resume-gpt

AI 驱动的面试辅助分析工具。收到面试邀请后，通过爬取网上的面经并结合 AI 分析，生成个性化的面试分析报告。

项目地址: https://github.com/AxelWT/resume-gpt

功能

模型无关：支持任意 OpenAI 兼容 API（用户自行指定 base_url / api_key / model_name）
Premium 供应商：内置 DeepSeek Premium 支持，无需手动填写 API Key
面经来源：支持牛客网等
多来源并发爬取：可同时选择多个来源，通过爬虫注册表统一调度
三个分析模块：
- 面经总结与考点分析 — 提取高频考点，按知识点分类汇总
- 模拟面试题目预测 — 基于面经和简历生成预测面试题
- 简历优化建议 — 对比面经考点，给出简历修改建议
原始题库侧边栏：右侧展示爬取到的原始面经，点击可展开查看详情
进度可视化：异步分析流程，前端实时轮询展示进度
亮/暗色主题：支持亮色与暗色主题切换，自动记忆用户偏好
双重限流防护：应用层 SlowAPI + Nginx 层双重限流，保障服务稳定

技术架构

整体架构

┌──────────────────────────────────────────────────┐
│                  用户浏览器                        │
│         (单页 HTML + CSS + JavaScript)            │
└──────────────┬──────────────────────────────┬────┘
               │ HTTP (REST API)              │
               ▼                              ▼
┌──────────────────────────────────┐  ┌──────────────┐
│         FastAPI 后端服务           │  │ WebSocket/轮询│
│                                  │  │ (任务进度查询) │
│  POST /api/analyze               │  │              │
│  POST /api/test-config           │  │ GET /api/status│
│  POST /api/upload-resume         │  └──────────────┘
│  GET  /api/health                │
│  GET  /api/sources               │
└──────┬───────────────┬───────────┘
       │               │
       ▼               ▼
┌──────────────┐  ┌────────────────┐
│  爬虫注册表    │  │  AI 模型客户端   │
│  (registry)  │  │  (OpenAI 兼容)  │
│              │  │                │
│ · nowcoder   │  └────────────────┘
│ · zhihu      │         │
│ · boss       │         ▼
│ · maimai     │  ┌────────────────┐
│ · yjs        │  │ 分析器模块      │
│ · job51      │  │ · 面经总结      │
│ · zhaopin    │  │ · 模拟面试      │
│ · liepin     │  │ · 简历优化      │
└──────┬───────┘  └────────────────┘
       │
       ├─ NowCrawler: 直接爬取牛客搜索页
       │
       └─ 其他 7 个爬虫: 通过 Bing site: 间接搜索

技术栈

层级	技术	说明
后端框架	Python FastAPI	异步 Web 框架，支持 async/await
后端服务器	Uvicorn	ASGI 服务器
前端	纯 HTML + CSS + JavaScript	单页应用，无构建工具依赖
HTTP 客户端	httpx	异步 HTTP 请求，用于爬虫和 AI API 调用
HTML 解析	BeautifulSoup4 + lxml	面经页面解析
PDF 解析	PyMuPDF (fitz)	提取简历文本
数据验证	Pydantic	请求/响应模型校验
限流	SlowAPI	应用层 API 请求频率限制
反向代理	Nginx	独立容器，gzip 压缩 + 限流 + 反向代理

