首个vibe coding软件:招聘助手

0基础vibe coding，借助AI，从0到1做出一款能用的桌面软件。前后推翻重做三版，踩过的坑比写出来的代码还多。这篇不讲代码，只讲故事。

一、写在前面：为什么我要做这个？

这是我第一次完全靠AI辅助，从零开始做一个桌面软件。

目标很实在——给HR日常办公用的智能招聘助手。前后推翻重做了三个版本，整整折腾了一个月，才算正式完工。

为什么选招聘这个方向？两个原因：

1. 我发现身边有不少非HR的朋友也要处理招聘流程，整理简历、筛选候选人，又烦又费时间。做出来就能直接帮到他们。

2. 招聘这件事，天然适合AI上场——简历自动读取、岗位匹配打分、定制面试问题、面试总结点评……全流程都能让AI搭把手。后续还能慢慢进化成真正的"智能招聘小助理"。

顺便说一句，受相关规范限制，这个软件暂时不做商业化售卖，纯粹是自己用+朋友用。

关于隐私，我特意把软件设计成本地使用 + 联网调用AI双选项。很多中小企业不愿意把求职者的身份证、电话、工作经历这些敏感信息上传到陌生平台。本地版所有数据都留在你自己电脑里；如果多人共用，或者电脑配置跟不上，也能切到线上AI模式。

核心一句话：成本和隐私，你自己说了算。

全文不贴代码，用大白话聊聊踩过的坑、三次改版的心路历程，以及产品设计上的小思考。不懂编程也能看懂。

二、用什么做的？为什么选这条路？

Python不是唯一能做AI的语言，但它是效率最高、生态最全、门槛最低的那个。

几乎所有大厂和开源社区都默认用它，想做AI交互，Python是前中期最好的选择。

实际做下来，换皮肤、后台批量处理简历、页面布局，都很省心。哪怕你不懂深层编程逻辑，借着AI的提示也能把界面搭出来。

三、三次全盘重做，新手踩过的坑我一个没落

全程用AI辅助开发，但盲目堆功能 + 选错工具，直接导致连续三次推翻重做。

V1：贪多求全，工具选错，全盘作废

第一版想法太多：简历管理、AI筛简历、自动出题、面试记录……全想塞进去。

没有规划整体使用逻辑，想到哪改到哪。

选AI开发工具时，贵的太贵，国外的没中文。最后选了个国产带中文界面的，结果它的智能编码能力偏弱，代码看着在疯狂生成，成品却漏洞百出，连最基础的功能都没跑通。最后只能清空项目，从头再来。

V2：规划有了，但数据各玩各的

第二版学乖了，先写产品需求文档，还参考了多款大模型的建议。

文档越写越长，内容越来越冗余，最后手动删减精简才落地。

新麻烦来了：从简历录入、AI解析、标注分类，到预约面试、最终录用/淘汰，全流程数据根本没法联动。同一个候选人，在不同页面里信息不一致、不更新。数据像被切成了好几块，每次修一个bug只能解决单点问题，根本没法全局调整。无奈，再次换工具。

V3：敲定工具，五天精细化打磨

第三版沿用精简后的方案，换了一套更顺手的AI开发工具。

基础框架成型后，剩下5天全部用来做精细化优化：调界面排版、理顺数据流转、优化AI交互体验、全功能查漏补缺。

最终成品和第一版相比，已经是完全不同的东西了。

三次改版最深的一个感悟： AI写代码再快，如果没有统一的规范和清晰的产品思路，写得越快，后期返工越累。

四、一个普遍误区：别拿"完美人类标准"去要求AI

做这个软件的过程中，我发现一个很有意思的现象：很多人一听到AI工具，本能地就抵触，习惯性全盘否定——"AI这里不行""那里不准"。

他们总在用行业顶尖老员工的最高标准去要求AI。达不到人的完美水准，就直接弃用。

但AI本质就是个辅助工具。

你不需要它面面俱到、滴水不漏，只要它能帮忙搞定批量整理简历、初步筛选、自动写面试题这些机械重复的工作，帮你省下大把琐碎时间，这工具就已经值了。

用极致完美的人类标准去苛求AI，反而会忽略它实实在在的提效作用。

五、核心亮点：AI筛选简历的逻辑，我大改了一版

软件里AI有四种使用场景，不同场景下AI的风格也不一样：

• 简历信息提取：只做客观摘抄，不自由发挥。
• 岗位简历匹配打分：严格按岗位要求客观评分。
• 自动生成面试问题：适度灵活，根据候选人经历定制。
• 面试结果总结：结合HR的打分，客观整理评语。

优化1：放弃关键词比对，直接让AI读全文

最初的设计思路是：让AI分别提炼简历关键词和岗位关键词，然后靠关键词重合度来打分。落地之后发现漏洞很多——本地小模型提取关键词经常缺这少那，打分忽高忽低，参考价值很低。

