目标读者 :关注 AI Agent Memory、RAG 架构落地的后端/全栈/算法工程师,以及好奇"长期求职记忆引擎"如何工作的技术求职者(前置知识:了解基础概率更新与检索增强概念即可)。
本文解决的问题:解释为什么单纯的对话窗口和静态 RAG 撑不起长达 1--3 个月的动态求职周期,拆解从"碎片记忆片段(Episodes)→ 贝叶斯能力推断 → 简历防守钩子与押题清单"的核心原理与工程取舍。
目录
- [一、 问题背景与直觉模型:为什么求职 Agent 不能只靠滑动窗口?](#一、 问题背景与直觉模型:为什么求职 Agent 不能只靠滑动窗口?)
- [二、 机制细节:从 Episodes 到贝叶斯能力星图](#二、 机制细节:从 Episodes 到贝叶斯能力星图)
- [三、 工程落地:简历防守钩子与按岗概率押题](#三、 工程落地:简历防守钩子与按岗概率押题)
- [四、 设计取舍、隐私边界与实践局限](#四、 设计取舍、隐私边界与实践局限)
一、 问题背景与直觉模型:为什么求职 Agent 不能只靠滑动窗口?
一场秋招或社招通常是一段持续 1--3 个月 的动态博弈:求职者会修改十几次简历、投递几十家公司、经历十多场模拟面试与真实面试。
在这一场景下,常规大模型工具存在两个本质瓶颈:
| 方案范式 | 信息组织方式 | 动态求职场景下的失效原因 |
|---|---|---|
| Stateless Chat(无状态对话) | 单会话滑动上下文窗口 | 新开窗口即失忆;即使在单会话里聊久了,系统指令、简历、JD 和历史对话也会迅速挤爆窗口 |
| 朴素静态 RAG(只做向量召回) | 文档切块 + Top-K 相似度检索 | 只能回答"文档里写过什么",无法表达"Redis 缓存雪崩上周一面答挂了、昨晚模拟面刚练稳"的能力时序演化状态 |
| 私有混合检索 + 状态化长期记忆 | 静态事实库(Ground Truth)+ 动态能力星图(Career Memory) | 事实源负责"不瞎编项目细节",长期记忆负责"追踪能力概率与追问风险" |
打个直觉的比方:如果把个人资料库(Datasets)比作你带进考场的"工程档案袋",那么长期求职记忆引擎就是一位跟了你十场面试的"私人教练笔记本"------它不负责重写你的项目代码,而是持续记录你在哪道追问卡壳、哪句简历措辞风险偏高,并在每一次练完后重新估计你的真实熟练度。
在 DrawOffer(职绘) 的工程实现中,这两层能力是明确分离又互相配合的:
-
底层事实源(Datasets) :支持 PDF/DOCX/Markdown 与扫描件 OCR,以及长达 4 小时的音视频并发切片转写,后台分块后进入 Qdrant 向量检索 + Manticore 关键词检索 构成的私有混合检索层;对话侧同时提供透明的 200K 上下文用量圆环 (按对话记录、引用资料、求职记忆、附件、系统指令五色分段展示,并支持
/compact压缩)。 -
上层认知模型(Career Memory):消费跨模块事件流,维护动态个人能力模型与知识图谱。
二、 机制细节:从 Episodes 到贝叶斯能力星图
整个认知更新管道可以抽象为以下数据流:
text
[多源输入事件流]
├── 简历版本 & 段落改写决策
├── 目标岗位 JD & 笔试错题
├── L1-L5 模拟面试逐题问答
└── 真实面试录音转写 & 复盘
│
▼ (1) 本地隐私脱敏:redact.py 剥离手机/邮箱/证件/微信号
[标准化记忆片段 Episodes]
│
▼ (2) 规则与模型观察器 (Observers) 提取考点命中与防守结果
[结构化能力证据 (成功/卡壳/追问深度)]
│
▼ (3) 贝叶斯推断引擎更新节点先验/后验掌握度
[动态能力模型 & 可交互知识星图 (/knowledge-graph)]
│
├──▶ 计算机 17 大领域 · 142 项技术 · 1092 个细分知识点 (双模型交叉校准)
└──▶ 16 类非研发行业/职能动态考点库 (产品/运营/财务/法务/考研复试等)
为了直观展示核心推断逻辑,下面给出一段基于 Python 3.10+ 标准库的简化原型代码,演示"本地正则脱敏 + Beta-二项共轭贝叶斯能力更新 + 简历防守钩子风险排序"的最小闭环:
python
# 时间复杂度 O(n log n)(主要消耗在按风险对 n 个简历钩子排序),空间复杂度 O(n)
from dataclasses import dataclass
import re
PHONE_RE = re.compile(r"1[3-9]\d{9}")
EMAIL_RE = re.compile(r"[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}")
def redact_pii(text: str) -> str:
"""进入长期记忆前的本地最小脱敏示例(模拟 redact.py)。"""
text = PHONE_RE.sub("[PHONE]", text)
return EMAIL_RE.sub("[EMAIL]", text)
