面向应届生与实习求职者的 对话式 AI 求职规划 Agent：从简历与岗位 JD 出发， 流式分析技能缺口、优化项目表达，生成可执行的学习/面试路线，并把它落成 每天能勾选的任务 + 会随进度自动重排的执行闭环。
上图为占位图。./scripts/seed-demo.sh 可一键播种演示数据，录制方法见 docs/assets。
很多求职工具止步于「给一份分析报告」。OfferPilot 想多走两步：把一次性的分析变成 有状态、会陪跑的求职旅程——
- 看清差距：对话里上传简历、粘贴 JD、说明方向，AI 流式地一边做一边展示 （可联网检索该岗位当前常见技能），产出可解释的结构化报告（匹配度 / 技能缺口含来源 / 简历优化 / 分周学习与面试路线）。
- 能执行：学习路线不是一段读完即弃的文字——它被物化成排到「天」的可勾选任务， 配每日打卡。
- 会自适应：当你完成得快或慢、有任务逾期，系统动态再规划——顺延逾期、按每日容量 重组日程、对反复拖延的任务降权——而不是把计划推倒重来。
- 有温度：一根语气滑块让 AI 从「温柔鼓励」滑到「严格鞭策」，措辞可调但底线不变 （永远基于事实、不编造、不报具体「Offer 概率」）。
项目定位：这是一个开源作品集项目，目标是把上面这条「分析 → 执行 → 自适应」的 完整闭环做扎实、可演示、有工程深度——而非一个商业产品。
后端以 SSE 把分析过程逐步推给前端：工具调用（联网搜索 / 运行分析）与 AI 解读实时呈现，
告别「黑屏等待」。底层是可控的两步工作流（先 analyze_match 出匹配报告，再 generate_plan
出学习方案），而非放任模型自由发挥。
可离线、可降级：未配置 LLM 时自动用规则引擎跑通整条闭环；未配置搜索时仅凭已有知识作答。
→ backend/app/services/agent.py、backend/app/routers/chat.py
学习路线经一份幂等物化契约拆成 Task 行（按 (run, week, order_index) 业务键
merge-upsert，保留用户已完成进度，roadmap 删项软删而非物删，保证打卡引用永不悬空）。
任务可勾选、可打卡，进度（完成率 / 连续打卡 streak / 各周完成度 / 最近 7 天热力）实时聚合，
无需后台定时任务。
→ backend/app/services/materialize.py、backend/app/routers/{tasks,checkins,progress}.py、
frontend/src/components/ProgressBoard.vue
打卡或手动「结算」会触发再规划——非从零重生成，而是只对未完成任务做三件事：
- 顺延：
planned_date早于今天且未完成的任务，滚动到今天起的剩余日程； - 重组：所有未完成任务按
(week, order_index)序，以每日容量上限均匀摊到[今天 .. 计划末日]，避免逾期任务堆成一坨； - 降权（仅每日结算）：仍逾期未完成的任务
weight−1（下限 0）作「持续被拖延」的至危信号， 供前端弱化展示与后续状态机消费。
结果写入 JourneyState.signals，前端进度看板据此给出节奏洞察。算法对「同一天重复结算」
天然幂等（逾期任务已被移到 ≥ 今天，二次结算无可降权项）。
→ backend/app/services/replan.py、backend/app/routers/journey.py
加分项 ①：碰壁期闭环——面经复盘 → 盲区提取（LLM 抽取 / 规则
match_skills，统一归一到 技能本体；命中已知缺口的盲区升级严重度）→ 权重回灌（命中盲区的未完成任务提weight并提到今天， 前端标「🎯 重点」）。把「面试受挫」转成「下一轮学习的优先级」。 →backend/app/services/interview.py、backend/app/routers/interviews.py加分项 ②：人设引擎（理智脑/情感脑解耦）——单一人设 + 语气强度滑块，只调系统提示的措辞， 不动分析逻辑与工作流。→
backend/app/services/agent.py（_tone_directive）
| 对话式流式分析 | 执行计划 · 动态再规划 | 我的进度看板 |
|---|---|---|
 |
 |
 |
前置：Python 3.10+；Node 18+（仓库已在 .tooling/ 内置本地 Node 24，脚本会自动优先使用）。
# 终端 1：后端（首次会自动建虚拟环境并装依赖）
./scripts/dev-backend.sh # 默认 http://localhost:7968
# 终端 2：前端（首次会自动 npm install）
./scripts/dev-frontend.sh # http://localhost:8461
