ResumeMaker

基于 Streamlit + LangChain OpenAI + Playwright/Pillow + HTML/Markdown 渲染 的智能简历生成器，支持自动解析、润色、预览和导出。

• 初始状态

• 投入你的材料

• 优化后

功能特性

• 简历编辑：左侧 Sidebar 编辑基础信息、教育经历、技能、项目经历、工作经历、校园经历、自我评价；支持模块新增、删除、排序、显示/隐藏和标题编辑
• AI 优化：输入 JD 可针对性润色，不填 JD 也能通用优化；优化结果直接回写到编辑面板
• 本地兜底：LLM 不可用（缺 Key、超时、输出格式错误）时自动生成本地草稿，保证流程可演示
• 预览与导出：A4 风格 HTML 预览，支持 3 套模板（现代蓝 / 雅致灰 / 翡翠专业）、字号、边距、行高、紧凑布局等样式调节；支持 Markdown 与 PDF 导出
• 自动保存：简历数据保存到本地 data/resume_data.json，支持撤销上一次 AI 优化

快速开始

方式一：使用 Docker（最简单，无需 clone）

直接拉取已构建的镜像运行，一条命令搞定：

docker run -d -p 8501:8501 \
  -e RESUMEMAKER_CONFIG_PATH=/app/ResumeMaker/data/config.json \
  -v resume_data:/app/ResumeMaker/data \
  --name resumemaker \
  ghcr.io/lildengzi/resumemaker:latest

打开 http://localhost:8501。

停止和删除容器：

docker stop resumemaker && docker rm resumemaker

方式二：使用 Docker + 源码（可二次开发）

git clone https://github.com/lildengzi/ResumeMaker.git
cd ResumeMaker
docker compose up -d

打开 http://localhost:8501。

在应用侧边栏中配置你的模型：

• API Key
• Base URL
• Model

应用会将这些设置保存在 ./data/config.json。data/ 目录被 Git 忽略，因此你上传的材料和模型凭证不会被提交。

方式三：本地运行（venv + pip，无需 Docker）

环境要求：Python 3.10+，Windows / macOS / Linux，可用的 OpenAI 兼容 API Key。

git clone https://github.com/lildengzi/ResumeMaker.git
cd ResumeMaker
python3 -m venv ResumeMaker/.venv
source ResumeMaker/.venv/bin/activate   # Windows 用 ResumeMaker\.venv\Scripts\activate
pip install -r ResumeMaker/requirements.txt
python -m playwright install chromium    # PDF 导出需要
streamlit run ResumeMaker/app.py

Windows 的激活命令是 ResumeMaker\.venv\Scripts\activate，fish 终端用 source ResumeMaker/.venv/bin/activate.fish。

可选环境文件

如果你更喜欢使用环境变量，可以复制示例文件：

cp .env.example .env

填写：

OPENAI_API_KEY=your_api_key_here
OPENAI_BASE_URL=
LLM_MODEL=gpt-4o-mini
LLM_TEMPERATURE=0.2

说明：

• OPENAI_API_KEY：调用 LLM 时必填
• OPENAI_BASE_URL：可选，用于兼容第三方 OpenAI 接口
• LLM_MODEL：可选
• LLM_TEMPERATURE：可选
• 启动时会自动加载 .env

侧边栏配置仍然是启动应用后修改模型设置的正常方式。

使用流程

1. 启动应用
2. 在左侧填写基础信息、教育经历、技能和项目经历
3. 可选填写岗位描述 JD
4. 点击"智能生成简历"
5. 在右侧查看 A4 风格预览
6. 按需导出 Markdown 或 PDF

项目结构

app.py                      # Streamlit 应用入口，负责页面编排与状态管理
config.py                   # 配置加载与环境变量合并
config.json                 # 默认配置（LLM、预览、提示词、默认文案、存储路径等）
smart_resume_core.py        # 兼容入口层，转发 core/ 中的公共能力

agents/
  base_agent.py             # Agent 基类
  factory.py                # Agent 工厂
  info_collector.py         # 信息收集 Agent，当前主要做输入整理
  resume_writer.py          # 调用 LLM 生成优化结果的 Agent

workflow/
  graph.py                  # 当前是顺序工作流编排，不是真 LangGraph

core/
  assets.py                 # 头像/资源读取与 Base64 处理
  data.py                   # 默认数据、数据归一化、读写、合并、旧结构兼容
  llm.py                    # LLM 创建与 JSON 提取
  markdown.py               # Markdown 内容生成
  service.py                # 本地兜底与工作流入口封装

renderers/
  html_renderer.py          # HTML 简历预览渲染
  markdown_renderer.py      # Markdown 导出入口
  pdf_renderer.py           # PDF 导出入口：HTML 预览 -> Playwright 截图 -> Pillow 转 PDF

ui/
  sidebar.py                # 左侧编辑区、样式区、JD 区
  preview.py                # 右侧预览区

tools/
  permission.py             # 工作区路径权限控制
  file_tools.py             # 上传文件扫描与基础解析
  web_tool.py               # 基础网页文本抓取接口
  ocr_tool.py               # OCR 占位接口

data/
  resume_data.json          # 本地保存的简历数据
  uploads/                  # 上传文件目录

tests/                      # 测试用例

关键设计取舍

为什么有 Agent / Workflow，但当前仍然简单？

这是为扩展预留结构的学习项目。当前工作流本质上是顺序执行：信息收集 Agent 整理输入 → 简历撰写 Agent 调用 LLM 或本地兜底 → 返回最终简历与工作流日志。workflow/graph.py 的命名是为了保留未来升级空间，但当前没有引入真正的 LangGraph。

为什么既有 LLM，又有本地兜底？

API Key 缺失、模型输出格式错误、接口失败都很常见。项目需要保证"失败时仍能演示基本流程"，所以保留了本地兜底生成逻辑。

为什么 PDF 不是可搜索文本 PDF？

当前 PDF 导出链路是：

HTML 预览 -> Playwright 截图 PNG -> Pillow 转 PDF

优点是视觉更接近右侧预览；缺点是 PDF 偏图片化，不利于复制、搜索。后续如果更重视文本可选中和可搜索能力，可以改为 Playwright 原生 page.pdf() 或其他 HTML-to-PDF 方案。

当前未完整实现的能力

以下能力目前不是完整功能，而是占位或后续扩展方向：

• OCR 识别 JD 图片：当前主要是 UI 与工具入口占位，未接入 PaddleOCR / Tesseract
• URL 抓取：已有基础工具接口，但不是强健的生产级网页正文抽取
• 旧简历自动解析导入：Markdown / txt 可做基础读取，PDF 解析和结构化合并仍需增强
• LangGraph 图式工作流：当前是顺序工作流，不是真正的 StateGraph

更新

方式一（Docker 直跑镜像）： 拉取新镜像并重建容器

docker pull ghcr.io/lildengzi/resumemaker:latest
docker stop resumemaker && docker rm resumemaker
docker run -d -p 8501:8501 \
  -e RESUMEMAKER_CONFIG_PATH=/app/ResumeMaker/data/config.json \
  -v resume_data:/app/ResumeMaker/data \
  --name resumemaker \
  ghcr.io/lildengzi/resumemaker:latest

方式二（Docker + 源码）：

git pull
docker compose up -d --build

方式三（本地 venv + pip）：

git pull
source ResumeMaker/.venv/bin/activate    # Windows 用 ResumeMaker\.venv\Scripts\activate
pip install -r ResumeMaker/requirements.txt

注意事项

• Docker 方式需要 Docker 和 Docker Compose。
• 本地应用数据存放在 ./data。