ResumeFit

ResumeFit 是一个 AI 简历优化系统。它面向求职场景，支持用户输入通用简历、项目经历和目标岗位 JD，系统会生成岗位分析、匹配度报告、岗位定制简历，并提供真实性风险检测、面试追问预测、多版本管理以及 Markdown / DOCX 导出。

项目采用 Vue 3 + Vite 前端、FastAPI 后端、SQLite 本地数据库和 OpenAI-compatible AI 接口。默认 AI Provider 可接入 DeepSeek，测试中通过 mock AIClient 避免真实模型调用。

解决的问题

• 通用简历和岗位 JD 匹配度低，用户需要反复手动改写。
• 项目经历分散，难以快速筛选和组织成岗位相关表达。
• AI 生成内容容易夸大或编造经历，需要真实性约束和风险提示。
• 面试中常被追问项目细节、数据来源和技术掌握程度，需要提前准备。
• 多个岗位对应多个简历版本，缺少版本管理和可投递文件导出。

核心功能

• 用户注册、登录、JWT 鉴权和多用户数据隔离。
• 通用简历录入与历史详情查看。
• 项目库管理，沉淀真实项目、角色、技术栈和个人贡献。
• 岗位 JD 保存与 AI 结构化分析。
• 简历、项目和 JD 的匹配度报告生成。
• 岗位定制简历生成与修改原因说明。
• 真实性风险检测，提醒夸大、缺证据和不确定表达。
• 面试追问预测，生成追问问题、原因、建议回答和风险提醒。
• 简历版本管理，支持历史版本切换、复制和导出。
• Markdown 导出、DOCX 导出和 DOCX 模板选择。
• AI 调用日志、月度额度、用量统计和基础管理后台。
• 个人中心，支持查看账户信息和修改昵称。

技术栈

层级	技术
前端	Vue 3, Vite, TypeScript, Vue Router
后端	FastAPI, SQLAlchemy, Pydantic, SQLite
AI	OpenAI-compatible API, DeepSeek, 统一 AIClient 抽象
导出	Markdown response, python-docx
鉴权	JWT Bearer Token, bcrypt password hash
测试	pytest, mock AIClient

项目结构

ResumeFit/
+-- backend/
|   +-- app/
|   |   +-- api/routes/       # FastAPI routes
|   |   +-- ai/               # AIClient and prompt loader
|   |   +-- core/             # config, database, security
|   |   +-- models/           # SQLAlchemy models
|   |   +-- repositories/     # data access layer
|   |   +-- schemas/          # Pydantic schemas
|   |   +-- services/         # business logic
|   +-- tests/                # pytest tests
|   +-- requirements.txt
+-- frontend/
|   +-- src/
|   |   +-- api/              # frontend API clients
|   |   +-- auth/             # token/session state
|   |   +-- components/       # shared and version components
|   |   +-- pages/            # page views
|   |   +-- router/           # Vue Router
|   +-- package.json
+-- prompts/                  # AI prompts and shared rules
+-- docs/                     # GitHub-facing project docs
+-- screenshots/              # project screenshots
+-- .env.example
+-- README.md

本地运行步骤

1. 准备环境变量

cd ResumeFit
Copy-Item .env.example .env

编辑 .env，把 AI_API_KEY 替换为你自己的本地开发密钥。不要提交 .env。

2. 启动后端

cd backend
python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install -r requirements.txt
uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

后端地址：

• API: http://localhost:8000
• Swagger Docs: http://localhost:8000/docs

3. 启动前端

cd frontend
npm install
npm run dev

前端地址：

• http://localhost:5173

环境变量说明

变量	示例值	说明
APP_NAME	ResumeFit	应用名称
ENVIRONMENT	development	运行环境
DATABASE_URL	sqlite:///./resumefit.db	SQLite 数据库连接
CORS_ORIGINS	http://localhost:5173	前端跨域来源
JWT_SECRET_KEY	change_me_for_local_dev_secret	JWT 本地开发密钥，占位即可
JWT_ALGORITHM	HS256	JWT 签名算法
ACCESS_TOKEN_EXPIRE_MINUTES	1440	Access token 有效期
AI_PROVIDER	deepseek	AI provider 标识
AI_BASE_URL	https://api.example.com/v1	OpenAI-compatible base URL
AI_API_KEY	your_api_key_here	AI API Key，占位符
AI_MODEL	your_model_name	模型名称
AI_TIMEOUT_SECONDS	60	AI 请求超时时间
AI_MONTHLY_CALL_LIMIT	100	用户月度 AI 调用额度
VITE_API_BASE_URL	http://localhost:8000	前端 API 地址

