🧠 Resume Agent Harness：从零打造一个“越用越懂你”的简历智能体

十有八七
0 阅读8分钟

金三银四 0 offer？可能不是你不优秀，而是简历没替你说话。
这篇文章会手把手带你实现一个基于 Agent 架构的简历优化助手——粘贴 JD 链接，对话式生成匹配岗位的简历，还能记住你的每一次偏好。

🧭 思维导图速览

mindmap
  root((ResumeHarness))
    为什么要做
      ATS 6秒筛选
      一份简历走天下失效
      岗位关闭快
      逐岗位定制太慢
    核心功能
      JD链接自动抓取
      关键词精准匹配
      对话式生成
      多模板输出
      专属记忆系统
      多渠道接入
      简历渲染下载
    技术架构
      接入层 Web/飞书/微信
      Agent服务 FastAPI
      共享单例层
      每会话隔离层
      存储 文件→SQLite
    从OpenHarness重构
      学习架构思想
      裁剪43+本地工具
      重构核心模块
      新增领域能力
    路线图
      P0 Agent核心
      P1 Web服务
      P2 多用户
      P3 IM渠道
      P4 增强版

一、为什么要做这个项目？

你可能也经历过这些“简历之痛”

  • 能力明明匹配，投出去的简历却石沉大海 —— ATS 系统扫 6 秒就决定命运，关键词没命中直接淘汰。
  • 一篇简历走天下？投前端要突出 React，投后端要强调架构，投管理岗要写带团队。同一份简历投所有岗位 = 海投。
  • 等你花两小时改完简历，那个心仪岗位已经收到 500 份投递关闭了。好岗位稍纵即逝，求职是快鱼吃慢鱼。

💡 如果有一个人，能读懂你的经历，还能针对每个 JD 精准优化简历呢？

这就是 ResumeHarness 的起点 —— 一个基于 Agent 架构的简历智能体。你只需要粘贴 JD 链接，剩下的交给它。

二、我要做什么

核心定位

ResumeHarness 基于 OpenHarness v0.1.6 裁剪重构，而非直接使用。核心理念：

“The model is the agent. The code is the harness.”
—— 模型提供智能，Harness 提供手、眼、记忆和安全边界。

OpenHarness 是一个通用的 Agent 基础设施框架，拥有 43+ 内置工具、12 种消息渠道、54 条命令……能力很强，但对简历场景来说太重了。我的做法是：

  • 学习其架构思想：Agent Loop、记忆系统、技能系统、Hook 机制、渠道适配
  • 裁剪不需要的部分：Bash/File/LSP/Sandbox 等 43+ 本地工具、Swarm 多 Agent、Voice、Vim……简历场景用不到
  • 重构核心模块：将需要的引擎、客户端、记忆、技能等模块按简历场景重新实现
  • 新增领域能力：简历渲染、JD 抓取、记忆自动提取、微信适配等

🚀 不重复造轮子，也不照搬照抄，而是站在巨人的肩膀上做垂直场景的重构。

技术约束（MVP 务实版）

约束选型原因
部署环境轻量云服务器 2C4G成本可控，个人也能跑
大模型DeepSeek API（多 Key 轮询）性价比高，64K 上下文
目标并发10 用户同时在线MVP 先跑通
前端React SPA现代化交互体验

三、能实现什么功能

1. 智能简历优化 —— 对话即生成

不再是填表式模板，而是自然语言对话驱动：

你：帮我优化简历，投递这个前端岗位 https://job.example.com/position/123
Agent：我来帮你分析 JD 并优化简历... [自动抓取 JD]
       根据岗位需求，我调整了以下内容：
       1. 将 React 项目经验提到最前
       2. 补充了 TypeScript 和 Webpack 关键词
       3. 用 STAR 法则重写了项目成果描述

关键能力：

  • JD 链接自动抓取：粘贴招聘链接，web_fetch 工具自动解析岗位需求
  • 关键词精准匹配：基于 resume-skill.md 领域知识（ATS 友好、STAR 法则、行业关键词）
  • 多模板输出：商务风 / 学术风 / 创意风，一键切换

