面向中国校招与职业选择的、由真实岗位数据驱动的求职决策 Agent
从岗位发现、个性化推荐、简历改写，到针对目标岗位的模拟面试。
在线产品 · Local TUI · 功能状态 · 完整产品部署 · Voice Agent 验收
高保真产品原型。岗位、分数与统计数字为演示数据，不代表当前线上数据。
传统岗位平台回答“现在有哪些岗位”，JobRadar 更想回答三个后续问题：
- 以我的经历和目标，哪些岗位真的值得投？
- 为什么推荐，依据来自哪条 JD、哪段经历和哪类公司情报？
- 决定投递以后，简历和面试应该怎样针对这个岗位准备？
因此它不是一个套着聊天框的岗位爬虫，而是一条可追溯的求职决策链：
公开岗位发现 → 标准化 / 去重 / 覆盖诊断 → 简历与偏好建模
→ 受约束的 Agent 调研与选择 → 岗位解释 → 简历改写
→ 定制模拟面试 → 事实型反馈报告
数据基座是地基，但不是这个项目唯一、甚至不是最容易复用的价值。 JobRadar 把四类通常分散的工程放进了一个真实垂直场景：
- 可维护的岗位数据工程：配置驱动的抓取适配器、字段归一、去重、来源分层、可疑零结果检测和抓取证据留存。
- 受约束的垂直 Agent：先由规则召回候选池，再让 ReAct Agent 在工具预算内检索、查看 JD、读取公司情报，最终只能提交真实候选池中的
job_id。 - 上下文与长期记忆：XHS、播客、赛道知识和用户记忆通过 purpose-aware
ContextProvider注册表按场景供给，而不是把所有内容无差别塞进 prompt。 - 评测先行的模拟面试：自适应提问、并行评分与追问、证据化报告，以及带取消、打断、降级和隐私边界的实时语音链路。
- 真正可安装的本地 Agent：独立 TUI 不依赖 Web 服务或 Coding Agent，岗位搜索离线可用，简历修改必须引用原文证据并由用户逐条确认。
如果你在做 Agent 应用、RAG、实时语音、招聘产品或爬虫可靠性，这个仓库的价值更接近一份可运行的垂直 Agent 参考实现，而不是一份会迅速过期的数据包。
工作台把岗位约束、Agent 对话、推荐证据和简历改写放在同一条决策上下文中。图中姓名与履历均为虚构演示数据。
该图是交互原型，不是线上通话实录。设备检测界面见 mock-interview-device-check-prototype.png。
| 模块 | 已实现 | 当前边界 |
|---|---|---|
| 岗位数据基座 | 公开来源抓取、ATS/站点适配、标准化、去重、评分、调度、覆盖与失败诊断 | 生产数据库和受限来源原始数据不随仓库发布 |
| 简历与偏好 | PDF/DOCX 解析、结构化档案、目标方向与地点/行业/薪资偏好 | 高质量解析与生成需要兼容 OpenAI API 的模型凭证 |
| 岗位推荐 Agent | 规则候选池、search_candidates、inspect_jobs、get_company_intel、工具预算、执行 trace、受约束 finalize 与 fallback | XHS 向量检索目前不是 ReAct 推荐主路径 |
| 简历 Copilot | 多轮改写、差异预览、一键应用、捏造风险提示、跨会话用户记忆 | 输出仍需用户确认，不能替代事实核验 |
| RAG / 外部情报 | XHS、播客、赛道知识与记忆 Provider；按 chat/interview/intel 等 purpose 路由 | 私有语料与派生索引不作为公共数据集分发 |
| 模拟面试 | 岗位定制题目、自适应追问、并行编排、评分、报告与 Voice Facts V2 | 反馈只展示可测事实，不输出未经校准的性格/自信标签 |
| Realtime Voice Agent | LiveKit WebRTC、流式 ASR/TTS、播放取消、自动轮次、barge-in、重连与 legacy fallback 均已实现并受 feature flag 控制 | Gate B 真人中文语料和 Gate C 真实 LiveKit 房间验收尚未完成 |
Local TUI v0.1.0-alpha | 已实现一键初始化、SQLite/FTS 岗位检索、CSV/JSON/SQLite 导入、PDF/DOCX/Markdown/TXT 解析、OpenAI-compatible/Ollama、证据化 patch、Run trace 与 Docker | 当前只开放岗位检索和简历优化；不包含生产岗位库、私有语料、模拟面试或自动投递 |
语音链路的实现、失败复盘和验收边界见 阶段复盘 与 验收清单。
flowchart LR
S[公开岗位来源] --> C[抓取适配器与覆盖校验]
C --> D[(标准化岗位库)]
R[简历与用户偏好] --> P[确定性候选池]
D --> P
P --> A[受预算约束的 ReAct Agent]
A --> J[真实 job_id 推荐与 trace]
J --> W[简历改写与决策工作台]
X[XHS / 播客 / 赛道知识] --> K[ContextProvider Registry]
M[统一用户记忆] --> K