# 终端 3（可选）：播种一份「活」的演示数据，便于体验/录制
./scripts/seed-demo.sh # 输出会打印可访问的 /plan/<id>打开 http://localhost:8461 ，在对话框粘贴简历与若干 JD、补充目标方向，AI 会流式产出报告与学习方案；
点报告里的入口进入 执行计划（/plan/:runId）勾选任务、每日打卡，并在 我的进度
（/dashboard）查看完成率与坚持天数。
端口可覆盖：
PORT=8010 ./scripts/dev-backend.sh，同时VITE_API_TARGET=http://localhost:8010 ./scripts/dev-frontend.sh。
复制 backend/.env.example 为 backend/.env，把 LLM_PROVIDER 设为 openai 或 anthropic
（指 API 协议，不绑定厂商）。配合 OPENAI_BASE_URL / ANTHROPIC_BASE_URL 可对接任意兼容服务
（DeepSeek、OpenRouter、本地 vLLM/Ollama 等，需同时设 LLM_MODEL），并把对应 SDK 装进 venv：
pip install openai（或 anthropic）。详见 backend/.env.example。
在 backend/.env 设 TAVILY_API_KEY，让 Agent 能检索较新岗位的常见技能。
后端走你环境里现有的 HTTP 代理出网，不会修改任何代理环境变量。
┌──────────────────────────── 前端 (Vue 3 + TS) ─────────────────────────┐
浏览器 ──────▶ │ 对话(/) 执行计划(/plan) 我的进度(/dashboard) 历史(/history) │
│ api/client.ts 统一注入 X-Device-Id（多租户接缝） │
└───────────────┬────────────────────────────────┬───────────────────────┘
SSE 流 │ REST │
┌───────────────▼────────────────────────────────▼───────────────────────┐
│ 后端 (FastAPI) │
│ chat.py ──▶ agent.py ─┐ │
│ ├─▶ pipeline.py: 简历/JD 解析 → 技能归一化 │
│ analysis.py ──────────┘ → 缺口分析 → 优化建议 → 路线生成 │
│ │ result.roadmap │
│ 闭环服务：ensure_journey → materialize(幂等) → replan(顺延/重组/降权) │
│ tasks / checkins / journey / progress 路由（实时聚合，无定时任务） │
└───────────────────────────────────┬──────────────────────────────────────┘
SQLite / PostgreSQL（11 表）
里程碑一地基（薄切多租户接缝 + 守门）：所有闭环表 day-one 带 user_id String(64)，
经 deps.get_current_user（读 X-Device-Id，默认 local）解析；ownership.py 收口归属校验
（本期单点放行、留 M3 接口）；db_guard.verify_schema 启动时对照声明表与实际表，缺失仅告警不阻断
（MVP 不引入迁移工具，backend/migrations/ 仅存非执行蓝图）。
| 方法 | 路径 | 说明 |
|---|---|---|
| POST | /api/chat/stream |
对话式 Agent（SSE 流式）：流式输出 + 工具调用 + 报告 |
| POST | /api/analysis/run |
运行一次完整分析（结构化，对话 Agent 内部也复用它） |
| GET | /api/analysis · /api/analysis/{id} |
历史列表 / 单次完整结果 |
| POST | /api/resumes/parse · /api/resumes/upload |
粘贴文本 / 上传 PDF 解析简历 |
| POST | /api/jobs/import |
批量导入 JD |
| GET | /api/skills/graph |
技能本体图谱 |
| GET · POST · PUT · DELETE | /api/saved-jds |
可复用 JD 库（增查改删） |
| GET · POST · GET | /api/conversations |
会话列表 / 保存 / 单条详情（续聊） |
| GET | /api/tasks · PATCH /api/tasks/{id} |
任务列表 / 勾选改状态（闭环核心） |
| POST · GET | /api/checkins |
