“帮我优化简历”——这是大多数人用 AI 的方式。但你知道吗，真正强大的 AI 求职工具，不是一个聊天机器人，而是一套由多个 AI Agent 协作运行的“求职操作系统”。

今天这篇文章，我们不浮于表面地介绍“AI 求职助手是什么”，而是直接钻入源码层面，拆解它的 Agent 架构、Prompt 设计、技术栈原理，并告诉你——普通人如何用 Qoder 复刻一个属于自己的中文版 AI 求职助手。

- - - - - - - - - - - - - -

一、AI Job Search 到底是什么？

先看传统求职流程：找岗位→ 复制 JD → 修改简历 → 写 Cover Letter → 投递 → 等待 → 准备面试。每一步都是重复劳动，每一个岗位都要重新分析，简历要反复修改，而且你根本不知道自己和岗位的匹配度有多高，更不知道被拒的真正原因。

核心痛点：信息孤岛、重复劳动、无针对性、缺乏反馈闭环。

AI Job Search 的核心思想

AI Job Search 的核心理念很简单：把一个职业顾问、HR、招聘专家、简历优化师、面试官组合成一个多 Agent 系统。它不是一个聊天机器人，而是一个“求职操作系统”。

个人职业数据库 + 岗位数据库 + LLM 推理能力 + 自动化工具 = AI 求职操作系统

- - - - - - - - - - - - - -

二、核心 Agent 架构深度解析

2.1 总体架构

一个典型的 AI Job Search 系统采用“主从架构”设计：Orchestrator Agent作为总控，下达指令给各个专业子 Agent，底层由 Memory Layer（记忆层）、Knowledge Base（知识库）、Tool Layer（工具层）提供支撑。

2.2 Orchestrator Agent：系统的“大脑”

Orchestrator 就像一个项目经理，它不亲自做具体的简历或分析工作，而是负责理解用户目标、拆解任务、调度合适的子 Agent、汇总结果。

举个例子：用户说“我想找 AI 产品经理岗位，帮我优化简历”。普通聊天机器人会直接给你一份模板化的简历。但 Orchestrator 会这样拆解：

这就是 Agent 和普通 ChatGPT 的核心区别：普通聊天是“输入→回答”，Agent 是“输入→规划→调用工具→执行→检查→输出”。

- - - - - - - - - - - - - -

三、核心 Agent 源码逻辑分析

3.1 Profile Agent：把你变成结构化数据

Profile Agent 的核心任务是：信息抽取，而非写作。它把用户的自然语言职业描述，转换为结构化 JSON 数据。

为什么必须结构化？因为 LLM 不擅长长期记忆。自然语言 → JSON → 数据库 → Agent 调用，这是整个系统的数据基础。

Profile Agent 核心 Prompt

你是一名资深 HR。

请分析用户职业背景，提取：

1. 工作经历 2. 技术技能  3. 项目经验

4. 可迁移能力 5. 潜在岗位方向

输出 JSON 格式。

禁止总结、禁止评价，只提取事实。

3.2 Job Analysis Agent：JD 解析与知识图谱

岗位分析 Agent 做的事情更深层次：把 JD 转化为招聘知识图谱。不仅提取明确的技能要求，还能挖掘隐藏的招聘需求、ATS 关键词、面试重点。

Job Analysis Agent 核心 Prompt

你是一名 BAT 级招聘专家。分析下面 JD：

请拆解：

1. 隐藏招聘需求 2. 核心技能要求

3. ATS 关键词 4. 面试重点

5. 候选人竞争优势

输出结构化 JSON。

3.3 Matching Agent：最重要的匹配评分模块

这是整个系统的核心模块。匹配 Agent 类似一个招聘推荐系统，它综合计算技能匹配、经验匹配、项目匹配、行业匹配、成长潜力等多个维度，输出综合评分和具体建议。

评分权重体系：

Matching Agent 核心 Prompt

你是一名招聘经理。

比较 Candidate Profile 和 Job Description，

按照权重：技能 30%、经验 25%、项目 25%、行业 10%、成长 10%

输出：score、advantages、risks、recommendation

- - - - - - - - - - - - - -

四、真正的竞争力——Prompt 系统设计

AI Job Search 真正的竞争力不是模型，而是 Prompt。同样是 GPT-4，普通 Prompt 和 Agent 级 Prompt 的效果差别是天地之别。