K --> W
K --> I[面试编排与报告]
J --> I
B[浏览器音频] -. feature flag .-> L[LiveKit WebRTC]
L -. ASR / LLM / TTS .-> I
系统先用确定性规则形成候选池，再允许 Agent 在有限预算内调用三个只读工具。finalize 会校验岗位是否真的来自候选池；预算耗尽、模型格式错误或工具失败时走可解释 fallback。这样既保留模型的调研与比较能力，也给幻觉、成本和尾延迟设置边界。
ContextProvider 以 purpose、查询和用户上下文决定是否取数。XHS 更适合提供公司体验、招聘口径和候选人视角，播客更适合补充职业路径与行业方法，用户记忆则提供个人证据。Provider 失败不会拖垮主流程。
每轮回答并行进入评分、追问决策和下一题准备；迟到结果通过轮次边界隔离。实时语音采用可替换的 pipeline 路线，并保留 legacy 链路作为降级，而不是把传输、ASR、LLM、TTS 和业务状态绑死在一个模型里。
- 只面向合法、公开、可访问的岗位来源；优先官方招聘站和公开 ATS。
- 不绕过验证码、登录封禁或站点风控，并应遵守目标站点条款与速率限制。
- 仓库发布的是抓取器、配置、数据模型、样例和评测资产；线上生产库、学生数据、私有 XHS 语料与音频不在仓库中。
- 经用户明确授权的面试音频才会短期保存；衍生分析支持删除和过期清理。
这也意味着：当前“持续维护的数据基座”是产品护城河，但还不是一个开箱即用、持续更新的公共数据集。如果未来把数据本身作为主要开源卖点，需要另外发布有授权、带时间戳和来源说明的快照。
| 层 | 技术 |
|---|---|
| 用户端 | Next.js 16、React 19、TypeScript、Tailwind CSS、Ant Design |
| 管理端 | Vite、React 19、TypeScript、Ant Design |
| 后端 | FastAPI、SQLAlchemy、Alembic、Pydantic、APScheduler |
| 数据 | SQLite WAL、结构化配置、向量化知识索引 |
| Agent / RAG | OpenAI-compatible LLM、budgeted ReAct、ContextProvider registry、统一记忆 |
| 爬虫 | Python、Requests、Playwright、ATS / 站点专用 adapter |
| 语音 | LiveKit Agents、Silero VAD、DashScope Paraformer、Qwen3-TTS / CosyVoice、WebRTC |
| Local TUI | Python 3.11+、Textual、SQLite FTS5、Pydantic、HTTPX、PyPDF、python-docx |
完整仓库适合研究和部署全栈产品；Local TUI 则提供一个不依赖 Web、管理端、调度器和语音服务的本地入口，只保留两条完整工作流：
真实 Textual 应用截图，使用仓库内明确标注的离线演示岗位生成。
本地岗位数据 → 检索 / 筛选 / 比较 / 收藏
本地简历 + 目标 JD → 证据对齐 / patch 审阅 / 导出新版本
设计参考 career-ops 的 local-first 与 system/user data contract，但不依赖 Claude Code 等 Coding Agent 作为运行时。Python Textual 只负责交互，岗位召回、简历证据、Context、Memory、模型和 Run Event 都在可独立测试的 Career Core 中。
需要 Python 3.11+。使用 uv 可以直接从 GitHub 安装成隔离的命令行工具：
uv tool install git+https://github.com/Slackness1/JobRadar.git
jobradar init
jobradar doctor
jobradar tui也可以使用 pipx install git+https://github.com/Slackness1/JobRadar.git。初始化会创建本地工作区，并在空库中放入 6 条明确标记为演示的岗位，因此断网、没有模型 Key 时也能先体验岗位检索。
jobradar jobs import ./jobs.csv
jobradar jobs import ./jobradar.db
jobradar jobs search "AI Agent 后端" --location 上海支持 CSV、JSON、JSONL 和 JobRadar SQLite。结果只包含本地库中的真实 job_id；相关性分数附带关键词、地点、方向、时效和风险解释，不会包装成录用概率。
默认模型是本机 Ollama 的 OpenAI-compatible endpoint：
ollama pull qwen3:8b
jobradar config model \
--base-url http://127.0.0.1:11434/v1 \