每日打卡 upsert / 列表（打卡触发自动结算重排） |
| GET · PATCH | /api/journey · /api/journey/{id} |
旅程读取 / 更新 |
| POST | /api/journey/{id}/replan |
动态再规划（顺延/重组/降权） |
| GET | /api/progress |
进度聚合（完成率 / streak / 周进度 / 最近 7 天热力） |
| POST · GET | /api/interviews |
面经复盘 → 盲区提取 → 权重回灌（碰壁期闭环） |
| POST · GET | /api/mastery/feynman · /api/mastery/quiz/* · /api/mastery |
费曼讲解 / 出题判定 → 真掌握 ⭐（点勾升级） |
| POST | /api/llm/models |
BYO LLM：从所填端点拉取可用模型列表 |
| GET | /api/usage/timeseries · /api/usage/summary |
token 用量统计（按模型/功能/缓存命中分桶） |
| GET | /api/health |
健康检查（含当前解析引擎） |
启动后端后，交互式文档见 http://localhost:7968/docs 。
| 表 | 作用 |
|---|---|
resumes / job_postings / analysis_runs |
简历 / JD / 一次完整分析（结构化结果以 JSON 存） |
conversations / saved_jds |
对话历史（含报告块，可续聊）/ 可复用 JD 库 |
journey_states |
旅程主表：阶段 / 多终态 status / 多维 signals / persona+tone / 计划周数 |
tasks |
roadmap 物化的可勾选任务：四态 status、weight、planned_date、order_index |
check_ins |
每日打卡：(user_id, date) 唯一、upsert、引用 Task.id 稳定主键 |
interview_logs |
面经复盘：复盘原文 + 提取出的盲区（用于权重回灌） |
mastery_checks |
费曼/出题判定记录：判定方式、得分、反馈（「真掌握 ⭐」凭据） |
token_usages |
LLM token 用量明细：输入命中/未命中缓存、输出，按模型与功能路径落库 |
闭环表（journey_states / tasks / check_ins / interview_logs / mastery_checks）均 day-one 带 user_id，与未来真实账号同形。
cd backend && .venv/bin/python -m pytest -q # 规则模式离线端到端 + 闭环/再规划/人设/面经回灌/用量统计，132 passed
cd frontend && npm run build # vue-tsc 类型检查 + vite 构建后端测试默认在规则模式下跑（不依赖外部 LLM/网络），覆盖物化幂等契约、只读聚合、写入闭环、 动态再规划、人设语气、schema 守门等。
- ✅ 里程碑一 · 有状态闭环地基：多租户接缝 + 守门、三张状态表、幂等物化契约、读写 API、前端接入。
- ✅ 里程碑二 · 注入灵魂：动态再规划引擎（任务排到天 + 顺延/重组/降权 + 打卡自动结算）、 人设引擎（语气滑块）、进度可视化（完成率环 / 7 天热力 / 阶段步骤条 / 节奏洞察）。
- ✅ 碰壁期闭环（F1）：面经复盘 → 盲区提取（LLM/规则归一到技能本体）→ 权重回灌 （命中盲区的未完成任务提权并提到今天，前端标「🎯 重点」；计划未覆盖的盲区建议加练）。
- ⏭️ 下一步：旅程状态机（按多维信号判定阶段并触发干预）、 真实环境感知（浏览器扩展抓当前 JD / 复用现成爬虫，放后期、默认关）。
详见 docs/行动计划.md。
- 应届生；想找实习的大二/大三/大四在校生；
- 有课程项目、个人项目或比赛经历，但不知道如何匹配岗位要求的学生。
- 前端：Vue 3 + Vite + TypeScript（无重型状态库，
shared/轻量响应式单例） - 后端：FastAPI + SQLAlchemy 2.0（Mapped 声明式）
- 数据库：SQLite（MVP 默认，零配置）/ PostgreSQL（
DATABASE_URL切换） - 工作流：轻量可控两步 Agent 工作流（后续可考虑 LangGraph）
- LLM：OpenAI / Anthropic 兼容协议（对话 Agent 需 function calling；可选，缺省走规则）
- 联网搜索：Tavily（可选，缺省不联网）
- 对话：SSE 流式 + 可控工具调用（
web_search/analyze_match/generate_plan）