2. 越用越好用 —— 专属记忆系统

这是 ResumeHarness 最亮眼的设计。每个用户拥有独立的记忆空间：

记忆文件内容更新方式
简历原文.md原始简历上传 API
职业偏好.md写作风格/偏好LLM 自动写入 / 手动编辑
技能标签.md技能和经验年限LLM 自动写入 / 手动编辑
优化历史.md历次优化要点LLM 自动追加

记忆自动提取：LLM 在对话中主动调用 memory_write 工具，将你表达的偏好、技能标签持久化，下次对话自动注入提示词。

💡 第 1 次使用 → 上传简历原文 → 存入记忆
第 2 次使用 → Agent 记住你的偏好：“不要用 STAR 法则” → 自动调整
第 3 次使用 → 无需重复说明，直接按你的风格生成

3. 多渠道接入 —— 不只是 Web

  • Web 端：React SPA，流式对话 + 简历预览/下载
  • 飞书：在工作群里 @机器人，直接生成简历
  • 微信/企微：消息即服务，超长简历自动分段 + Web 下载链接

4. 简历渲染与下载

  • Markdown → PDF / HTML / Markdown 多格式导出
  • 渲染队列防 OOM（单线程渲染，60s 超时保护）
  • 简历快照持久化，会话淘汰后仍可下载
  • 每用户最多保留 20 份历史版本

四、项目架构

架构总览（Mermaid 版）

┌─────────────────────────────────────────────────────────────┐
│                        接入层                                │
│   Web UI (SPA)  │  飞书频道  │  微信/企微  │  其他 IM 渠道   │
└────────┬────────────┬─────────────┬────────────────────────┘
         │ SSE / JSON │ MessageBus  │ ChannelAdapter
┌────────▼────────────▼─────────────▼────────────────────────┐
│                    Resume Agent Service                      │
│                   (FastAPI + uvicorn)                        │
│                                                             │
│  ┌──────────────────────────────────────────────────────┐  │
│  │               共享单例层 (进程级)                       │  │
│  │  API Client Pool(多Key) │ McpClientMgr │ ToolRegistry │  │
│  │  HookExecutor          │ SkillLoader                    │  │
│  └──────────────────────────────────────────────────────┘  │
│                                                             │
│  ┌──────────────────────────────────────────────────────┐  │
│  │              每会话独立层 (用户级)                       │  │
│  │  QueryEngine │ Messages │ User Memory │ Settings      │  │
│  └──────────────────────────────────────────────────────┘  │
│                                                             │
│  ┌──────────────────────────────────────────────────────┐  │
│  │                  Web API 层                            │  │
│  │  POST /api/chat      流式对话 (SSE)                    │  │
│  │  /api/resume/*       简历生成与下载                     │  │
│  │  /api/memory/*       用户记忆管理                      │  │
│  │  /api/settings/*     用户配置                          │  │
│  └──────────────────────────────────────────────────────┘  │
└────────────────────────┬────────────────────────────────────┘
                         │
                    ┌────▼────┐
                    │ DeepSeek│
                    │   API   │
                    │ (多Key) │
                    └─────────┘

从 OpenHarness 重构了什么？

模块重构方式说明
Agent Loop重构实现QueryEngine + query.py + stream_events
API 客户端重构实现DeepSeek 走 OpenAI 兼容协议
记忆系统改造重构按 user_id 隔离，新增 memory_write 工具
技能系统重构实现新增 resume-skill.md 领域知识
钩子系统精简重构简历生成后格式校验等
上下文压缩重构实现长会话自动压缩
消息渠道重构实现飞书适配器 + 新增微信适配器
ohmo/gateway部分重构MessageBus + GatewayBridge 基类

不引入：43+ 本地工具、Sandbox、Swarm 多 Agent、Voice、Vim 等 —— 简历场景不需要。

新增模块（简历领域专属）

模块职责
resume_renderer.pyMarkdown → PDF/HTML 转换（渲染队列）
session_pool.py多租户会话池（LRU 淘汰）
api_key_pool.pyDeepSeek 多 API Key 令牌桶轮询
web_fetch.pyJD 链接自动抓取工具
memory_write.pyLLM 主动记忆写入工具
wechat_adapter.py微信/企微渠道适配器

