Career Engine is an open-source AI career strategy engine. It analyzes resume screenshots, extracts evidence from education, projects, internships, skills, and achievements, then uses a multi-agent review pipeline to generate personalized career path recommendations.
Unlike a simple resume optimizer, Career Engine does not just rewrite resumes. It evaluates the user's existing evidence, compares possible career directions, ranks recommended / alternative / not-recommended paths, and explains the reasoning behind each decision.
- Resume screenshot parsing
- Evidence extraction and strength scoring
- Career path synthesis
- Multi-agent adversarial review
- Risk detection for weak or insufficient evidence
- Personalized action plan generation
- Cloudflare Workers / Vercel / Node deployment
Career Engine 是一个开源 AI 职业策略报告引擎。用户上传简历截图并补充少量求职偏好后，系统会从教育、项目、实习、技能、成果中抽取证据，生成一份中文职业画像报告，帮助用户看清自己当前更像哪类候选人、可以优先冲哪些方向、哪些方向暂时不建议，以及下一步应该补什么证据。
它不是一个简单的简历优化器，也不是只按固定岗位名做关键词匹配。Career Engine 会根据用户已有证据临时合成候选职业画像，比较不同职业路径的可行性，排序推荐路径 / 备选路径 / 不建议路径，并用多 agent 对抗审查检查证据不足、过度推断和风险结论。
它适合三类人：
- 正在找工作的人：想快速知道自己的简历更适合投哪些岗位。
- 学生或转型者：还不确定方向，希望看到几个可比较的职业路径。
- 开发者/产品同学：想参考一个不依赖数据库、可本地跑、可部署到 Cloudflare Workers、Vercel 或 Node 服务的 LLM application。
典型体验流程：
- 打开网页，上传 1-4 张简历截图。
- 填写目标城市/国家、想尝试或想避开的方向、学校专业、年级或工作年限等可选信息。
- 选择版本，微信扫码后，点击“已完成付款，开始生成”。
- 快速版通常约 2 分钟，完整报告通常约 4-6 分钟。
- 页面直接返回报告：推荐路径、备选路径、不建议路径、证据解释、风险提醒和补强建议。
这个项目不会创建账号，不依赖数据库，不保存简历文件。一次请求结束后，报告只存在于当前页面响应里；刷新页面后需要重新生成。
- 简历截图识别 / Resume analysis：从截图里提取教育、项目、实习、技能、成果等职业信息。
- 证据强度评估 / Evidence scoring：把“会 Python”“做过项目”“拿到结果”区分开，减少只按关键词判断的误差。
- 职业方向生成 / Career path synthesis：不是只匹配固定岗位名，而是根据用户证据临时合成候选职业画像。
- 路径排序与解释 / Career recommendation：给出主路径、备选路径、暂不建议路径，并说明为什么。
- 多 agent 对抗审查 / Multi-agent review：检查报告中是否有证据不足、过度推断或不适合直接展示的结论。
- 输入不足保护 / Weak evidence detection：如果截图太少、太糊或证据信号太弱，会提示信息不足，而不是硬编一份报告。
- 今日用量显示：首页展示当天已生成次数、每日上限和剩余额度。
- 支付入口与反馈入口：页面提供微信支付二维码、完整报告 Markdown 下载，以及邮件反馈入口。
更完整的算法路线可以看 docs/algorithm-architecture-zh.md。
Machine-readable project summary is available at:
/llms.txton the deployed site, stored in this repo as public/llms.txt- docs/algorithm-architecture-zh.md
中文说明：为了让 AI 搜索、代码索引工具和开发者文档读取器更容易理解这个项目，仓库提供了机器可读摘要、核心链接和关键词，包括 AI career strategy、resume analysis、multi-agent review、career path recommendation、LLM application、Cloudflare Workers 和 TypeScript。
需要先安装 Node.js 20+。
npm install
cp .env.example .env
npm start启动后访问：
http://localhost:3000
常用命令：
npm start # 启动本地服务
npm run dev # watch 模式，适合开发
npm run eval # 用 mock 数据跑完整流水线和断言
npm run typecheck # TypeScript 类型检查.env.example 默认是：
LLM_PROVIDER=mock这个模式会使用项目里的假数据跑通完整流程，不会调用任何外部模型，也不会消耗 API 额度。它适合：
- 第一次体验项目是否能启动；
- 调整页面样式；
- 检查报告渲染；
- 给别人演示整体流程。
Mock 模式的结果不是根据你上传的真实简历生成的，所以不要用它判断实际职业方向。
