上一篇推文介绍我通过vibe coding做了一个个人简历微调工具，这次我把它升级为开源 的项目，面向广大求职者。
一、求职海投痛点
-
每投一个岗位都要改一遍简历：不同公司、不同 JD，侧重点完全不一样，手工改既慢又容易漏。
-
通用简历 vs 岗位 JD 不匹配：很多简历过不了初筛，不是因为能力不行，而是关键词和侧重对不上。
-
普通工具会"重排"简历：把简历解析成结构化数据再重新排版，字体、加粗、颜色、布局全乱，越改越丑。
-
让 AI 直接"生成"简历很危险：大模型会编造经历、数字、项目，面试一追问就露馅。
-
版本混乱：改完还要手动导 PDF、给每个公司存一份，面试前翻文件很麻烦。
二、面向谁
-
应届生 / 秋招春招求职者：尤其技术岗，需要针对不同岗位反复投递。
-
海投型求职者：一天投几十个岗位，没精力手工定制每一份简历。
-
不懂排版的普通用户：Windows + 装了 Microsoft Word 就能双击使用，无需懂技术。
-
对 AI 有顾虑的人：担心 AI 瞎编，需要"每条改动可溯源、可审核"。
三、详细使用步骤
-
启动 ：下载发布包解压，双击
fitcv.exe，自动启动本地服务并打开http://localhost:8787（源码版npm start亦可）。 -
配置 LLM：首次打开会弹「设置」，填 API Key、Base URL、模型名即可（支持 DeepSeek / OpenAI / 任何 OpenAI 兼容接口）。不填也能进「演示模式」跑通流程，只是不真正改文字。
-
准备技能面板 ：在「技能面板」上传简历，自动提取基础技能 ；再做一次「能力盘点」问答，把简历之外但你会的能力补进补充技能（长期累积、自动去重，一次录入多次复用）。
-
新增投递：填公司名 + 岗位名 + 粘贴 JD。
-
分析匹配度：一键得到匹配度评分、JD 关键词、优势 / 差距 / 建议。
-
三轮信息收集
1、 找出「JD 要求、简历没写」的差距；
2、看技能面板能补上哪些；
3、剩下的逐一问你"会不会"，会的存进补充技能。全程只认你声明的事实。
-
开始微调 ：生成定制后的
.docx，并给出逐条改动记录（原文 vs 改写）供你审核。 -
导出 PDF：自动调用本机 Word 存为 PDF，排版与原始简历完全一致；也可在网页上直接在线编辑再保存。
-
简历库：所有投递按公司 / 岗位存档，面试前搜索公司名一键调出对应版本。
四、能带来什么收益
- 效率：一份简历几分钟贴合一个岗位，海投不再靠"一份简历走天下"。
- 命中率：匹配度可视化，能清楚看到自己差在哪、怎么补，简历更对 JD 胃口。
- 专业性：排版 100% 不变，加粗 / 颜色 / 字体原样保留，不牺牲观感。
- 安全性：不编造经历，每条改动都标注证据来源，可逐条审核，面试不慌。
- 条理：每个公司的定制版本集中归档，面试前秒查。
五、目前已实现的功能
- 格式零破坏 ：直接修改
.docx的 OOXML，只重写描述性章节（实习 / 项目 / 科研 / 技能 / 自我评价 / 校园），教育背景、荣誉奖项、公司名、日期、标签行一律不动。 - 按 JD 微调：匹配度评分 + 关键词 + 差距 / 建议 + 逐条改动记录，绝不编造。
- 三轮信息收集 + 技能面板：基础技能自动提取、补充技能问答积累，跨投递复用。
- 两阶段生成：先「规划」挑技能、定目标段落，再「重写」落笔，并做超长回退等安全阀。
- 自动导 PDF：本机 Word 导出，排版一致。
- 网页在线编辑 ：保存即写回
.docx并重新导 PDF。 - 任意 LLM：OpenAI 兼容接口，适配推理模型（自动扩 token、稳健 JSON 解析）。
- 本地优先 ：只监听
127.0.0.1，简历与 JD 仅在本机处理。 - 双击即用：打包成 Windows 便携 exe，非程序员也能用。
六、不足与后续计划
- 只支持.docx：.doc / .pdf 需先用 Word 另存为 .docx。
- PDF 导出依赖本机 Word + Windows：macOS / Linux 能跑，但导 PDF 不可用，非跨平台。
- 不能凭空给你"不会的技能"：工具只做措辞 / 侧重优化 + 增补你声明过的技能，对硬性 JD 差距（如明确要求 K8s 而你真不会）无能为力，这其实是刻意设计，避免造假。
- 改写质量依赖所用 LLM：推理模型需注意输出截断（工具已自动调大 token，但极端情况仍可能失败）。
- 本地单机工具：暂无云端部署 / 多人协作 / 多端同步。
- 后续方向：支持 .pdf 直接解析、更多简历模板、批量投递、跨平台 PDF 导出。
项目已开源 ，欢迎试用与反馈：https://gitee.com/yitonglinnn/fit-cv