Resume Builder

一个基于 Vue 3 + Vite 的简历编辑与 AI 面试一体化项目，当前同时支持 spring-ai-backend 和 python-ai-backend 两套后端实现，覆盖简历优化、AI 面试、知识库入库与检索、流式回复、语音输入与会话存储。

• 模块化编辑：基本信息、教育经历、专业技能、工作经历、项目经历、荣誉奖项、个人简介
• 模块可见性开关与顺序调整（basicInfo 固定首位）
• 自动本地保存与手动保存草稿
• 模板切换（当前内置 9 套模板：默认模板、蓝色线性模板、绿色图标线性模板、黑白线性模板、通用职场模板、蓝色侧栏职场模板、蓝色分栏专业模板、蓝色卡片模板、红色渐变模板）
• 导出能力：高清 PDF、压缩 PDF、Markdown、JSON
• 支持导出 JSON 简历进度，并通过导入 JSON 一键回填当前简历内容

• 通过后端接口进行流式优化（SSE）
• 支持分模块优化并输出“优化建议 + 优化后内容”
• 一键应用优化结果并支持撤销
• 当前可直接应用模块：skills、selfIntro、workExperience、projectExperience、awards

• 双模式切换：
  • 候选人模式（AI 扮演面试官）
  • 面试官模式（AI 扮演候选人）
• 面试控制：开始、暂停/继续、结束并评分、重置、时长 -5m/+5m
• 倒计时范围：15~120 分钟，超时可自动触发结束评分
• 历史会话列表与会话详情恢复
• 流式回复渲染（NDJSON）
• 语音输入：
  • 优先使用后端实时语音
  • 不可用时自动降级到浏览器语音识别
  • 快捷键 Ctrl + I 开关语音
• 已结束会话不可继续/发送消息
• 在 python-ai-backend 下，AI 面试链路会先从 pgvector 检索项目资料、知识点和面试题上下文，再把命中内容注入本轮问答，提升回答真实性，减少内容过宽泛、脱离简历或发生漂移

• 左侧菜单内置独立“知识库”入口，支持统一上传文档与图片
• 当前支持文件类型：PDF / TXT / MD / DOCX / PNG / JPG / JPEG / WEBP
• 图片文件会先做 OCR 转 Markdown，再进入分块、Embedding 和 pgvector 入库链路
• 可沉淀项目背景、技术细节、量化结果、项目问答、常见八股题，供 AI 面试和 RAG 检索复用

• 前端：Vue 3、TypeScript、Pinia、Vite
• 富文本/渲染：Markdown-It
• 导出：html2pdf.js
• 代码质量：Oxlint、ESLint、vue-tsc
• 后端：Spring Boot 3 + Spring AI，FastAPI + Python AI Backend
• 数据库：MySQL（业务/面试会话）、PostgreSQL + pgvector（RAG 向量检索）

• 前端：Node.js ^20.19.0 || >=22.12.0
• Spring AI 后端：JDK 21、Maven 3.9+
• Python AI 后端：Python 3.11+、uv
• 数据库：推荐直接复用 spring-ai-backend/docker-compose.yml 启动 MySQL + pgvector

如果你只是做简历编辑、切换模板、导出或导入 JSON，或者只想调用 Codex 的 resume-template-from-image 按图片生成新模板，不需要启动后端，也不需要启动 MySQL / PostgreSQL + pgvector。

npm install
npm run dev

默认地址：http://localhost:5173

这种模式下可直接完成：

• 手动编辑简历、切换 9 套内置模板
• 导出高清 PDF、压缩 PDF、Markdown、JSON
• 导入 JSON 一键回填简历
• 预览由 resume-template-from-image 生成的新模板

这种模式下不需要启动：

• MySQL
• PostgreSQL + pgvector
• spring-ai-backend
• python-ai-backend

前端开发代理固定转发到 http://localhost:8999，所以联调时只需要在 spring-ai-backend 和 python-ai-backend 中二选一启动即可，不要同时启动两个后端。