技术栈速览

层次技术
Agent 框架OpenHarness 架构思想（裁剪重构）
LLMDeepSeek API（多 Key 轮询，64K 上下文）
Web 后端FastAPI + uvicorn
Web 前端React SPA
PDF 生成fpdf2（纯 Python，中文友好）
IM 渠道lark-oapi / httpx
MCPmcp SDK（HTTP only）
数据存储文件存储 → SQLite（P2 迁移）
部署systemd / Docker（单机 2C4G）

五、实现路线图（从零到一，5 个阶段）

我会持续更新进度，欢迎关注仓库。

P0：Agent 核心可用版

心脏跳动——Agent Loop 跑通，DeepSeek 对接成功，记忆写入生效

  • 精简版 RuntimeBundle 构建
  • DeepSeek API 接入（多 Key 令牌桶轮询）
  • Agent Loop 完整实现（LLM → 工具 → 反馈 → 继续）
  • 简历领域 Skill（ATS 友好 / STAR 法则 / 关键词）
  • 用户记忆系统（memory_write 工具自动提取偏好）
  • SSE 流式对话端点 + 极简验证页面

P1：Web 服务可用版

从能用变好用——简历可以下载，JD 可以抓取，记忆越用越懂你

  • 简历渲染与下载（PDF/HTML/Markdown，多模板）
  • 记忆管理 API（CRUD + 简历上传）
  • 用户级配置（模板偏好 / 语言风格）
  • web_fetch 工具（JD 链接自动抓取）
  • 工具与系统查询 API

P2：多用户版

从个人工具变产品——10 人并发，认证隔离，React 前端上线

  • JWT 认证体系
  • 多租户数据隔离
  • SQLite 数据存储迁移
  • React SPA 正式前端（登录/对话/简历预览/记忆管理）

P3：IM 渠道版

简历助手无处不在——飞书/微信也能用

  • 飞书渠道接入
  • 微信/企微渠道接入
  • 渠道统一消息路由

P4：增强版

更强更稳更专业——MCP 工具扩展 + 高质量 PDF + 领域 Skill 精调

  • MCP 工具接入（邮件发送、PDF 转换等）
  • 多套简历 CSS 模板 + 中文 PDF 优化
  • 行业细分 Skill（Tech / Finance / Creative）
  • API 速率限制 + 监控

六、为什么值得关注？

1. 实战 Agent 架构的最佳学习材料

不是 Demo，不是 Hello World，是一个完整可运行的 Agent 产品。从 RuntimeBundle、Agent Loop、工具调用、记忆系统到多渠道接入，每一步都有代码。

2. OpenHarness 架构重构的实战案例

OpenHarness 有 43+ 内置工具、12 种消息渠道、54 条命令……对垂直场景太重。ResumeHarness 展示了如何学习架构、裁剪冗余、重构实现——这是从通用框架到垂直产品的完整实践。

3. 从零到一的完整迭代记录

P0 → P1 → P2 → P3 → P4，每个阶段的代码变更、设计决策、踩坑记录都会完整公开。

4. 可复用的 Agent 架构模式

  • 共享单例 + 每会话隔离：API Client 进程级复用，QueryEngine 每会话独立
  • LRU 会话池：2C4G 服务器支撑 10 并发的秘密
  • 记忆自动提取：LLM 主动调用 memory_write，实现“越用越好用”
  • 多 Key 令牌桶轮询：DeepSeek API 429 的优雅应对

七、后续愿景

方向内容
简历评分对生成简历与 JD 的匹配度自动评分
简历对比视图原文 vs 优化版并排展示差异
多轮优化支持对话中逐步修改简历细节
批量投递一次生成多份不同岗位的简历
多语言简历中英双语简历一键生成
招聘网站 MCP自动抓取招聘网站 JD 描述

📌 写在最后

金三银四不裸奔，简历先行找工作。如果你也遇到过简历的坑，或者对 Agent 架构感兴趣，欢迎一起交流！

相关链接

⭐ Star 一下，陪我一起从零到一！

交流讨论

扫码加入 Resume Harness 技术交流群，一起聊聊 Agent 架构和简历优化那些事。

🤔 互动问题：你在求职过程中遇到过“简历没问题，但就是没面试”的情况吗？你觉得 AI 能在多大程度上解决这个问题？欢迎在评论区聊聊你的经历和看法！

avatar
文章
阅读
粉丝