AI Resume Master

type

status

date

slug

summary

📖 项目简介

AI Resume Master 是一个智能简历分析系统,帮助求职者优化简历与职位的匹配度。系统使用 RAG (检索增强生成) 架构,通过向量数据库存储简历语义信息,结合大语言模型生成个性化的匹配分析报告。

✨ 核心特性

🧠 智能向量检索: 基于语义相似度的精准匹配 (准确率 82%+)

📊 多维度分析: 技能匹配、经验评估、亮点提取、优化建议

⚡ 实时流式输出: Server-Sent Events 实现打字机效果

🎨 现代化 UI: React + TailwindCSS 响应式设计

🔒 类型安全: 全栈 TypeScript 开发

🏗️ 技术架构

技术栈

前端:

React 18 + TypeScript

Vite (构建工具)

TailwindCSS (样式)

react-markdown (Markdown 渲染)

后端:

Node.js + Express

TypeScript

LangChain.js (AI 编排)

Nodemon (热重载)

数据库:

Supabase (PostgreSQL + pg_vector)

HNSW 索引优化

AI 服务:

硅基流动 API

Embedding: BAAI/bge-large-zh-v1.5 (1024维)
LLM: Qwen/Qwen2.5-7B-Instruct

系统架构图

RAG 工作流程

📂 项目结构

🎯 核心功能详解

1️⃣ 简历上传与向量化

路由: POST /api/upload-resume

功能流程:

接收简历文本

使用 RecursiveCharacterTextSplitter 分块

chunk_size: 1000 字符

chunk_overlap: 200 字符

调用 bge-large-zh-v1.5 生成 1024 维向量

存储到 Supabase pg_vector 数据库

请求示例:

响应示例:

2️⃣ 智能匹配分析

路由: POST /api/analyze-match

功能流程:

接收职位描述 (JD)

将 JD 向量化

在向量数据库中检索相似度 Top-5 的简历片段

构建包含上下文的 Prompt

调用 LLM (Qwen/DeepSeek) 生成分析报告

使用 SSE (Server-Sent Events) 流式返回

请求示例:

SSE 响应格式:

3️⃣ 向量相似度检索

核心代码:

相似度计算:

使用余弦相似度: 1 - (embedding1 <=> embedding2)

值域: 0-1 (1 表示完全相同)

实际效果: 82%+ 表示高度匹配

🔧 开发指南

调试技巧

1. 查看后端日志

后端有详细的日志输出:

2. 查看 Supabase 数据

在 Supabase Dashboard → Table Editor → documents:

3. 测试向量检索

在 Supabase SQL Editor:

常见问题排查

❌ 向量存储失败

错误: expected 1536 dimensions, not 1024

原因: 数据库向量维度与实际不符

解决:

❌ 检索不到结果

错误: 找到 0 个相似结果

原因: 相似度阈值过高或数据库为空

解决:

降低阈值到 0.0

确认数据库有数据: SELECT COUNT(*) FROM documents;

❌ LLM 调用失败

错误: 400 Bad Request 或 Missing credentials

解决:

检查 .env 文件中的 API Key

确认硅基流动账号有余额

尝试切换模型名称

📊 性能指标

系统性能

指标	数值
简历向量化时间	~500ms
向量检索时间	~200ms
LLM 首字响应时间	~1s
完整分析报告生成	3-5s
相似度检索准确率	82%+

资源消耗

后端内存: ~150MB

前端打包体积: ~500KB (gzipped)

数据库存储: 每条简历 ~10KB

🛡️ 安全性考虑

已实现

✅ 环境变量隔离 (.env)

✅ CORS 跨域配置

✅ TypeScript 类型检查

✅ 输入验证 (长度、格式)

待实现 (生产环境必需)

⏳ 用户认证 (JWT)

⏳ API 限流

⏳ 数据加密存储

⏳ SQL 注入防护

⏳ XSS 防护

🚧 后续优化计划

功能增强

PDF/Word 简历自动解析

历史分析记录管理

批量 JD 分析

简历版本对比

导出分析报告 (PDF)

技术优化

Redis 缓存频繁查询

向量检索 Rerank 优化

混合检索 (向量 + 关键词)

Docker 容器化

CI/CD 自动化部署

单元测试覆盖

AI 优化

Prompt 模板优化

多轮对话支持

根据反馈 Fine-tune

多模型对比测试

📝 开发日志

v1.0.0

核心功能:

✅ 简历上传与向量化

✅ RAG 检索与分析

✅ 流式输出 (SSE)

✅ Markdown 渲染

技术栈:

✅ React + TypeScript

✅ Node.js + Express

✅ Supabase pg_vector

✅ LangChain.js

✅ 硅基流动 API

已知问题:

⚠️ 流式输出偶尔不流畅

⚠️ 长简历分块策略待优化

👨‍💻 作者

Lip233

GitHub: @Lip233

🙏 致谢

LangChain - AI 应用开发框架

Supabase - 开源 Firebase 替代

硅基流动 - 国内可用的 AI API