只要你要使用以下任意能力，就需要先准备数据库并启动一个后端：

• AI 优化
• AI 面试
• 知识库上传 / OCR / 向量检索
• Realtime 语音、音频转写

当前更推荐优先启动 python-ai-backend，因为知识库统一上传、图片 OCR 入库，以及 AI 面试结合向量库检索项目资料/面试题上下文的链路说明更完整。

数据库容器统一放在 spring-ai-backend/docker-compose.yml，两套 AI 后端都可以复用：

cd spring-ai-backend
docker compose up -d

容器默认信息：

• MySQL：127.0.0.1:3306 / 库名 resume-builder / 用户 root / 密码 root
• PostgreSQL + pgvector：127.0.0.1:5432 / 库名 resume_builder_vector / 用户 postgres / 密码 postgres

本仓库不会在应用启动时自动建表，首次联调前需要手工导入 SQL。

在 spring-ai-backend/ 目录执行：

# AI 面试会话表（Spring / Python 共用，必须导入）
docker exec -i spring-ai-mysql mysql -uroot -proot resume-builder < ../sql/interview_schema.sql

# RAG 向量表（使用知识库上传 / 检索时必须导入）
docker exec -i spring-ai-pgvector psql -U postgres -d resume_builder_vector < ../sql/pgvector_rag_schema.sql

说明：

• sql/interview_schema.sql：MySQL 会话表，AI 面试功能必须依赖它。
• sql/pgvector_rag_schema.sql：PostgreSQL + pgvector 表结构，知识库上传、OCR 入库、RAG 检索、AI 面试检索增强都需要它。
• 两份 SQL 都需要开发者手工执行一次，任意后端启动时都不会自动建表。

npm install
npm run dev

前端地址：http://localhost:5173

1. 将 spring-ai-backend/.env.example 复制为 spring-ai-backend/.env。
2. 建议至少显式配置以下最小必填项；如果你不拆分不同供应商的 Key，OPENAI_API_KEY 一项即可作为 Chat / Speech / Realtime / Embedding 的默认 Key：

OPENAI_API_KEY=your_api_key_here
MYSQL_DATASOURCE_URL=jdbc:mysql://127.0.0.1:3306/resume-builder?useUnicode=true&characterEncoding=UTF-8&serverTimezone=Asia/Shanghai&useSSL=false&allowPublicKeyRetrieval=true
MYSQL_DATASOURCE_USERNAME=root
MYSQL_DATASOURCE_PASSWORD=root
PGVECTOR_DATASOURCE_URL=jdbc:postgresql://127.0.0.1:5432/resume_builder_vector
PGVECTOR_DATASOURCE_USERNAME=postgres
PGVECTOR_DATASOURCE_PASSWORD=postgres
SERVER_PORT=8999
APP_CORS_ALLOWED_ORIGINS=http://localhost:5173

3. 在 spring-ai-backend/ 目录启动后端：

mvn spring-boot:run

启动后访问：

• http://127.0.0.1:8999/actuator/health

更多说明见 spring-ai-backend/README.md。

1. 将 python-ai-backend/.env.example 复制为 python-ai-backend/.env。
2. 推荐至少显式配置以下最小可用项；其中 OPENAI_API_KEY 可作为 Chat / Embedding / OCR / Speech / Realtime 的统一默认 Key，专用 OPENAI_*_API_KEY 不配时会自动回退：

SERVER_PORT=8999
APP_CORS_ALLOWED_ORIGINS=http://localhost:5173
OPENAI_API_KEY=your_api_key_here
OPENAI_CHAT_MODEL=gpt-5.4
EMBEDDING_PROVIDER=openai
OPENAI_EMBEDDING_BASE_URL=https://api.openai.com
OPENAI_EMBEDDING_API_KEY=your_embedding_api_key_here
OPENAI_EMBEDDING_MODEL=text-embedding-3-large
MYSQL_DATASOURCE_URL=mysql+pymysql://root:root@127.0.0.1:3306/resume-builder
PGVECTOR_DATASOURCE_URL=postgresql+psycopg://postgres:postgres@127.0.0.1:5432/resume_builder_vector
AUTOGEN_ENABLED=false