@dataclass
class SkillBelief:
name: str
alpha: float = 1.0 # 先验"守得住"证据权重
beta: float = 1.0 # 先验"守不住/卡壳"证据权重
def update(self, passed: bool, weight: float = 1.0) -> None:
if passed:
self.alpha += weight
else:
self.beta += weight
@property
def fail_prob(self) -> float:
# 后验失守概率期望 E[1 - theta] = beta / (alpha + beta)
return self.beta / (self.alpha + self.beta)
def rank_resume_hooks(
hooks: list[tuple[str, float, SkillBelief]]
) -> list[tuple[str, float]]:
"""按 P(被问到的可能性) * P(守不住的可能性) 对简历防守钩子降序排序。"""
scored = [
(hook_text, round(ask_prob * belief.fail_prob, 4))
for hook_text, ask_prob, belief in hooks
]
return sorted(scored, key=lambda item: item[1], reverse=True)
if __name__ == "__main__":
clean_note = redact_pii("二面反馈:电话13800138000联系,分布式锁未答出续期细节")
redis_belief = SkillBelief(name="分布式锁", alpha=2.0, beta=1.5)
redis_belief.update(passed=False, weight=1.5) # 真实面试卡壳加大失败权重
cache_belief = SkillBelief(name="缓存穿透布隆过滤器", alpha=4.0, beta=1.0)
ranked = rank_resume_hooks([
("基于 Redis Redlock 实现高可用分布式锁", 0.85, redis_belief),
("引入布隆过滤器拦截恶意空查请求", 0.60, cache_belief),
])
print("脱敏记录:", clean_note)
print("风险排序:", ranked)
在完整系统里,这个能力星图会把项目经历、简历亮点、技术栈、细分知识点和最近 4 场面试记录串联成白板图谱,支持按「还不牢」「目标岗位」「上一场面试」「刚练稳」筛选;如果某个知识点既写在简历里、又刚在最近面试中被问到,图上会自动标注桥梁关系,点击薄弱节点即可结合历史卡壳点答疑或直达专项模拟。
三、 工程落地:简历防守钩子与按岗概率押题
有了动态能力模型,记忆引擎就能把"复盘"变成"考前可执行的优先级清单",主要体现在两个机制上:
-
简历防守钩子(Resume Hooks)与追问链预测
引擎自动扫描简历中五类最容易招来深挖的表达:经历、强角色词、规模与成果数字、所写技术工具、无数字成果 。随后按照
被问到的可能性 × 守不住的可能性排序,给每条高亮出「还没练过 / 守得住(到第几层)/ 守不住」的防守评级,并生成多步追问链,帮助候选人在上场前优先加固脆弱句子。 -
按在投岗位生成的「下一场会问什么」押题与反向校准
多岗位并发推进时,通用题单往往抓不住重点。系统针对每个在投岗位单独生成预测清单(包含风险最高的 8 个简历钩子 和最多 12 个岗位必考知识点及出现概率 )。
更关键的是闭环校准:真实面试结束后,用户可在清单上勾选「答得还行 / 没答好 / 被问到 / 没被问到」,引擎据此反向更新节点掌握度,并在复盘中直观呈示**「这场之后,记忆里变了什么」**------记录哪些知识点升了级、哪些说话习惯被修正。
四、 设计取舍、隐私边界与实践局限
在构建这类持久化个人记忆系统时,有两项工程取舍必须坦诚说明:
- 冷启动稀疏与人工可干预性:当一位用户刚开始使用、尚未积累模拟面或真实面经时,贝叶斯后验主要由"简历钩子结构 + 岗位先验考点"主导,准确度会在经历 1--2 场完整面试后才显著提升。因此系统不把推断结果当成黑盒判决,而是允许用户直接进入星图查看节点依据并手动校准。
- 严格的本地脱敏与数据主权 :面试录音和简历包含大量敏感个人信息。所有文本进入长期记忆前均经本地
redact.py自动剥离手机号、邮箱、证件号、微信号等隐私信息,并赋予用户随时查看、更正甚至一键清空记忆的控制权。
目前 DrawOffer 团队已公开记忆引擎的架构设计(/memory)、基准测评报告(/memory/evaluation)与研究论文(/memory/paper)供开发者检视,感兴趣的同学也可以在 https://www.drawoffer.com 体验真实资料库与知识星图的联动效果。