一个可运行的简历优化 Agent 应用：用户提供 简历 与 目标职位描述 (JD)，系统基于 DeepSeek LLM 以流式方式给出匹配度分析（亮点 / 缺口 / 建议），在用户确认后再生成一份优化后的简历，并支持 Markdown 下载与复制。
整个应用被打包为一个 Docker 镜像，对外暴露 http://localhost:8000，按本 README 操作即可完成启动与验收。
- 两阶段 Agent 流程
- Step 1 — 输入：支持纯文本粘贴 + PDF / DOCX / Markdown / TXT 文件上传
- Step 2 — 匹配分析：结构化输出「整体匹配度 / 匹配亮点 / 主要缺口 / 具体优化建议」四个小节
- Step 3 — 需用户点击「确认并生成」才会触发：依据分析结果重写简历（纯 Markdown）
- 流式体验：所有 LLM 响应通过 Server-Sent Events (SSE) 实时推送到前端，边生成边渲染
- Markdown 导出：一键下载
.md文件 / 一键复制源码 - 单容器部署：FastAPI 后端 + 原生 HTML 前端同镜像，无需外部依赖
- 安全：API Key 仅通过环境变量注入，代码中没有硬编码；应用无状态，不保存任何简历数据
- 健壮性：
/healthz健康检查、启动期 Key 校验、LLM 错误被下发到前端而不是吊死连接
| 层级 | 选型 |
|---|---|
| 后端 | Python 3.12 + FastAPI + Uvicorn |
| LLM 客户端 | openai SDK（DeepSeek 兼容 OpenAI 协议） |
| 流式协议 | Server-Sent Events（StreamingResponse） |
| 文件解析 | pypdf（PDF）、python-docx（DOCX） |
| 前端 | 原生 HTML / CSS / JavaScript + marked (CDN) |
| 部署 | Docker / Docker Compose |
exam-2026/
├── Dockerfile # 单容器构建
├── docker-compose.yml # 推荐启动方式
├── .dockerignore
├── .env.example # 环境变量模板
├── requirements.txt
├── README.md
├── app/ # FastAPI 后端
│ ├── __init__.py
│ ├── main.py # 路由入口 + SSE
│ ├── config.py # 环境变量加载
│ ├── llm.py # DeepSeek 流式客户端
│ ├── prompts.py # 两段 system prompt
│ ├── parsers.py # PDF/DOCX/MD/TXT 文本抽取
│ └── schemas.py # Pydantic 模型
└── static/ # 原生前端
├── index.html
├── style.css
└── app.js
| 变量 | 必填 | 默认值 | 说明 |
|---|---|---|---|
DEEPSEEK_API_KEY |
✅ | 无 | DeepSeek API Key，申请入口见官网 |
DEEPSEEK_BASE_URL |
https://api.deepseek.com |
DeepSeek API 基础地址 | |
DEEPSEEK_MODEL |
deepseek-chat |
模型名称，可改为 deepseek-reasoner |
|
MAX_UPLOAD_MB |
5 |
文件上传大小上限 | |
REQUEST_TIMEOUT_SECONDS |
120 |
单次 LLM 调用超时时间 |
⚠️ 不允许硬编码 Key：DEEPSEEK_API_KEY必须通过环境变量提供，否则应用启动失败。
- 已安装 Docker（含 Docker Compose v2）
cp .env.example .env
# 然后编辑 .env，把 DEEPSEEK_API_KEY 改成你的真实 Key本次面试评估提供的 Key：
sk-40e97e965deb40ed9925c3017fe660cf请把它写入
.env的DEEPSEEK_API_KEY字段。
docker compose up --build首次构建约需 1–2 分钟。启动成功后日志会显示：
Uvicorn running on http://0.0.0.0:8000
docker build -t resume-agent .
docker run --rm -p 8000:8000 --env-file .env resume-agentpip install -r requirements.txt
export DEEPSEEK_API_KEY=sk-xxxxxxxx # 或使用 .env
uvicorn app.main:app --reload --port 8000浏览器打开 http://localhost:8000 即可。
健康检查：
curl http://localhost:8000/healthz
# => {"status":"ok"}- Step 1 输入
- 左侧：粘贴简历文本，或点「📎 上传文件」选择 PDF / DOCX / MD / TXT，文件会被后端解析后自动回填。
- 右侧：粘贴目标岗位 JD。
- 不想准备素材？点击 「载入示例」 可以用内置样例体验全流程。
- 点 「🔍 开始分析匹配度」 —— 后端流式返回分析结果，包含：
- 📊 整体匹配度（含百分比估计）
- ✨ 匹配亮点
⚠️ 主要缺口- 💡 具体优化建议
- 人工确认环节：审阅分析结果，满意后点 「✅ 确认并生成优化后的简历」。
- 这一步是考题要求的"用户确认后再生成"的关键节点，系统不会自动进入下一步。
- Step 3 结果：优化后的 Markdown 简历流式出现，可切换「预览 / Markdown 源码」视图。
- 「📋 复制 Markdown」→ 粘贴到任何编辑器
- 「⬇️ 下载 .md」→ 保存到本地（文件名自动带时间戳）
健康检查，返回 {"status":"ok"}。
解析上传的简历文件为纯文本。
multipart/form-data字段file- 支持
.pdf/.docx/.md/.txt - 响应：
{ "filename": "...", "text": "..." }
输入简历 + JD，流式输出匹配分析 Markdown。
请求体：
{ "resume": "...", "jd": "..." }响应格式（text/event-stream）：
: ping
data: "## 📊 整体"
data: "匹配度"
...