3. 首次运行前，在 python-ai-backend/ 目录安装依赖：

uv venv .venv
uv pip install --python .venv\Scripts\python.exe -r requirements.txt
uv pip install --python .venv\Scripts\python.exe -r requirements-optional.txt

4. 回到项目根目录执行：

start-python-backend.bat

这个脚本当前会自动完成以下动作：

• 创建 python-ai-backend/.venv
• 检查核心依赖和可选 AI 依赖是否已安装
• 若缺少 .env，自动从 python-ai-backend/.env.example 复制生成
• 先清理旧的 8999 端口监听，再启动 uvicorn

注意：start-python-backend.bat 不会自动执行 uv pip install，首次运行必须先手工安装依赖。

启动后可访问：

• 健康检查：http://127.0.0.1:8999/health
• 运行时检查：http://127.0.0.1:8999/health/runtime

更多说明见 python-ai-backend/README.md。

docker compose up --build -d

访问：http://localhost:3000

• 前端接口统一使用相对路径 '/api'，常量定义在 src/api/apiBase.ts。
• 开发环境代理定义在 vite.config.ts：
  • '/api' -> 'http://localhost:8999'
  • '/ws' -> 'http://localhost:8999'（ws: true）
• 当前前端已不再使用 VITE_AI_BACKEND_URL。
• 当前推荐保持后端端口为 8999，切换后端实现时无需改前端代理。
• spring-ai-backend 和 python-ai-backend 共享这一代理端口，所以同一时间只能启动一个后端。

只要你准备启动任意后端，建议优先把以下公共最小项配好：

• SERVER_PORT=8999
• APP_CORS_ALLOWED_ORIGINS=http://localhost:5173
• OPENAI_API_KEY=...
• MYSQL_DATASOURCE_URL=...
• PGVECTOR_DATASOURCE_URL=...

其中：

• MySQL 固定用于 AI 面试会话和历史消息存储
• PostgreSQL + pgvector 固定用于知识库向量检索，不用于会话表
• sql/interview_schema.sql 和 sql/pgvector_rag_schema.sql 都需要开发者手工导入一次

模板文件：spring-ai-backend/.env.example

推荐本地联调配置（.env）：

OPENAI_API_KEY=your_api_key_here
MYSQL_DATASOURCE_URL=jdbc:mysql://127.0.0.1:3306/resume-builder?useUnicode=true&characterEncoding=UTF-8&serverTimezone=Asia/Shanghai&useSSL=false&allowPublicKeyRetrieval=true
MYSQL_DATASOURCE_USERNAME=root
MYSQL_DATASOURCE_PASSWORD=root
PGVECTOR_DATASOURCE_URL=jdbc:postgresql://127.0.0.1:5432/resume_builder_vector
PGVECTOR_DATASOURCE_USERNAME=postgres
PGVECTOR_DATASOURCE_PASSWORD=postgres
SERVER_PORT=8999
APP_CORS_ALLOWED_ORIGINS=http://localhost:5173

说明：

• spring-ai-backend/.env.example 中部分 PGVECTOR_* 示例值不是当前 docker compose 默认值，复制后请以上面这一组为准。
• application.yml 已通过 spring.config.import=optional:file:.env[.properties] 自动加载 .env，无需把密钥写入源码。
• 从 Spring Boot 配置回退逻辑看，最小必填可收敛为：OPENAI_API_KEY、MYSQL_DATASOURCE_URL、PGVECTOR_DATASOURCE_URL；但本仓库仍然强烈建议把用户名、密码、端口和 CORS 一并显式写入 .env，避免环境差异。

