CLI Anything|让 AI 操作求职工作台:Flowing CLI 的产品与架构

11 阅读7分钟

我们做流萤简历时,首先想解决的是一个具体问题:让用户把真实经历整理成简历,再围绕岗位持续准备面试、积累资料。

当用户开始使用自己的 AI 助手后,新的需求出现了:能不能让 AI 直接读取已有简历、整理面经、保存解答,而不用每次在聊天窗口和产品之间复制粘贴?

Flowing CLI 就是流萤简历面向这类工作流的入口。它让 AI 能够消费产品中的数据,也能把加工后的结果写回产品,继续被人编辑、阅读和使用。

流萤简历官网首页真实截图

图 1:2026 年 11 月 18 日截取的流萤简历官网首页。本文产品图片均来自实际浏览器截图;官网内标记的流程与功能示意不等于真实账号操作实测。

体验流萤简历

先有求职工作台,再有 CLI

流萤简历的起点是简历。用户可以创建、导入、调整内容与模板,预览并导出;也可以从真实经历和目标岗位出发,使用 AI 辅助生成初稿、润色表达。

官网简历编辑功能场景截图

图 2:官网「编辑与生成」区的真实页面截图,展示匿名示例的编辑与预览场景。

围绕简历,产品还连接了 AI 练习资料、面试训练、分享协作和投递准备。其中,练习资料承担长期积累的作用:把面经、岗位知识、解答与拓展保存为能够继续编辑的内容。

官网 AI 练习功能场景截图

图 3:官网 AI 练习区的真实页面截图。右侧是网站自带的功能场景示意,展示原文、解答和拓展的关系。

这些能力的共同基础是用户已经维护的内容:简历中的经历、资料中的知识,以及准备过程中留下的记录。CLI 的价值,是让它们进入 AI 的工作流程。

从消费内容,到生产内容,再回到产品

以面试准备为例,可以把这样的任务交给 AI:

读取我指定的简历和面经,按主题整理问题,补充解答与练习建议,保存到流萤的练习资料中。简历建议只基于已有事实,缺失的信息先问我。

这里包含三个环节。首先,AI 读取账号有权访问的简历与资料,获得上下文。其次,它按任务组织问题、生成解答或提出表达建议。最后,结果写回可编辑的资料页或指定资源,用户回到网页继续查看和修改。

下一次任务可以继续使用这些沉淀下来的内容。产品既是 AI 的数据来源,也是 AI 工作结果的保存位置。

这种自动化依赖用户给定的任务和可用接口。CLI 本身不意味着一个长期自主运行的 Agent,也不会赋予账号原本没有的资源权限。使用平台 AI 能力时,业务额度与功能开关仍然生效。

用一条命令安装 CLI

安装 Node.js 20 或更新版本后,在终端执行:

npm install -g flowing-cli@latest
flowing --version

@latest 安装 npm 上标记为最新的版本。本文介绍的是 2.0 架构与命令;请确认 flowing --version 显示 2.0.0 或更新版本,再执行后续示例。

你也可以把安装任务交给能操作终端的 AI,让它执行命令并核对版本,再由你完成账号登录。

登录流程:复用平台账号会话

当前 2.0 实现采用「登录平台账号 → 获取登录态 → 使用登录态调用平台能力」的流程。

flowing auth login --server https://flowing-resume.ganzhibin.icu
flowing auth status

CLI 打开独立浏览器窗口,由用户完成站点提供的登录流程。可选方式由站点配置决定。它不读取用户日常浏览器的个人资料。

独立登录窗口获得会话后,CLI 校验账号与会话有效期,再保存到系统凭证库。后续请求使用该账号会话,平台继续检查身份、账号状态和业务访问条件。

Flowing CLI 账号登录与会话调用时序图

图 4:按当前 browser-login.mjs 与 account-session.service.ts 绘制的登录和调用时序。图中省略具体登录供应商的内部交互。

当前架构已经移除设备码授权、scope 授权、个人令牌及修改集批准协议。会话失效后要求重新登录,不回退到旧协议。

简化接入流程并不等于取消权限检查。登录只是确认“是谁”,是否能够修改某份简历或资料,仍由业务规则判断。

AI 如何知道可以做什么

Flowing CLI 提供使用指南、能力查询和实时接口描述:

flowing skill platform
flowing capabilities
flowing api schema

AI 先读取统一 Skill,了解操作方式;再查看当前账号与站点能力,最后依据 OpenAPI 描述准备输入。

调用可以使用 operationId,也可以直接使用 HTTP 方法与路径:

flowing call listResumes
flowing api GET practice

较复杂的输入通过文件传递:

flowing call <operationId> --file input.json

input.json 按需包含 pathParams、query、body 等字段。客户端查找实时 OpenAPI 操作、校验输入、组装路径并发起请求。具体操作及参数以当前站点 schema 为准。

这些命令依据源码核对,本文没有将示例描述为已经完成的线上账号读写实测。

技术架构:三个入口,一个平台客户端

Flowing 采用按业务能力组织的模块化单体。CLI 是独立分发的客户端,平台业务规则仍留在所属业务模块。

Flowing CLI 2.0 技术架构图

图 5:当前账号会话架构。CLI、预制脚本和本地 stdio MCP 复用客户端;网页和 OpenAPI 适配层复用业务服务。

客户端按职责拆分:commands/ 处理命令输入与输出,auth/ 管理登录和凭证,client/ 负责平台请求与能力调用,context.mjs 装配共享运行上下文。

服务端的 HTTP 路由与 controller 处理协议输入、鉴权和响应;OpenAPI 适配层直接调用对应业务 service。简历归 resume,练习资料归 practice,分享归 sharing,订单与权益归 billing。

网页与 CLI 最终使用同一组业务规则。资源权限、计费额度、事务及版本保护因此不必在 CLI 中再实现一次。

account-session.service.ts 复用 auth 的真实会话。access.service.ts 管理接入配置和限速,写请求另外受外部写入开关约束。资料历史已归属 practice_versions,不依赖被移除的旧修改集协议维持运行。

MCP 也是同一组能力的入口

当前本地 stdio MCP 提供 flowing_skill、flowing_capabilities、flowing_openapi、flowing_call 和 flowing_api。它与 CLI、脚本共用平台客户端。

这样,终端 Agent 可以执行命令,支持 MCP 的宿主可以调用工具,两者使用同一份平台能力定义和账号权限。

这里描述的是本地 stdio MCP,不表示已经交付远程托管 MCP 服务。

自动化必须处理版本和失败

当用户和 AI 都能修改同一份内容时,不能让基于旧内容生成的结果覆盖用户的新编辑。对于带 revision 的资源,自动化应先读取最新版本,再按接口要求提交修改。

会话失效时重新登录;权限不足或站点禁止写入时停止;发生版本冲突时重新读取并合并;网络失败时先确认远端结果,避免重复执行写请求。

产品面板保留接入与外部写入开关。CLI 实际能够做什么,由站点配置、账号身份、资源归属与业务规则共同决定。

让 AI 的结果成为下一次工作的起点

Flowing CLI 想建立一个持续循环:资料成为 AI 的上下文,AI 产出的内容回到产品,用户继续编辑,这些内容又参与下一轮任务。

网页提供直观的阅读和编辑体验,CLI 提供可以组合的自动化入口。它们共享资源和规则,让用户能够把明确任务交给自己的 AI,在账号权限内使用产品。