鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
19
13
31

我的新AI项目上线了!AI帮你找工作岗位,分析简历!

一坤年全栈实习生
一坤年全栈实习生
2026-04-19 16:24
阅读 4043
一坤年全栈实习生
2026-04-19 16:24
阅读 4043

这次不是生成代码,而是帮你找工作。

地址:https://offer.code-market.online/

大家好,我是上次分享代码生成器项目的作者。最近花了不少时间打磨了一个新项目 —— OfferFlow 求职 Agent 平台,一个面向大学生和求职者的 AI 智能求职助手。

简单来说:你设置好技能和求职偏好,AI Agent 自动帮你采集岗位、分析匹配度、优化简历、模拟面试,一站式搞定求职全流程。

image.png

为什么做这个项目?

求职是每个人都要经历的事,但过程真的很痛苦:

  • 每天在 BOSS、猎聘、智联之间反复横跳,手动搜岗位
  • 投了几十份简历,不知道哪里不匹配
  • 面试前不知道怎么准备,心里没底
  • 简历写了改、改了写,不知道 HR 到底想看什么

我就想:能不能让 AI 把这些重复劳动全部自动化?

于是 OfferFlow 诞生了。


核心功能一览

🔍 智能岗位采集

设置好你的技能、意向城市、岗位方向,点一下「开始采集」,Agent 自动从多个招聘渠道抓取岗位信息,实时显示采集进度。

image.png

采集完成后,所有岗位自动进入岗位列表,AI 会逐一分析匹配度并给出评分。

📊 AI 匹配分析

每个岗位都有一个 AI 生成的匹配分数和详细分析报告,告诉你:

  • 你的技能和岗位要求的契合度
  • 哪些是你的优势项
  • 哪些是潜在风险点
  • 综合匹配评级

image.png

image.png

image.png

重点:支持pdf导出

image.png

📝 简历优化工作台

这是我最花心思的功能。上传你的简历 PDF,粘贴目标岗位的 JD,AI 会从 HR 视角给出深度分析:

  • 逐项评分:技能匹配、项目经历、教育背景分别打分
  • 关键词覆盖率:JD 里的关键词你的简历覆盖了多少
  • HR 视角点评:模拟招聘者的第一印象判断
  • 缺失证据检测:哪些能力你有但简历里没体现
  • 一键优化:AI 直接帮你重写优化后的简历内容,支持前后对比

image.png image.png

🎤 AI 模拟面试

选择一个岗位,AI 根据 JD 自动生成面试题目,你逐题作答后,AI 给出:

  • 每道题的评分和点评
  • 遗漏的关键点
  • 参考答案
  • 岗位适配度分析
  • 下一轮面试建议

image.png

image.png

⚙️ 求职画像偏好设置

一次配置,全局生效。你的技能、意向城市、行业、工作方式、薪资范围等偏好会影响采集策略和匹配算法。

image.png

image.png

目前进度和后续计划

已完成:

  • ✅ 多源岗位自动采集
  • ✅ AI 匹配分析与评分
  • ✅ 简历上传、分析、优化全流程
  • ✅ AI 模拟面试 + 反馈
  • ✅ 偏好画像系统
  • ✅ 套餐与能量值配额

后续计划:

  • 🔜 在线支付接入
  • 🔜 更多招聘渠道对接
  • 🔜 简历模板导出 PDF
  • 🔜 求职进度看板(投递 → 面试 → Offer 全流程追踪)

最后

这个项目从想法到现在的状态,前前后后花了不少精力。和上一个代码生成器项目不同,这次更偏向「AI + 产品化」的方向,不只是调 API,而是围绕一个真实场景把 AI 能力串成完整的产品体验。

如果你也在求职,或者对 AI 应用开发感兴趣,欢迎交流。

Python
AI
项目
19
31
分享
操作
评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题

目录

🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
410
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300