可选分路配置（不同模型/供应商）：

• Chat：OPENAI_CHAT_BASE_URL、OPENAI_CHAT_API_KEY、OPENAI_CHAT_MODEL
• Speech：OPENAI_SPEECH_BASE_URL、OPENAI_SPEECH_API_KEY
• Realtime：OPENAI_REALTIME_BASE_URL、OPENAI_REALTIME_API_KEY
• Embedding：OPENAI_EMBEDDING_BASE_URL、OPENAI_EMBEDDING_API_KEY、OPENAI_EMBEDDING_MODEL、OPENAI_EMBEDDING_TIMEOUT_SECONDS

建议理解为：

• 只想快速跑通：先配 OPENAI_API_KEY + MySQL + pgvector + 端口/CORS
• 需要分供应商或分模型：再补对应的 OPENAI_CHAT_*、OPENAI_SPEECH_*、OPENAI_REALTIME_*、OPENAI_EMBEDDING_*

模板文件：python-ai-backend/.env.example

推荐本地联调配置（.env）：

SERVER_PORT=8999
APP_CORS_ALLOWED_ORIGINS=http://localhost:5173
APP_RAG_TOP_K=5

OPENAI_BASE_URL=https://api.openai.com
OPENAI_API_KEY=your_api_key_here
OPENAI_CHAT_MODEL=gpt-5.4
OPENAI_CHAT_COMPLETIONS_PATH=/v1/chat/completions
EMBEDDING_PROVIDER=openai
OPENAI_EMBEDDING_BASE_URL=https://api.openai.com
OPENAI_EMBEDDING_API_KEY=your_embedding_api_key_here
OPENAI_EMBEDDING_MODEL=text-embedding-3-large
OPENAI_EMBEDDING_TIMEOUT_SECONDS=45
OLLAMA_EMBEDDING_BASE_URL=http://127.0.0.1:11434
OLLAMA_EMBEDDING_MODEL=nomic-embed-text
OLLAMA_EMBEDDING_TIMEOUT_SECONDS=45

MYSQL_DATASOURCE_URL=mysql+pymysql://root:root@127.0.0.1:3306/resume-builder
MYSQL_DATASOURCE_USERNAME=root
MYSQL_DATASOURCE_PASSWORD=root

PGVECTOR_DATASOURCE_URL=postgresql+psycopg://postgres:postgres@127.0.0.1:5432/resume_builder_vector
PGVECTOR_DATASOURCE_USERNAME=postgres
PGVECTOR_DATASOURCE_PASSWORD=postgres

AUTOGEN_ENABLED=false

说明：

• MySQL 只负责 AI 面试会话与消息历史存储。
• PostgreSQL + pgvector 只负责 RAG 向量检索，不用于会话表存储。
• EMBEDDING_PROVIDER 支持 openai 与 ollama；默认使用 openai。
• Python 后端会在启动时自动读取 python-ai-backend/.env。
• 如果用根目录 start-python-backend.bat 启动，首次运行会在 .env 不存在时自动创建。
• start-python-backend.bat 只负责创建或修复 .venv、检查依赖、复制 .env 和启动服务，不会自动安装 requirements.txt。
• AI 面试会话表需要手工执行一次初始化 SQL：sql/interview_schema.sql。
• RAG 向量表需要手工执行一次初始化 SQL：sql/pgvector_rag_schema.sql。
• 仓库不会在应用启动时自动建表，避免一次性 SQL 混入运行时流程。
• 从 Python 配置回退逻辑看，最小必填可收敛为：OPENAI_API_KEY、MYSQL_DATASOURCE_URL、PGVECTOR_DATASOURCE_URL；但推荐把 OPENAI_CHAT_MODEL、EMBEDDING_PROVIDER、OPENAI_EMBEDDING_MODEL、AUTOGEN_ENABLED 也显式写出，便于排查。
• 如果 EMBEDDING_PROVIDER=openai，OPENAI_EMBEDDING_BASE_URL / OPENAI_EMBEDDING_API_KEY 不配时会回退到聊天或通用 OPENAI_*；如果切换到 ollama，则需要补 OLLAMA_EMBEDDING_*。
• OPENAI_VISION_* 用于图片 OCR，未单独配置时会回退到聊天或通用 OPENAI_*。
• OPENAI_SPEECH_* 用于音频转写，OPENAI_REALTIME_* 用于实时语音；不拆分供应商时也可以直接复用 OPENAI_API_KEY。

