零代码文档驱动大模型开发---AI办公助手系列-简历做深-从会改到能问

上一篇零代码文档驱动大模型开发---AI办公助手系列-简历功能的初步建设成果及总结，我把简历功能的框架搭起来了——四步（帮写 / 帮改 / 帮投 / 帮排版）、24 个岗位族、三层结构。但框架只是"能用"，离"好用"还隔着一层。这一篇，讲做深这段路，以及路上三个关键的决策。

一、项目需求

框架落地后，真正的挑战才浮出来，三个：

1、光"自动帮改"不够。简历最大的痛，不是文字不漂亮，而是经历写不深、经不起面试追问。AI 能把一段经历润色得天花乱坠，可面试官一句"这数字怎么测出来的？"，你就露馅了。

2、光"精确匹配"有风险。让 AI 按岗位 JD 裁剪简历，它一高兴，容易"顺手"帮你多编一条经历、多写一个项目。

3、光"岗位预设"不够。24 个岗位族之间，关键词匹配稍不精确就串味：例如想做"教育"的，匹配到了 HR 的"培训专员"。

所以"做深"要解决三件事：让 AI 会追问、让 AI 别编造、让匹配别串味。

二、项目功能

• 项目打磨（追问教练）：输入一句项目描述，AI 按追问树逐条追问，帮你把经历补足细节、变成一段更经得起追问的 STAR 版本。

• AI 生成初稿：填个岗位，AI 生成简历骨架，但工作 / 项目经历强制留空。

• 多投递版本（防编造）：粘一个 JD 生成裁剪版，代码硬拦"不新增条目"。

• 24 岗位族精准匹配：关键词精确定位，岗位族之间不串味。

三、功能背后的思维链

决策一：让 AI 当"追问教练"——简历的质量瓶颈不在"写"，在"问"

痛点：大多数人写简历，写出来的经历只有一句话，既没数据、也没细节。你让 AI"帮我把这段写好一点"，它只能对着这一句话发挥，写出来的还是空的——因为它手里没有料。

思维沉淀：会写不如会问。简历的质量瓶颈不在文笔，在信息采集——问不出真实细节，AI 再会写也只是在给空壳上漆。先解决"料从哪来"，再谈"怎么写"。

边界说明（重要）：这套追问是"通用框架"，不是"专业 HR 经验"。我们不是 HR，每个公司的面试偏好也不同——有的看重技术、有的看重业务、有的看重别的。所以它不保证帮你通过面试，它只做一件实在的事：用通用的结构化追问（STAR、量化、难点），帮你把经历讲得更完整、更经得起问。想要"针对某家公司"的独到准备，光靠通用框架不够，还得靠你自己把 JD、面试复盘喂进来——这一条，我们后面会补上。

决策二：防编造，光靠"提示词"拦不住，得用代码硬拦

痛点：让 AI 按 JD 裁剪简历、生成投递版本时，它经常"顺手"多写一条经历、多编一个项目。你就算在提示词里写一百遍"不要编造"，它还是时不时犯。

解法：不靠祈祷，靠硬约束。生成裁剪版时，代码层直接卡死三条：每个板块的条数 slice 到不超过原简历（物理上就不允许多出来）；字段走白名单过滤（只放行已知字段）；重建 id。同样的逻辑用在"AI 生成初稿"上——工作、项目经历这两个板块，代码强制留空，AI 想填都填不进去。

思维沉淀：信任边界要落到"代码"上，而不是"祈祷"上。凡是不可逆、不可信的操作，硬约束比好言相劝可靠一百倍。prompt 是"建议"，代码才是"规矩"。

决策三：24 个岗位族，关键词匹配不能"裸词"

痛点：岗位名要路由到对应的"岗位族精做库"，靠关键词命中。一开始图省事用裸词，立刻出岔子："教育"用"培训"去匹配，结果 HR 的"培训专员"被误命中；"传媒"用"内容"，运营的"内容运营"也被卷进来。

解法：把匹配词定精确——"教育"用「教师 / 教学」而不是裸"培训"；"传媒"用「新闻 / 编辑」而不是裸"内容"；"游戏开发"用「游戏开发 / unity」而不是裸"游戏"；大数据和数据分析用「数据开发 / 数据分析」区分。每个岗位族的关键词，都刻意避开和别的族重叠。

思维沉淀：模糊匹配省事，但边界模糊是 bug 的温床。分类、路由这类逻辑，宁可多花点时间把关键词定准，也别图省事用裸词。省下的那点事，迟早变成串味的事故。