AI Resume Forge：基于 LangGraph 的 AI 简历优化与模拟面试平台

链接： https://github.com/elaysia-feng/ai-resume.git

一、项目背景

AI Resume Forge 是一个面向求职场景的 AI 简历生成与优化平台。传统简历工具大多只能提供模板编辑，而这个项目更关注"岗位匹配"：用户输入目标岗位 JD，系统会分析简历与岗位要求之间的差距，并通过 AI Agent 自动给出针对性的修改建议。(GitHub)

项目整体目标不是简单生成一份简历，而是构建一个完整闭环：

JD 解析 → 简历差距分析 → RAG 检索 → 内容重写 → 结果审查 → 用户确认 → 简历更新

二、整体架构

项目采用前端 + Java 后端 + Python AI 后端的三层架构：

复制代码

Vue3 前端
   ↓
Spring Boot Java 后端
   ↓
FastAPI Python 后端
   ↓
LangGraph / RAG / LLM

其中：

模块	作用
Vue3 前端	简历编辑、AI 建议展示、PDF 导出
Java 后端	用户鉴权、简历 CRUD、会话管理、SSE 代理
Python 后端	LangGraph Agent 编排、RAG 检索、LLM 调用

仓库 README 中也明确说明了三端口架构：前端运行在 5173，Java 后端运行在 8080，Python 后端运行在 8000。(GitHub)

三、核心功能

1. AI 简历优化

用户输入目标岗位 JD 后，系统不会直接"润色简历"，而是先做结构化分析：

复制代码

岗位要求提取
↓
简历能力差距分析
↓
知识库检索
↓
生成修改建议
↓
审查是否存在夸大或编造
↓
打包成可确认的修改方案

这个流程由 LangGraph 多节点工作流实现，节点包括：

复制代码

bootstrap
supervisor
jd_analyst
gap_analyzer
retriever
rewriter
reviewer
clarifier
approval_packager

其中 jd_analyst 负责提取岗位关键词，gap_analyzer 负责分析简历缺口，retriever 通过 Qdrant 做 Agentic RAG 检索，rewriter 生成修改建议，reviewer 负责防止内容造假。(GitHub)

2. 简历管理

项目支持完整的简历管理能力：

复制代码

简历创建
简历编辑
模块化内容维护
版本记录
AI 修改预览
用户确认后应用修改

这种设计比"AI 直接改数据库"更安全，因为 AI 只生成 patch 建议，最终是否应用由用户确认。

3. AI 模拟面试

除了简历优化，系统还提供 AI 模拟面试能力，包括：

复制代码

面试题生成
回答评价
实时反馈

这样可以把"简历优化"和"面试准备"连成一个求职辅助闭环。(GitHub)

四、技术栈

前端

复制代码

Vue 3
Vite
Pinia
Axios
GSAP
html2canvas
jspdf

前端主要负责简历编辑器、AI 建议展示、动画交互和 PDF 导出。(GitHub)

Java 后端

复制代码

Spring Boot 3.2.5
MyBatis-Plus
JWT
MySQL
Redis
阿里云 OSS

Java 后端负责稳定业务能力，比如用户登录注册、简历数据管理、文件存储、权限校验等。(GitHub)

Python 后端

复制代码

FastAPI
LangGraph
LangChain
Qdrant
Redis Checkpointer
MiniMax / OpenAI

Python 后端主要负责 AI Agent 编排、RAG 检索和 LLM 调用，是项目的智能核心。(GitHub)

五、项目亮点

1. Java + Python 双后端解耦

项目没有把所有 AI 逻辑塞进 Java 后端，而是把业务系统和 AI 推理系统拆开：

复制代码

Java：稳定业务系统
Python：AI Agent 推理系统

这种设计更适合真实 AI 应用开发场景，因为 AI 推理流程变化快，而用户、订单、简历、鉴权等业务逻辑需要稳定。

2. LangGraph 多节点 Agent 工作流

相比单次调用大模型，本项目使用 LangGraph 把简历优化拆成多个确定节点：

复制代码

分析 JD
分析差距
检索知识
重写内容
审查结果
等待用户确认

优点是流程更可控，也更容易调试、重试和中断恢复。

3. RAG 增强简历优化

项目使用 Qdrant 作为向量库，用于存储简历优化相关知识。AI 在生成建议前，可以先检索相关知识，再结合用户简历和岗位 JD 输出结果。(GitHub)

这比单纯依赖大模型直接生成更稳定，尤其适合：

复制代码

岗位关键词补全
项目经历表达优化
技术栈匹配
ATS 友好表达

4. 用户确认机制

AI 生成的修改不会直接覆盖原简历，而是先形成修改建议，再交给用户确认。

示例：

复制代码

原内容：
负责后端接口开发

AI 建议：
负责 Spring Boot 后端接口设计与实现，完成用户鉴权、简历 CRUD、AI 优化任务流转等核心模块开发

这种机制能避免 AI 自动改坏简历，也能让用户保留最终控制权。

六、总结

AI Resume Forge 不是一个简单的简历模板项目，而是一个完整的 AI 应用开发项目。它覆盖了前端编辑器、Java 业务后端、Python Agent 后端、RAG 检索、JWT 鉴权、SSE 实时交互、PDF 导出等模块。

从技术深度看，这个项目比较适合作为 AI 应用开发 / Java 后端 / Agent 工程师 简历项目，因为它体现了三个能力：

复制代码

1. 业务系统设计能力
2. AI Agent 工作流编排能力
3. Java + Python 异构系统集成能力

如果继续优化，可以重点强化：

复制代码

SSE 流式过程展示
Agent Checkpoint 中断恢复
RAG 召回与重排
简历版本 diff
AI 修改前后对比
模拟面试评分链路

整体来看，AI Resume Forge 是一个比较完整的"AI + 求职场景"产品化项目，能够很好地体现 AI 应用开发中的工程落地能力。