• 文档：PDF / TXT / MD / DOCX
• 图片：PNG / JPG / JPEG / WEBP
• 默认单文件大小限制：10MB
• 图片上传后会先经由 OCR 转成 Markdown，再和普通文档一样进入分块、Embedding、pgvector 入库链路

如果你是手工整理知识库内容，优先使用 .md 或 .txt，并按“标题块 + 内容块”方式编写。当前切分器会优先识别以下结构：

• Markdown 标题：#、##、###
• 编号标题：1.、1)、1、、Q1: 这类问题标题
• 问句标题：以 ? 或 ？ 结尾的问题句
• 不同逻辑块之间请用空行分隔；空行是当前知识文档切分的重要边界

推荐示例：

## 项目背景

这是一个面向校招和社招用户的简历编辑与 AI 面试项目，核心目标是降低简历整理和面试复盘成本。

## 你的职责

负责前端简历编辑器、模板系统、知识库上传入口和 Python AI 后端联调。

Q1: 为什么选择 pgvector 而不是把知识库存进 MySQL？

因为知识库需要做向量相似度检索，pgvector 更适合做 Embedding 存储和近邻召回；MySQL 继续只承接 AI 面试会话与消息历史。

Q2: 为什么 AI 面试要接入知识库？

因为项目背景、量化结果、技术选型和面试题答案可以先入库，再在面试轮次里按问题检索，减少模型脱离简历自由发挥。

这套写法同样适用于：

• 项目背景文档
• 项目亮点与量化结果文档
• 项目常见追问及标准回答
• Java / MySQL / Redis / MQ / 网络 / 操作系统等八股题资料

• 可以把你自己简历里的项目背景、技术方案、踩坑记录、量化结果、项目问答沉淀进去，让 AI 面试更贴近真实项目经历
• 可以把常见八股面试题、标准答案、追问链路整理后导入，用于后续模拟面试训练
• 对 python-ai-backend 来说，AI 面试会在每轮生成前先做一次向量检索，把命中的项目资料或题库片段注入上下文，减少回答太宽泛、离题或漂移
• 对知识库问答来说，同一批资料也可以复用于 RAG 检索与统一上传入口

# 本地开发
npm run dev

# 构建（含类型检查）
npm run build

# 仅构建前端产物
npm run build-only

# 预览构建结果
npm run preview

# 类型检查
npm run type-check

# 代码检查（自动修复）
npm run lint

# 格式化
npm run format

resume-builder/
  src/
    api/                         # 前端请求封装（chat/interview/speech/realtime）
      apiBase.ts                 # API 基础路径常量（/api）
    components/
      ai/                        # AI 配置、AI 优化、AI 面试、知识库界面
      common/                    # 通用组件（侧边栏、富文本等）
      resume/                    # 简历编辑器与预览
    services/
      prompts/                   # AI 提示词模板
      interview/                 # 面试类型定义
      aiOptimizeBackendService.ts
      interviewService.ts
      realtimeSpeechService.ts
    stores/
      resume.ts                  # 简历数据状态
      aiConfig.ts                # AI 配置状态
    templates/resume/            # 简历模板注册与实现
  sql/
    interview_schema.sql         # MySQL 会话表初始化脚本（手工执行一次）
    pgvector_rag_schema.sql      # pgvector 向量表初始化脚本（手工执行一次）
  spring-ai-backend/             # Spring Boot AI 后端
  python-ai-backend/             # FastAPI AI 后端
    app/
      api/                       # FastAPI 路由、Schema、Mapper、错误处理
      application/               # Use Case、应用服务、端口、DTO
      domain/                    # Chat / Interview / RAG 领域规则
      infrastructure/            # 配置、MySQL、pgvector、LLM、Agent 适配
      bootstrap/                 # 依赖装配
      shared/                    # SSE / NDJSON / 通用工具
    .env.example                 # Python 后端环境变量模板
    pyproject.toml               # Python 项目配置
  start-python-backend.bat       # Python 后端一键启动脚本
  start-python-backend.ps1       # Python 后端 PowerShell 启动脚本
  stop-python-backend.ps1        # Python 后端端口清理脚本

