Resume Intelligence add #824

【一、项目背景与设计初衷】
在当前的 AI 应用市场中，求职辅助类工具层出不穷。然而，大多数产品仍停留在“文本润色”的浅层阶段，往往只是简单地调用大模型接口进行文字重组。这种“单体调用”模式存在两个致命缺陷：一是无法处理复杂的非结构化数据（如排版复杂的 PDF 简历），二是缺乏深度的逻辑推理，给出的建议往往模棱两可。
"简历智优通"（Resume Smart Master）的设计初衷，正是为了解决上述痛点。作为一个全栈 AI 工程实践，它并未追求单一模型的“大而全”，而是通过精密的 Workflow 编排，构建了一个拥有“感知-决策-执行”完整闭环的智能体。
【二、全局架构：基于事件驱动的双模态分流】
一个成熟的 Agent 系统，首先需要具备“场景感知”能力。在本工作流中，我们设计了一个基于事件驱动的分流机制。
核心逻辑节点（分支器）：
系统通过检测输入变量中“PDF 文件”是否存在，实现了纳秒级的冷启动分流：

1. 诊断模式（Diagnostic Mode）：当检测到文件流时，系统判定用户意图为“求职体检”。此时，工作流会激活 OCR 感知节点与深度评估节点，执行严格的量化分析。
2. 咨询模式（Consultant Mode）：当未检测到文件时，系统判定用户处于“迷茫期”。此时，工作流会切换至对话引导路径，激活双模型协同（CoT）机制，进行从零开始的职业规划。
   这种“双模态”设计的工程价值在于显著降低了 Token 消耗并提升了响应精准度——针对不同场景加载不同的 System Prompt（系统提示词），避免了通用 Prompt 带来的指令干扰。
   【三、深度拆解：三大核心技术模组】
3. 感知层：全格式结构化解析 (Structured Perception)
   在“诊断模式”下，系统首先面临的挑战是“非结构化数据清洗”。
   传统的文本提取方案（如 PyPDF2）往往会丢失简历中的空间结构信息，导致“项目经历”与“教育背景”混淆。本系统集成了企业级 OCR 插件，其核心优势在于：

• 空间语义保留：能够识别文档版面布局，准确区分页眉、侧边栏与正文区域。
• 噪声过滤：自动去除简历中的装饰性元素与无效字符。
  输出结果：经过 OCR 处理后，复杂的 PDF 简历被转化为带有逻辑标记的纯文本，为后续大模型的深度阅读提供了高质量的 Context（上下文）。

2. 评估层：基于 DeepSeek-V3 的量化审计
   这是系统的“审核大脑”。在这一节点，我们并未简单地让 AI “评价简历”，而是通过精细的 Prompt Engineering（提示工程）将其角色固化为“资深招聘专家”。
   Prompt 设计亮点：

• 约束性量化：由于大模型天生倾向于给出模糊的定性评价（如“不错”、“还行”），我们在 Prompt 中植入了强约束指令：“依据行业标准，给出 0-100 的具体分数”。这迫使模型调用其内部的评价权重网络，输出具有参考价值的量化指标。
• 负反馈机制：设定了“毒舌”逻辑，要求模型重点挖掘简历中的逻辑漏洞，并详细说明这些缺陷对转化率（面试邀约）的具体影响。
• 结构化输出：强制模型遵循特定的 Markdown 格式（禁用一二级标题），确保输出内容可以直接嵌入前端 UI 进行渲染。

3. 咨询层：Master-Worker 双脑协同架构
   在“咨询模式”下，为了解决复杂职业规划问题，我们采用了一种类似“思维链”（Chain of Thought）的 Master-Worker 架构。
   Step 1：主动探针（Active Inquiry）
   针对用户“不知道问什么”的冷启动难题，系统通过 Q&A 节点主动发起结构化提问（背景/技能/目标）。这不仅是信息收集，更是对用户意图的一次预对齐。
   Step 2：策略大脑（The Master - DeepSeek-V3.2）
   收集到用户画像后，系统调用逻辑推理能力更强的 DeepSeek-V3.2 模型。

• 任务定义：它不负责生成最终回复，而是专注于“案头分析”。它会对比用户的技能树与当前市场需求（Model Knowledge），输出一个 JSON 格式的战略路径。
• 核心逻辑：分析优劣势 -> 匹配潜在赛道 -> 制定补强策略。
  Step 3：执行顾问（The Worker - DeepSeek-V3）
  最后，将 Master 的战略输出传给 DeepSeek-V3。
• 任务定义：作为“执行手”，它的任务是将冷冰冰的战略路径“降维”为有温度、可执行的自然语言建议。
• 输出内容：它会生成具体的行动指南（如推荐具体的岗位名称、提供模拟面试题目），完成服务的“最后一公里”。
  【四、技术总结与展望】
  "简历智优通"的实践表明，在 Agent-Native 时代，开发者的核心竞争力已从“模型微调”转移到了“架构编排”。

1. 模组化思维：将 V3（执行力强）与 V3.2（逻辑性强）拆解复用，实现了效能与成本的最优解。
2. 约束即智能：通过工作流的硬约束与 Prompt 的软约束结合，解决了大模型幻觉问题。
3. 全栈工程化：Agent Engineering 的本质，就是用逻辑编排将算法“关进笼子”，让它在既定轨道上稳定产出价值。
   这不仅是一个求职工具，更是对未来 AI 应用架构的一次探索：让算法在逻辑的轨道上，跑出商业价值的加速度。