如果要用真实模型生成报告，把 .env 改成下面这样。这里全部是占位写法，请填你自己的 key，不要把 .env 提交到 Git。
LLM_PROVIDER=openai
OPENAI_API_KEY=
OPENAI_BASE_URL=https://api.openai.com/v1
OPENAI_MODEL=gpt-5.4-mini
OPENAI_PER_KEY_CONCURRENCY=8
ENABLE_WEB_SEARCH=false如果你有多个 OpenAI 兼容 API key，用 OPENAI_API_KEYS 分摊并发。这个变量优先级高于 OPENAI_API_KEY：
OPENAI_API_KEYS=key_1,key_2,key_3
OPENAI_PER_KEY_CONCURRENCY=8OPENAI_PER_KEY_CONCURRENCY=8 表示单个 key 同时最多跑 8 个模型请求。多个 key 会在同一个运行实例内自动选当前 in-flight 最少的 key。注意：这不是全局分布式限流；如果平台同时启动多个实例，每个实例都会各自做一份本地 key 池调度。
如果你使用的是 OpenAI 协议兼容服务，例如 newapi、oneapi 或公司内部代理，替换这两项即可：
OPENAI_BASE_URL=https://your-openai-compatible-endpoint/v1
OPENAI_MODEL=your-supported-model-nameOPENAI_BASE_URL 如果只填到域名，项目会自动补 /v1；为了减少歧义，文档里仍建议直接写完整 /v1 地址。
注意：
- API key 只放在后端环境变量里，不会写进前端页面。
.env已在.gitignore中，不应被提交。- 兼容端点需要支持 Chat Completions 风格请求、图片输入和 JSON 输出；如果某个代理不支持这些能力，生成可能会失败。
ENABLE_WEB_SEARCH=true只适合支持 OpenAI Responses API web search 工具的端点；不确定时先保持false。
项目也保留了 Anthropic provider。如果你想用 Claude，可以在 .env 中配置：
LLM_PROVIDER=anthropic
ANTHROPIC_API_KEY=
DEFAULT_MODEL=claude-opus-4-8普通用户或新部署建议先使用 mock 或 openai，路径更容易理解。
当前 OpenAI 兼容实现支持每个 worker 单独选择模型。默认配置偏稳定和速度优先，并在上游 524/504/408 超时时自动重试与降级到 mini 模型：
| 环节 | 做什么 | 默认模型 |
|---|---|---|
parseResume |
读简历截图，提取结构化信息 | gpt-5.4-mini |
extractEvidence |
把经历拆成证据，并判断强度 | gpt-5.4-mini |
synthesizeRoles |
根据证据合成候选职业画像 | gpt-5.5 |
opportunityScout |
补充相邻/新兴/市场拉动方向 | gpt-5.4 |
strategy |
生成主路径、备选路径和行动建议 | gpt-5.4-mini |
redTeam |
检查幻觉、过度承诺和证据不足 | gpt-5.4-mini |
marketSignal |
可选联网检索市场信号 | OPENAI_MODEL，默认 gpt-5.4-mini |
如果你更在意报告质量，可以把 extractEvidence、strategy、redTeam 升到 gpt-5.4 或 gpt-5.5。如果你使用的第三方代理容易 524，建议保持默认 mini 配置。
模型选择没有固定答案，最好用你自己的样例简历做小规模评估：看报告是否引用了真实证据、是否过度推断、是否能给出具体可执行建议，再决定是否降级到更便宜的模型。
这个项目不强制依赖 Vercel。它可以完整部署到 Cloudflare Workers，也可以作为普通 Node.js + Express 应用运行。前端静态文件在 public/，生成接口统一是 /api/report/generate。
你可以选择：
- 本地直接运行；
- 完整部署到 Cloudflare Workers；
- 部署到 Vercel；
- 部署到任何能运行 Node.js 服务的机器或平台。
Cloudflare 部署由一个 Worker 同时承载：
public/静态页面和支付二维码图片；/api/report/generate报告生成接口；QUOTA_DODurable Object 每日完整报告额度计数；/healthz与/cloudflare-healthz健康检查。
准备工作：
npm install
npm run typecheck
npm run cf:build首次部署前登录 Wrangler：
npx wrangler login然后设置生产环境变量。真实 key 只写到 Cloudflare secret，不要写进 GitHub：
npx wrangler secret put OPENAI_API_KEYS
npx wrangler secret put OPENAI_BASE_URL普通配置可以放在 Cloudflare Dashboard 的 Worker Variables，或按需用 Wrangler 配置：
LLM_PROVIDER=openai
OPENAI_MODEL=gpt-5.4-mini
OPENAI_PER_KEY_CONCURRENCY=8
WORKER_MODEL_PARSE_RESUME=gpt-5.4-mini
WORKER_MODEL_EXTRACT_EVIDENCE=gpt-5.4-mini
WORKER_MODEL_SYNTHESIZE_ROLES_FAST=gpt-5.4-mini
WORKER_MODEL_SYNTHESIZE_ROLES=gpt-5.5
WORKER_MODEL_OPPORTUNITY_SCOUT=gpt-5.4
WORKER_MODEL_STRATEGY_FAST=gpt-5.4-mini