模块说明

resume-gpt/
├── main.py                 # FastAPI 应用入口
│                           # - 路由定义 (7 个 API + 2 个前端路由)
│                           # - 分析流程编排 (run_analysis)
│                           # - CORS / ProxyHeaders 中间件
│                           # - 异步任务管理 (内存存储 + 过期清理)
│                           # - SlowAPI 限流配置
│                           # - Premium 供应商支持 (环境变量解析)
│
├── templates/
│   └── index.html          # 前端单页应用
│                           # - 左右分栏布局
│                           # - 配置面板 (5 种预设供应商 + 自定义)
│                           # - 多来源勾选 + 抓取数量控制
│                           # - 报告展示区 (卡片式渲染)
│                           # - 原始面经题库侧边栏
│                           # - 亮/暗色主题切换
│                           # - 进度轮询与 Toast 提示
│                           # - Help Popover 引导气泡
│
├── scraper/
│   ├── base.py             # 爬虫基类 (BaseCrawler)
│   │                       # - _search_via_bing(): Bing site: 间接搜索
│   │                       # - _parse_bing_results(): 解析搜索结果
│   ├── registry.py         # 爬虫注册表 (CRAWLERS 字典)
│   │                       # - get_crawler() / get_sources()
│   ├── nowcoder.py         # 牛客网爬虫 (直接爬取搜索页)
│   ├── zhihu.py            # 知乎爬虫 (Bing 间接搜索)
│   ├── boss.py             # BOSS 直聘爬虫 (Bing 间接搜索)
│   ├── maimai.py           # 脉脉爬虫 (Bing 间接搜索)
│   ├── yjs.py              # 应届生求职网爬虫 (Bing 间接搜索)
│   ├── job51.py            # 前程无忧爬虫 (Bing 间接搜索)
│   ├── zhaopin.py          # 智联招聘爬虫 (Bing 间接搜索)
│   └── liepin.py           # 猎聘爬虫 (Bing 间接搜索)
│
├── ai/
│   └── client.py           # AI 模型客户端
│                           # - AIClient 类
│                           # - test(): 连接测试
│                           # - chat(): 通用对话接口
│                           # - chat_json(): 结构化 JSON 输出接口
│                           # - 错误处理 (401/404/429)
│
├── analyzers/
│   ├── base.py             # BaseAnalyzer 抽象基类
│   ├── summary.py          # 面经总结与考点分析
│   ├── mock_interview.py   # 模拟面试题目预测
│   └── resume_tips.py      # 简历优化建议
│                           # 每个分析器含专用 Prompt 模板
│                           # 调用 chat_json() 获取结构化结果
│
├── utils/
│   └── pdf_parser.py       # PDF 简历文本提取
│
├── nginx/
│   ├── Dockerfile          # Nginx 容器构建 (nginx:alpine)
│   └── nginx.conf          # Nginx 配置 (gzip + 限流 + 反向代理)
│
├── guide/
│   ├── prd.md              # 产品需求文档
│   ├── deploy.md           # 服务器部署指南
│   ├── mihomo-vpn-setup.md # Mihomo 代理部署指南
│   ├── secrets-management.md # 敏感配置管理方案
│   └── prompt.md           # 初始提示词
│
├── Dockerfile              # 应用容器构建 (python:3.11-slim)
├── docker-compose.yml      # Docker Compose 编排 (app + nginx)
├── requirements.txt        # Python 依赖清单
└── .github/
    └── workflows/
        └── deploy.yml      # CI/CD 自动部署 (ACR + SSH)

数据流

1. 用户填写配置 → POST /api/analyze
2. 后端创建异步任务，返回 task_id
3. 前端轮询 GET /api/status/{task_id}
4. 后台任务依次执行：
   a. 测试模型连接
   b. 根据用户选择的来源，从爬虫注册表创建对应爬虫
   c. 各来源并发爬取面经列表
      - 牛客网: 直接爬取搜索页
      - 其他来源: 通过 Bing site: 间接搜索
   d. 遍历获取每篇面经详情
   e. 解析简历 PDF (base64 JSON 上传)
   f. 根据所选模块调用 AI 分析器
   g. 每个模块调用 chat_json() 获取结构化 JSON
5. 任务完成，前端拉取结果渲染报告
6. 原始面经展示在右侧题库侧边栏

关键设计

异步任务 + 轮询：分析流程可能耗时较长（爬虫 + AI 调用），后端提交任务后返回 task_id，前端每秒轮询进度
结构化 Prompt：每个分析模块的 AI Prompt 要求模型返回 JSON，前端直接渲染结构化数据，无需在后端处理文本
内存任务存储 + 过期清理：使用字典存储任务状态，后台协程每 5 分钟清理已完成/失败超过 1 小时的任务，防止内存泄漏
模型无关性：用户自行指定 API 地址和密钥，后端仅做透传，不存储任何凭据
Premium 供应商：选择 Premium 供应商时，后端自动从环境变量 DEEPSEEK_API_KEY 获取 API Key，用户无需手动填写
爬虫注册表：通过 CRAWLERS 字典统一管理 8 个爬虫，前端动态获取可用来源列表 (GET /api/sources)
Bing 间接搜索：除牛客网外的 7 个爬虫通过 site: 语法在 Bing 搜索目标站点面经链接，绕过 JS 渲染和认证限制
双重限流：应用层 SlowAPI（按路由差异化限流）+ Nginx 层 limit_req_zone，防止滥用
代理 IP 修复：ProxyHeadersMiddleware 解析 X-Forwarded-For / X-Real-IP，确保限流器正确识别客户端 IP
简历 base64 上传：简历采用 base64 编码 + JSON body 传输，规避云服务商 WAF 对 multipart 上传的拦截

部署方式

前置要求

Python 3.10+
pip

本地部署

bash

# 1. 克隆或进入项目目录
cd resume-gpt

# 2. 安装依赖
pip install -r requirements.txt

# 3. 启动服务
uvicorn main:app --host 0.0.0.0 --port 8000 --reload

启动后访问 http://localhost:8000 即可使用。

生产部署

使用 nohup 或 systemd 保持后台运行：

bash

# nohup 方式
nohup uvicorn main:app --host 0.0.0.0 --port 8000 --workers 1 > app.log 2>&1 &

# 查看日志
tail -f app.log

systemd 服务配置

ini

[Unit]
Description=resume-gpt
After=network.target

[Service]
Type=simple
User=your-user
WorkingDirectory=/path/to/resume-gpt
ExecStart=/path/to/venv/bin/uvicorn main:app --host 0.0.0.0 --port 8000 --workers 1
Restart=on-failure
RestartSec=5