data: [DONE]
示例 curl：
curl -N -X POST http://localhost:8000/api/analyze \
-H "Content-Type: application/json" \
-d '{"resume":"...","jd":"..."}'在用户确认分析之后调用，流式输出优化后的 Markdown 简历。
请求体：
{ "resume": "...", "jd": "...", "analysis": "...(上一步累积的 markdown)..." }响应格式同 /api/analyze。
在用户追问时调用，流式输出类型化事件（reply + content）。
请求体：
{
"mode": "analysis | resume",
"resume": "...",
"jd": "...",
"analysis": "...(mode=resume 时必填)...",
"current_content": "...(当前 Canvas 中的完整内容)...",
"history": [
{"role": "user", "content": "..."},
{"role": "assistant", "content": "..."}
],
"instruction": "本轮用户的追问指令"
}响应格式（text/event-stream）：
: ping
data: {"type":"reply","token":"好的，我强化了..."}
data: {"type":"content","token":"## 项目经历\n\n- ..."}
...
data: [DONE]
type: "reply"— Agent 的简短中文回复，显示在聊天气泡type: "content"— 完整新版 Markdown 片段，替换 Canvas 内容type: "error"— 错误信息
示例 curl：
curl -N -X POST http://localhost:8000/api/refine \
-H "Content-Type: application/json" \
-d '{"mode":"resume","resume":"...","jd":"...","analysis":"...","current_content":"...","history":[],"instruction":"项目经验再突出一下"}'为什么是两步走而不是一步到位？ 考题核心诉求是"分析 → 用户确认 → 再改写"。两次独立调用有以下好处：
- 用户在看到匹配分析后才选择是否继续，给了明确的人工把关节点；
- 第二次调用会把第一步的分析结果作为上下文传入，等于"先做结构化思考再写作"，质量明显高于"一次提示大模型同时分析 + 改写"；
- 两次调用相互独立，若用户对分析不满意，可以重新编辑简历/JD 再分析，不浪费 Token。
Prompt 设计要点（见 app/prompts.py）
- 分析 Prompt 强制模型输出固定四段 Markdown 结构（整体匹配度 / 亮点 / 缺口 / 建议），每条必须引用简历或 JD 中的原文证据，避免"空对空"。
- 改写 Prompt 明确禁止捏造事实与数字，缺失量化指标时保留原本定性表述并追加
[可量化]占位；固定输出结构（个人信息 / 概要 / 技能 / 工作经历 / 项目 / 教育），禁止寒暄。
为什么选 SSE 而不是轮询或 WebSocket？
DeepSeek 的 chat.completions 原生支持 stream=True，SSE 刚好是"单向、文本、基于 HTTP"的最小解；前端 fetch + ReadableStream 即可消费，没有额外依赖。
错误处理
app/llm.py 在遇到鉴权失败 / 限流 / 网络中断时，会向流中下发一个 [ERROR] ... token 再正常结束，前端会原样渲染出来。这样可以避免"转圈圈卡死"的糟糕体验。
多轮迭代设计（见 /api/refine）
用户在看到分析结果或优化简历后，可以打开右侧抽屉追问。每次追问把完整对话历史 + 原始简历/JD + 当前 Canvas 内容一起发给 DeepSeek，保证模型理解上下文中的指代关系。模型输出通过 <<<REPLY>>> / <<<CONTENT>>> 标记分成两段：简短中文回复（聊天气泡）和完整新版 Markdown（Canvas 替换）。后端用一个状态机实时扫描 token 流，将标记前后的内容分别包装成 reply / content 类型的 SSE 事件下发前端。
启动后依次验证：
-
docker compose up --build正常起来，日志显示Uvicorn running on http://0.0.0.0:8000 - 浏览器打开 http://localhost:8000 看到三段式 UI
- 点「载入示例」→ 点「开始分析匹配度」→ 观察到 Markdown 分段流式出现
- 点「确认并生成优化后的简历」→ 观察到新简历流式出现
- 点「下载 .md」→ 得到本地文件且内容一致
- 上传一份
.pdf/.docx/.md→ 文本被正确抽取回填 -
curl http://localhost:8000/healthz返回{"status":"ok"} - Step 2 分析完成后点「💬 继续追问」→ 右侧抽屉打开 → 发送「重点强化技术栈部分」→ 看到聊天气泡回复 + Canvas 分析内容被流式更新
- 连续追问第二轮（含指代，如「刚才那个再加强一点」）→ 两轮对话都在气泡中保留、Canvas 再次更新
- 关闭抽屉再打开 → 历史对话仍在；点「清空本轮对话」→ 历史清空、Canvas 内容不变
- Step 3 简历完成后同样可以追问，抽屉和更新流程一致
-
curl -N -X POST http://localhost:8000/api/refine ...返回类型化 SSE 事件并以[DONE]结束 - 故意不设
DEEPSEEK_API_KEY启动，容器立即以清晰错误退出
- 扫描件 PDF 不可识别：仅抽取文本层，不含 OCR。对应情况请改为手动粘贴。
- 无持久化：应用不使用数据库，任何简历/分析在容器重启后即丢失。这是刻意为之以降低部署复杂度与隐私风险。
- 无鉴权：面试演示项目，未接入登录系统；部署到公网前请自行加鉴权或放入内网。
- 单会话并发：一次性最多同时处理若干个简历分析，若 DeepSeek 限流会在流里下发错误 token。
仅用于面试评估与学习用途。