WORKER_MODEL_STRATEGY=gpt-5.4-mini
WORKER_MODEL_RED_TEAM=gpt-5.4-mini
ENABLE_WEB_SEARCH=false
GEN_TIMEOUT_MS=760000
QUOTA_DAILY_LIMIT=100
QUOTA_TIME_ZONE=Asia/Shanghai
部署：
npm run cf:deploy相关文件：
cloudflare/worker.ts：Cloudflare 原生 Worker 入口；wrangler.toml：Worker、Static Assets、Durable Object 配置；dist/cloudflare-worker.js：API 直传部署时使用的编译产物，可由npm run cf:build重新生成。
Cloudflare 上的每日 100 次生成请求限制由 Durable Object 计数，比单机内存计数更适合线上使用。仍然建议根据真实访问量观察日志和模型账单。
- 把仓库导入 Vercel。
- Project Root 选择仓库根目录。
- 在 Vercel 项目的 Environment Variables 里添加变量。
OpenAI 兼容 API 的推荐配置：
LLM_PROVIDER=openai
OPENAI_API_KEY=你的 API key
OPENAI_BASE_URL=https://api.openai.com/v1
OPENAI_MODEL=gpt-5.4-mini
OPENAI_PER_KEY_CONCURRENCY=8
WORKER_MODEL_PARSE_RESUME=gpt-5.4-mini
WORKER_MODEL_EXTRACT_EVIDENCE=gpt-5.4-mini
WORKER_MODEL_SYNTHESIZE_ROLES=gpt-5.5
WORKER_MODEL_OPPORTUNITY_SCOUT=gpt-5.4
WORKER_MODEL_STRATEGY=gpt-5.4-mini
WORKER_MODEL_RED_TEAM=gpt-5.4-mini
ENABLE_WEB_SEARCH=false
如果使用 OpenAI 兼容代理，把 OPENAI_BASE_URL 和 OPENAI_MODEL 换成该服务实际支持的值。多 key 时，把 OPENAI_API_KEY 换成：
OPENAI_API_KEYS=key_1,key_2,key_3
不要把真实 key 写进 GitHub。Vercel 上应在 Environment Variables 里配置。
所有报告生成请求默认每天最多 100 次：
QUOTA_DAILY_LIMIT=100
QUOTA_TIME_ZONE=Asia/Shanghai
如果部署在 Vercel 并且可能有多个实例，必须配置一个共享计数存储，推荐 Upstash Redis REST：
QUOTA_REDIS_REST_URL=你的 Upstash Redis REST URL
QUOTA_REDIS_REST_TOKEN=你的 Upstash Redis REST token
不配置 Redis 时，系统会降级为内存计数，只适合本地开发或单实例测试；在 Vercel 多实例下不能准确限制全站每日次数。
可选变量：
PORT=3000
PAY_QR_TRIAL=/pay-1.png
PAY_QR_FULL=/pay-10.png
PAY_QR_CUSTOM=/pay-custom.png
Vercel 相关文件已经准备好：
api/index.ts：Vercel Serverless Function 入口；vercel.json：把请求改写到 API，并设置较长函数运行时间；public/：静态页面和支付二维码图片。
生成一次报告会串联多次 LLM 调用，快速版通常约 2 分钟，完整报告通常约 4-6 分钟。部署时建议选择支持较长函数运行时间的配置；如果经常超时，可以换更快的模型、减少图片数量，或把部分环节改成异步任务。
在服务器上安装依赖后运行：
npm install
npm start生产环境建议用你熟悉的进程管理方式托管，例如 systemd、PM2、Docker 或平台自带的 Node.js 运行环境。只要环境变量配置正确，不需要数据库迁移，也不需要初始化存储。
- 不依赖数据库。
- 不保存上传的简历截图。
- 不保存生成后的报告。
- 上传图片使用内存处理，单文件大小限制为 2MB，最多 4 张。
- API key 只应放在
.env或部署平台的环境变量里。 - 如果你把项目公开到 GitHub，请不要提交
.env、.vercel/或任何真实密钥。
如果你替换了 public/pay-1.png、public/pay-10.png、public/pay-custom.png，这些支付二维码图片会随静态资源公开访问。
public/ # 前端页面和静态图片
api/index.ts # Vercel 入口
cloudflare/worker.ts # Cloudflare Worker 入口
src/app.ts # Express app、上传和生成接口
src/core/pipeline.ts # 报告生成主流程
src/workers/ # 各个 LLM/规则 worker
src/providers/ # LLM、搜索、支付二维码等 provider
src/data/ # 权重、能力维度、种子职业本体
evals/run.ts # mock 模式评估入口
docs/ # 算法架构说明
主流程大致是：
简历解析 -> 证据抽取 -> 能力向量 -> 职业候选生成 -> 覆盖度打分 -> 策略生成 -> 对抗审查 -> 仲裁 -> QA -> 报告渲染
其中一部分环节由 LLM 完成，一部分环节是确定性代码。这样做的目的，是让模型负责理解和表达，让代码负责阈值、排序、硬规则和最终检查。
这个项目刻意保持轻量：
- 没有账号系统；
- 没有数据库；
- 没有后台任务队列；
- 正式支付闭环需要自行接入支付回调；
- 没有长期保存用户数据；
- 没有把职业建议包装成确定结论。
它更像一个可以公开体验的职业画像生成器，也可以作为开发者学习“LLM 多步骤流水线 + 确定性规则 + Serverless 部署”的参考项目。