--model qwen3:8b
jobradar resume optimize ./resume.pdf --job-id demo-agent-backend-sh使用远程模型时必须显式添加 --allow-remote，API Key 只从环境变量读取。模型输出不是直接覆盖简历，而是生成逐条 patch；target_block_id、原文、Evidence Ref、新增数字和 JD 缺口都会经过证据门验证，Blocked patch 不能接受。
系统包与用户数据物理分离。原始简历只读保存，所有导出都是新版本；每次运行会写出 manifest.json 和 events.jsonl，记录 Context hash、步骤、质量和降级原因，不记录 API Key 或隐藏思维过程。默认无遥测、无自动投递、无 JobRadar 云端依赖。
完整命令、Ollama/远程模型配置、Docker 和数据目录说明见 Local TUI 文档，技术取舍与验收标准见 实施 Spec。
docker compose -f docker-compose.tui.yml build
docker compose -f docker-compose.tui.yml run --rm jobradar init
docker compose -f docker-compose.tui.yml run --rm jobradar tui当前 docker-compose.yml 启动 FastAPI 和旧管理端，不包含 Next.js 用户端。
touch .env
docker compose up --build -d- Admin Frontend: http://localhost:5173
- Backend API: http://localhost:8001
- API Docs: http://localhost:8001/docs
# Terminal 1: backendcd backend
python3 -m venv .venv
.venv/bin/pip install -r requirements.txt
.venv/bin/playwright install chromium
PYTHONPATH=. .venv/bin/uvicorn app.main:app --reload --port 8000
# Terminal 2: Next.js user appcd resume-copilot-web
npm ci
RESUME_COPILOT_BACKEND_URL=http://127.0.0.1:8000 npm run dev打开 http://localhost:3001。Agent 功能至少需要在仓库根目录或 backend/ 的 .env.local 中配置：
RESUME_COPILOT_LLM_BASE_URL=https://api.deepseek.com/v1RESUME_COPILOT_LLM_API_KEY=your-keyRESUME_COPILOT_LLM_MODEL=deepseek-chat语音功能还需要 DASHSCOPE_API_KEY；LiveKit 路线默认关闭，需额外配置 LIVEKIT_URL、LIVEKIT_API_KEY、LIVEKIT_API_SECRET 和对应 feature flags。当前 LiveKit adapter 需要原始 PCM，因此启用该路线时 DASHSCOPE_TTS_MODEL 必须选择支持 PCM 流式输出的 CosyVoice 模型。
backend/ FastAPI、Agent、RAG、面试编排、语音与爬虫
resume-copilot-web/ 面向求职者的 Next.js 产品
frontend/ 岗位、评分、调度与爬虫管理端
src/jobradar_core/ Local TUI 共用的岗位、简历、Context、Memory 与 Runtime
src/jobradar_tui/ Textual 界面与 jobradar CLI
tests/local_tui/ 本地工作区、检索、防编造、导出和 TUI 验收
docs/ 架构、评测报告、复盘与产品原型
scripts/ 数据导入、抓取、验证和运维脚本
- Realtime Voice Agent Spec
- Voice Agent 三道验收
- Voice Agent 阶段复盘与未完成项
- Career Agent Kernel 实施 Spec
- 渐进式记忆披露 PRD
- Open-source TUI 实施 Spec
- Mock Interview 独立评审
- Workspace Coach 独立评审
仓库目前尚未加入开源许可证。在 LICENSE 明确之前，代码可供阅读和评估，但不应默认拥有复制、修改或再分发授权。许可证选择是开放外部贡献前必须补齐的一步。
Maintained by Chuanbo Zhou, focused on AI Agent, realtime voice and backend product engineering.