后来灵机一动：AI既然能读懂整篇文字，为什么非要拆成关键词？

直接把完整简历 + 招聘需求一起扔给AI，让它综合评判打分。

优化之后，匹配精准度大幅提升。这个核心功能才算真正成型。

这里很容易陷入思维定势——传统开发做到一半要推翻重来，沉没成本很高。但大模型时代不一样了，重开的成本极低，而且往往因为架构更合理、需求更明确，重做比修修补补还快。

优化2：从"单一筛简历"升级为"全流程帮手"

开发过程中不断拓展功能：除了简历匹配，又加了一键生成招聘文案、自动出面试题、面试结束自动写评语。

原来的模式是"人为主，AI辅助"；现在变成了AI承接重复性工作，员工重点做人工判断。

重复劳作实实在在地减少了。

六、五层简易架构：小软件也有清晰分工

软件内部从前端到后台分成五层，各司其职，严格遵守数据流转规则：

操作界面 → 简历&AI处理中心 → AI调用+数据存储 → 通用辅助工具

很多人觉得只有大型企业软件才算"好用"。但大型系统采购费用高、部署麻烦、还要专门培训员工。

而这款小软件聚焦HR单点招聘需求，轻量化、易上手，反而更适合中小公司日常使用。

七、数据本地储存，从根源解决隐私顾虑

按照国内个人信息保护相关法规，求职者的手机号、住址、工作履历都属于隐私。软件从设计上就规避了泄密风险：

所有简历数据默认保存在你自己电脑的文件夹里，软件没有自动上传到外网的设置。
AI接口密钥单独存放，跟简历资料分开。就算别人把你的软件整个拷走，也带不走API和数据。
PDF、Word原始简历解析完后可以自动删除，只保留整理后的结构化信息。

缺点也有：没法一键多台电脑同步数据。但对单人办公的HR来说，隐私优先级远大于多端同步，完全够用。而且这个软件定位就是小工具，功能加太多反而会模糊它的定位。退一步说，同样的功能，作为独立软件和作为大系统里的一个模块，区别是非常大的。

八、AI两种使用模式：本地离线 + 在线联网，自由切换

1. 为什么设计双模式？

有些企业的规章制度严禁把简历内容发送到外网。所以我开放了两种模式：

• 本地离线AI：不用联网，全部在你本机运算。

• 在线云端AI：联网调用商用大模型。

用户在设置界面一键切换就行。

📊 关键数据卡片

• 批量处理：5份简历打包发送，节省八成AI使用费和等待时间。

• 排队机制：同一时间只运行一项AI任务，防止软件卡死。

补充一句：本地部署AI的硬件入门成本可控，但不能照搬在线AI的用法。如果大批量简历全程用在线AI，长期开销不低。注重隐私、长期高频使用的用户，更适合本地部署。

这里是特地使用暗黑模式的图，因为整体配色适配的非常满意。

九、软件里那些让人舒服的小细节

统一排版
：全软件按钮、输入框大小、边距都统一，界面整洁舒服。
功能标注
：所有需要调用AI的按钮旁边都做了橙色标记（●），鼠标悬浮会提示，提前告诉你"这个功能要跑AI"。
多语言切换
：内置五种语言，简中繁中英语日语韩语，多语言适配0压力。
浅色/深色双皮肤
：一键切换，护眼暗黑模式或者常规浅色模式，随你心情。

十、测试：用真实简历"烤"了一遍

我收集了18份真实简历素材，包括PDF、Word、图片简历，甚至还有几个破损的无效文件，用来做全功能测试，覆盖了近百项检测点。

不刻意模拟AI运行，直接接入真实AI做功能校验。

这个小工具完全基于大模型和MinerU构建，一开始规划里还有一些冗余模块，后来全给剥离了——越简单，越可靠。

十一、写在最后：一个月能换来什么？

历时一个月，从一个简陋的简历存档页面，迭代成了一款AI全链路辅助招聘工具。

整个项目最宝贵的经验其实就一句话：动手开发之前，先把产品规范定好。界面、数据、AI调用、文档、测试，全部提前梳理出标准，能避开绝大多数返工问题。

一点致谢

本软件使用 OpenCode 进行开发，DeepSeek-V4-Flash 作为主力开发模型。特别感谢上海AI实验室 OpenDataLab（书生·浦语 InternLM 团队）开源的 MinerU——工业级文档结构化解析引擎，专治PDF/图片/Office转Markdown/JSON，是目前RAG知识库和LLM训练最主流的文档预处理工具。目前直接注册后可以免费使用。小规模体验的话，可以全部采用在线模式。本地模型采用的是Jackrong/Qwen3.5-9B-DeepSeek-V4-Flash-GGUF，Q5量化，感谢相关作者对开源大模型的贡献。