求职不应该是大海捞针，而应该是精准匹配。
痛点
求职过程中有两个核心痛点：
- 不知道差距在哪 — 看了一堆 JD，觉得自己都能做，投了简历却石沉大海。到底哪些技能是必须的？简历哪里需要调整？
- 重复劳动太多 — 在 BOSS 直聘上一个个点开聊，每天的沟通额度很快用完，效率极低。
我用 AI 构建了一套工具链来解决这两个问题。
工具一：AI Job Matcher — 精准 Gap 分析
ai-job-matcher 不是通用的简历美化工具，而是基于真实 JD 数据的精准 Gap 分析系统。
工作流程
JD 采集（手动粘贴 / Jina Reader 批量抓取）
│
▼
ChromaDB 向量化（all-MiniLM-L6-v2 本地 embedding）
│
▼
多角度 RAG 检索（5 个视角覆盖 JD 全维度）
│
▼
Claude API Gap 分析
│
▼
Markdown 报告输出
├── 匹配优势
├── 技能缺口
├── ATS 关键词
├── 3 条改写示例（改写前/后对比）
└── BOSS 直聘打招呼话术
为什么用 RAG 而不是直接丢给 LLM
直接把简历和 JD 丢给 ChatGPT 也能分析，但有两个问题：
- 单次分析视角单一：LLM 倾向于给出笼统的评价，容易遗漏细节
- 无法跨 JD 对比：当你有 10+ 个目标岗位时，需要知道哪些技能是行业共识、哪些是个别要求
RAG 的优势在于：先把所有 JD 向量化入库，然后从技术栈、职责描述、资质要求等多个角度检索，再交给 LLM 做综合分析。这样的分析更全面、更有数据支撑。
技术选型
| 组件 | 选型 | 理由 |
|---|---|---|
| 向量数据库 | ChromaDB | 本地运行，持久化，零成本 |
| Embedding | all-MiniLM-L6-v2 | ChromaDB 内置，无需 OpenAI |
| LLM | Claude API | Gap 分析质量高 |
| JD 抓取 | Jina Reader API | 合规、免费 |
工具二：Auto Resume Bot — 自动投递
Gap 分析告诉你简历怎么改，改好之后需要高效投递。
auto-resume-bot 基于 Puppeteer 实现 BOSS 直聘自动化：
- 自动开聊：按求职偏好自动匹配并开聊推荐职位
- 智能筛选：对工作地、薪资、经验、职位描述、BOSS 活跃度等多维度匹配
- 已读不回复聊：自动跟进已读不回的 BOSS，提高沟通转化率
- 异常处理：当天额度用完自动暂停，第二天继续
完整求职工作流
把两个工具串起来，形成闭环：
第一步：收集目标 JD
│ Jina Reader 批量抓取 + 手动补充
▼
第二步：Gap 分析
│ ai-job-matcher 输出精准报告
▼
第三步：针对性优化简历
│ 根据报告中的改写建议调整
▼
第四步：自动投递
│ auto-resume-bot 批量开聊
▼
第五步：复盘迭代
│ 根据面试反馈回到第二步
实际效果
用这套工具链之后：
- 从”觉得自己都能做”变成”清楚知道差距在哪”
- 简历改写有了数据支撑，不再凭感觉
- 投递效率大幅提升，不再一个个手动点