4.1 一个优秀的 Agent Prompt 长什么样？

一个专业级 Agent Prompt 通常包含六大要素：

对比演示：

普通 Prompt：“帮我优化简历”

Agent Prompt：“你现在是一名拥有 15 年经验的 Google 招聘经理。你的任务是帮助候选人获得目标岗位。工作流程：Step1 分析 JD → Step2 分析候选人 → Step3 寻找差距 → Step4 重构简历。规则：禁止虚构经历。输出：JSON 格式。”

同样的模型，Agent Prompt 的输出质量可以提升 3-5 倍。这就是 Prompt 工程的力量。

4.2 Chain of Thought：让 AI 按步骤思考

求职任务不是一步完成的，它需要：分析→ 判断 → 修改 → 验证。例如简历优化 Agent 的内部流程：读取 JD → 提取关键词 → 检查当前简历 → 发现缺失 → 生成修改方案 → 重新评分。

4.3 Reviewer Agent：多 Agent 辩论机制

高级系统一定有：生成 + 审核。这就是所谓的 Multi-Agent Debate。Writer Agent 先生成简历，然后 Reviewer Agent 从三个维度审核：是否夸大、是否符合 JD、是否 AI 味太重。审核不通过则返回修改，直到通过为止。

Writer → Reviewer → 修改 → 再审核 → Final，循环迭代，确保质量。

- - - - - - - - - - - - - -

五、技术栈源码级拆解

如果你想用中文复刻一个 AI Job Search，整个技术栈可以这样设计：

关键设计思路：在 AI 模型层做了LLM Router统一封装，所有 Agent 通过 callLLM(prompt) 调用，未来可以无缝切换模型。这是工程化思维的体现。

- - - - - - - - - - - - - -

六、普通人如何用 Qoder 复刻中文版

你不需要从零写代码。借助 Qoder + Prompt 工程，三个阶段就能搞定。

第一阶段：搭建 MVP

发送给 Qoder：

请帮我开发一个中文版 AI 求职助手。

技术：React + Node.js + SQLite

功能：

1. 用户上传简历 2. AI 分析职业画像

3. 输入招聘 JD 4. AI 匹配评分

5. AI 优化简历

要求：采用 Agent 架构，创建 agents 目录。

第二阶段：开发 Agent 系统

创建 src/agents 目录，每个 Agent 独立文件，统一调用 LLM：ProfileAgent、JobAgent、MatchAgent、ResumeAgent、InterviewAgent。

第三阶段：Prompt 工程

建立 prompts/ 目录，分别管理每个 Agent 的 Prompt：profile.txt、match.txt、resume.txt、interview.txt。核心经验：每个 Prompt 都要包含角色、目标、流程、禁止条款、输出格式。

- - - - - - - - - - - - - -

七、进阶升级——打造真正的 AI Agent

从普通版到高级版，需要加入三大核心能力：

RAG 架构

Documents → Embedding → Vector Database → Agent Retrieval，这套架构让 Agent 能够基于真实知识库进行决策，而不是只依赖模型自身的训练数据。

- - - - - - - - - - - - - -

八、这个项目对普通人的意义

AI Job Search 其实不只是一个求职工具，它代表的是未来个人 Agent 的方向：个人数据 + AI Agent + 自动化流程 = 个人超级助手。

未来，每个人可能拥有：Career Agent、学习 Agent、投资 Agent、健康 Agent、创业 Agent……

- - - - - - - - - - - - - -

总结

难度：★★★☆☆（不需要训练模型）

核心能力不是代码，而是：

Agent 架构设计 · Prompt 工程 · 数据结构设计 · 工作流拆解

真正的学习目标不是“做一个求职网站”，而是——学会如何把一个复杂现实任务拆成多个 AI Agent，让 AI 完成过去需要多人协作的工作。这也是 2026 年普通人进入 AI Agent 开发领域最适合的练习项目之一。

—明天见—