sh && ./start.sh
```

| 服务 | 地址 |
|---|---|
| 前端应用 | http://127.0.0.1:5173 |
| Agent 服务 | http://127.0.0.1:8000 |
| 接口文档 | http://127.0.0.1:8000/docs |

### 启动选项

```bash
./start.sh --no-web    # 只启动 Agent 服务
./start.sh --build     # 构建前端产物，由 Agent 服务单端口托管（访问 :8000）
```

## 使用

1. 打开前端，拖入简历文件（支持 `.docx` / `.pdf` / `.txt` / `.md`，≤10MB）。
2. 可选填写目标岗位（如「资深前端工程师（低代码方向）」），影响关键词映射与优先级。
3. 等待 1–3 分钟，页面轮询展示 7 个阶段进度。
4. 分析完成后进入 6 个 Tab：总览 / 项目复盘 / 知识图谱 / 面试题库 / 优化建议 / 30 天计划。
5. 点击任意知识点 chip、面试题或项目的「追问」入口，在右侧抽屉中提问；回答会带引用，可点击跳转回对应内容。

## LLM 配置

默认走 OpenAI 兼容协议，改 `.env` 即可切换提供商：

```bash
# DeepSeek（默认）
LLM_BASE_URL=https://api.deepseek.com/v1
LLM_MODEL=deepseek-chat

# 本地 Ollama
LLM_BASE_URL=http://127.0.0.1:11434/v1
LLM_MODEL=qwen2.5:14b-instruct
LLM_API_KEY=ollama
```

> 建议先用云端模型验证效果：分析阶段输出长 JSON，对指令遵循能力要求较高。

## 开发

```bash
# Agent 服务
cd agent && .venv/bin/python -m pytest -q
cd agent && .venv/bin/python -m uvicorn app.main:app --reload --port 8000

# 前端
cd web && npm run dev
cd web && npm run build
cd web && npm run test
```

## 说明

- 无外部数据库依赖，数据存于 `agent/data/resume_agent.db`（SQLite，WAL）。
- 简历内容除所配置的 LLM 端点外不外传；删除分析即清除原文与对话。
- 分析结果中的「推演」内容会显式标记；所有量化指标若缺少基线口径会标注「口径待补」。