两套后端对外都保持同一套接口契约，基础路径均为 '/api/ai'，前端无需因为后端实现切换而改接口调用。

• POST /chat：普通问答
• POST /chat/stream：流式问答（SSE）
• POST /audio/transcriptions：音频转写
• POST /realtime/client-secret：实时语音临时密钥
• POST /interview/turn/stream：面试流式回合（NDJSON）
• GET /interview/sessions：面试会话列表
• GET /interview/sessions/{sessionId}：会话详情
• POST /rag/query：RAG 检索问答
• POST /rag/documents：RAG 文档入库
• POST /rag/upload：知识库统一上传入口，支持 PDF/TXT/MD/DOCX/PNG/JPG/JPEG/WEBP

更多后端细节见：

• spring-ai-backend/README.md
• python-ai-backend/README.md

本地联调推荐先启动 spring-ai-backend/docker-compose.yml，再手工导入数据库脚本：

• sql/interview_schema.sql：AI 面试会话表，Spring / Python 后端共用
• sql/pgvector_rag_schema.sql：RAG chunk 与向量表，知识库功能使用

在 spring-ai-backend/ 目录执行：

docker compose up -d
docker exec -i spring-ai-mysql mysql -uroot -proot resume-builder < ../sql/interview_schema.sql
docker exec -i spring-ai-pgvector psql -U postgres -d resume_builder_vector < ../sql/pgvector_rag_schema.sql

说明：

• MySQL 会话表是 AI 面试必需依赖，pgvector 表只在使用 RAG / OCR 入库时需要。
• 所有一次性 SQL 都需要开发者手工执行，应用启动时不会自动执行。
• PostgreSQL + pgvector 仍然只用于 RAG，不用于会话表存储。

项目内置技能目录：.codex/skills/

• resume-template-from-image
• resume-backend-project-optimizer
• resume-interview-coach

这个 skill 的用途是：你给一张简历模板图片，Codex 按当前项目模板规范直接生成一套可切换的新模板。

使用它时不需要启动后端，也不需要启动 MySQL / pgvector；如果你想立刻在页面里预览生成结果，只需要启动前端即可。

推荐使用方式：

1. 在仓库根目录启动前端：npm run dev
2. 在 Codex 对话里发送模板图片，并明确给出模板名称
3. 如果你愿意，也可以顺手给出模板 key；不提供时会自动生成 kebab-case key
4. Codex 会按项目规范直接生成并接入以下文件：
   • src/templates/resume/<key>/ResumeTemplate.vue
   • src/templates/resume/<key>/template.ts
   • src/assets/templates/resume/<key>-preview.svg
   • src/templates/resume/index.ts
5. 回到前端页面刷新后，就可以在模板选择器里直接切换和预览

建议提示词示例：

请使用 resume-template-from-image，根据我上传的图片生成一个新的简历模板。
模板名称：深蓝商务模板
模板 key：deep-blue-business
要求：保持 A4 预览兼容，接入当前模板注册体系。

仓库级 Harness Engineering 工作流见 docs/harness-engineering-workflow.md。

• Linux.do

MIT

• start-python-backend.bat 会优先复用已有的 python-ai-backend/.venv，必要时重新创建虚拟环境。
• 该脚本不会自动安装 requirements.txt 或 requirements-optional.txt；首次运行前请先手工执行 uv pip install。
• 脚本会检查核心依赖、补 .env、清理 8999 端口占用并启动 uvicorn。
• 如果需要彻底重装依赖，删除 python-ai-backend/.venv 后重新运行 start-python-backend.bat 即可。