数据库说明

默认使用 SQLite，本地数据库文件位于后端工作目录下的 resumefit.db。应用启动时会创建所需表，并包含轻量迁移逻辑。

核心数据包括：

• users: 用户、角色、状态和登录信息。
• resume_profiles: 通用简历。
• projects: 项目库。
• job_descriptions: 岗位 JD。
• job_analyses: JD 结构化分析结果。
• match_reports: 匹配度报告。
• resume_versions: 定制简历版本。
• truth_check_results: 真实性风险检测结果。
• interview_question_results: 面试追问预测结果。
• ai_usage_logs: AI 调用日志和用量统计。

详细说明见 docs/DATABASE_SCHEMA.md。

AI Prompt 模块说明

Prompt 统一放在 prompts/ 目录，并通过后端 Prompt Loader 读取。业务代码不直接散落大段 Prompt。

设计原则：

• 强调真实经历，不允许编造项目、公司、学历、证书或量化成果。
• 信息不足时要求保守表达，并提示需要补充证据。
• 尽量输出结构化 JSON，方便后端解析、校验和存储。
• AI 调用通过统一 AIClient，默认兼容 DeepSeek，也便于替换其他 OpenAI-compatible provider。

详细说明见 docs/PROMPT_GUIDE.md。

演示流程

1. 注册并登录账号。
2. 在 Dashboard 查看当前流程和下一步建议。
3. 在 /resume 输入通用简历。
4. 在 /projects 添加项目经历。
5. 在 /jobs 粘贴岗位 JD 并生成 JD 分析。
6. 在 /analysis 生成匹配度报告。
7. 在 /versions 生成岗位定制简历。
8. 查看修改原因、复制 Markdown、导出 Markdown 或 DOCX。
9. 运行真实性风险检测。
10. 生成面试追问预测。
11. 在 /usage 查看 AI 用量。
12. 在 /account 查看账户信息和用量概览。

完整演示说明见 docs/DEMO_GUIDE.md。

项目截图

以下截图使用本地脱敏演示账号生成，仅展示产品流程和页面效果，不包含真实简历、真实邮箱或 API Key。

Dashboard	简历输入

项目库	JD 分析

匹配度报告	简历版本

真实性风险检测	面试追问预测

截图说明见 screenshots/README.md。

测试

后端：

cd backend
.\.venv\Scripts\python.exe -m pytest

前端：

cd frontend
npm run build

测试要求：

• AI 相关测试使用 mock，不真实调用 DeepSeek。
• 不提交 .env、SQLite 数据库、虚拟环境、node_modules 或构建缓存。

项目亮点

• 完整 AI 简历优化闭环：JD 分析、匹配报告、定制生成、真实性检测、面试追问和导出。
• 严格真实性约束：Prompt 和服务层都强调不编造用户经历。
• OpenAI-compatible 抽象：默认接入 DeepSeek，但不绑定供应商。
• 多用户基础能力：JWT 鉴权和用户数据隔离。
• 用量统计与额度：记录 AI 调用日志，为后续商业化扩展预留基础。
• 可投递文件导出：支持 Markdown 和 DOCX，并提供 DOCX 模板选择。
• 分层架构清晰：route、schema、repository、service、AI client 和 prompt 分离。
• 测试友好：AIClient 可 mock，避免测试依赖真实模型。

后续计划

• PDF 导出。
• 更丰富的 DOCX 模板和排版控制。
• PostgreSQL + Alembic 迁移。
• 部署配置与生产环境安全加固。
• Prompt 评测集和生成质量回归测试。
• 更完善的管理后台和用量运营能力。
• 更细粒度的 AI 成本估算和模型选择。