[Install]
WantedBy=multi-user.target

Docker 部署

bash

# 构建镜像
docker build -t ai-interview-coach .

# 启动容器
docker run -d -p 8000:8000 ai-interview-coach

# 或用 docker-compose (推荐，包含 Nginx 反向代理)
docker compose up -d

Docker Compose 部署架构：

用户 → :80 (Nginx 容器, nginx:alpine)
         ↓ 反向代理
       :8000 (App 容器, python:3.11-slim)

GitHub Actions CI/CD

项目包含 .github/workflows/deploy.yml，实现 main 分支推送时的自动构建和部署。

工作流程：

推送代码到 main 分支（或手动触发），触发 Action
自动构建两个 Docker 镜像（app + nginx）
推送到阿里云容器镜像服务 (ACR)
通过 SCP 复制 docker-compose.yml 到服务器
SSH 登录服务器，从环境变量写入 .env 文件，登录 ACR 拉取新镜像并重启容器

前置配置（仅在首次使用时需要）：

在 GitHub 仓库 Settings → Secrets and variables → Actions 中添加：

Secret	说明
`DEPLOY_HOST`	服务器 IP 或域名
`DEPLOY_PORT`	SSH 端口（默认 22，可省略）
`DEPLOY_USER`	SSH 登录用户名
`DEPLOY_SSH_KEY`	SSH 私钥（对应服务器的公钥）
`DEPLOY_PATH`	服务器上项目路径（需包含 `docker-compose.yml`）
`ACR_USERNAME`	阿里云容器镜像服务用户名
`ACR_PASSWORD`	阿里云容器镜像服务密码
`DEEPSEEK_API_KEY`	DeepSeek API Key（用于 Premium 供应商）
`OPENAI_API_KEY`	OpenAI API Key（可选，用于默认 AI 服务）

然后在服务器上准备好：

bash

mkdir -p /app/ai-interview-coach
# 将 docker-compose.yml 放到该目录
# 确保 Docker 和 docker-compose 已安装

之后每次推送 main 分支，服务器会自动更新。

使用方式

打开浏览器访问部署地址
选择模型供应商（Premium / DeepSeek / GLM / Qwen / 自定义），填写或确认 API 配置
点击「测试连接」确认配置有效
输入公司+岗位搜索词
选择面经来源（牛客网、知乎等，支持多选）
上传 PDF 简历（可选，简历优化模块必填）
选择分析模块（至少一个）
点击「开始分析」，等待结果
查看分析报告，可点击右侧原始面经展开详情

环境变量

服务器环境变量（通过 CI/CD 自动注入）

变量	说明
`DEEPSEEK_API_KEY`	DeepSeek API Key，用于 Premium 供应商免输入 Key 模式
`OPENAI_API_KEY`	OpenAI API Key（可选）

这些变量由 GitHub Actions 在部署时从 Secrets 写入服务器 .env 文件，无需手动配置。

开发

bash

# 安装开发依赖
pip install -r requirements.txt

# 启动（热重载）
uvicorn main:app --reload --port 8000

# 验证 API
curl http://localhost:8000/
curl http://localhost:8000/api/health  # 健康检查
curl http://localhost:8000/api/sources  # 获取面经来源列表

添加新的面经来源

在 scraper/ 下创建新的爬虫文件，继承 BaseCrawler
实现 name 属性、search() 和 fetch_content() 方法
若目标站点搜索页需 JS 渲染，可复用 _search_via_bing() 间接搜索
在 scraper/registry.py 的 CRAWLERS 字典中注册
前端会自动通过 GET /api/sources 获取新来源

添加新的分析模块

在 analyzers/ 下创建新的模块文件，继承 BaseAnalyzer
实现 name 属性和 analyze() 方法
在 main.py 的 run_analysis() 中注册到 analyzers 字典
在 templates/index.html 中添加对应的 checkbox 和渲染函数

resume-gpt ​

功能 ​

技术架构 ​

整体架构 ​

技术栈 ​

模块说明 ​

数据流 ​

关键设计 ​

部署方式 ​

前置要求 ​

本地部署 ​

生产部署 ​

systemd 服务配置 ​

Docker 部署 ​

GitHub Actions CI/CD ​

使用方式 ​

环境变量 ​

服务器环境变量（通过 CI/CD 自动注入） ​

开发 ​

添加新的面经来源 ​

添加新的分析模块 ​

resume-gpt

功能

技术架构

整体架构

技术栈

模块说明

数据流

关键设计

部署方式

前置要求

本地部署

生产部署

systemd 服务配置

Docker 部署

GitHub Actions CI/CD

使用方式

环境变量

服务器环境变量（通过 CI/CD 自动注入）

开发

添加新的面经来源

添加新的分析模块