【Hello AI 科技致善】用 SOLO 打造 AI 驱动的大学生职业探索平台 CareerLens

SOLO挑战赛专区
,
1

【Hello AI 科技致善】用 SOLO 打造 AI 驱动的大学生职业探索平台 CareerLens

一、摘要

面向在校大学生和应届毕业生，在"不知道做什么工作、不知道怎么准备"的迷茫场景下，提供上传简历 → AI 解析 → 职业画像 → 方向推荐 → 岗位匹配的一站式职业探索服务。目前通过 8 个职业方向、30 个示例岗位、12 个专业映射构建了完整的职业数据图谱，Demo 模式下可体验从简历上传到岗位推荐的完整闭环流程。

二、真实场景与需求

（一）目标人群

  • 在校生（大二至大四/研一）：面临实习选择、方向探索的困惑
  • 应届毕业生：求职冲刺期，简历质量低、投递方向不精准

（二）痛点描述

学生在"从校园走向职场"的关键一步上，往往卡在一个具体环节——

不知道自己的专业和技能能投哪些岗位
一个简历投所有岗位和公司，没有针对性调整，强调与岗位的适配性

核心痛点可以归纳为四个字：信息不对称。学生不了解岗位实际要求，不了解自身能力在市场中的定位，更不知道从"现在"到"目标岗位"之间还差什么。

（三）现有做法与不足

现有方案 问题
职业咨询（辅导员/学长） 依赖个人经验，难以规模化，信息更新慢
招聘平台（Boss/智联） 只能被动搜索，缺乏个性化推荐和差距分析
AI 简历优化工具 只解决"简历怎么写"，不解决"方向怎么选"
网上攻略/经验贴 信息碎片化，缺乏系统性，无法针对个人情况给出建议

关键缺口：没有一个工具能把"简历 → 能力评估 → 方向推荐 → 差距分析"串成一条完整的链路。

三、作品介绍

CareerLens 是一个 AI 驱动的职业探索平台，以简历为基础入口，通过大模型智能分析，帮助学生完成从"不知道做什么"到"知道下一步怎么走"的转变。

产品形态：交互式网页应用（SPA）

技术栈：SvelteKit + TypeScript + Tailwind CSS（前端）| FastAPI + Python + LiteLLM（后端）

（一）系统架构

graph TB
    subgraph 用户浏览器
        A[SvelteKit SPA]
    end
    
    subgraph FastAPI 后端
        B[API 路由层]
        C[业务逻辑层]
        D[AI 服务层]
    end
    
    subgraph 数据层
        E[(SQLite)]
        F[JSON 预建数据]
    end
    
    A -->|REST API| B
    B --> C
    C --> D
    C --> E
    C --> F
    D -->|LiteLLM| G[OpenAI / 通义千问 / DeepSeek]

（二）核心功能

功能模块 说明 当前完成度
简历引擎 上传简历 → AI 解析为结构化数据 → 四维度诊断评分 :white_check_mark: 已完成（Demo 验证通过）
用户画像 能力雷达图 + 风格标签 + 职业阶段定位 :white_check_mark: 已完成（Demo 预设数据）
机会发现 方向推荐 + 岗位列表（筛选/排序） :white_check_mark: 已完成（8 方向 / 30 岗位）
差距分析 对比用户现状与岗位要求，给出行动建议 :warning: 后端逻辑已实现，需真实 AI 调用验证

（三）用户流程

flowchart LR
    A[📄 上传简历] --> B[🤖 AI 解析]
    B --> C[📊 简历诊断]
    C --> D[🪞 职业画像]
    D --> E[🧭 方向推荐]
    E --> F[🎯 岗位匹配]
    F --> G[📈 差距分析]

四、用 SOLO 实现的过程

（一）整体开发流程

flowchart TD
    S1[第一步：需求拆解\n生成 6 份设计文档] --> S2[第二步：后端开发\nFastAPI + AI 服务]
    S2 --> S3[第三步：前端开发\nSvelteKit 5 个页面]
    S3 --> S4[第四步：代码审查\n发现 61 个问题并修复]
    S4 --> S5[第五步：UI 打磨\n动画/空状态/截图]

（二）第一步：需求拆解与文档设计

我没有直接写代码，而是先用 SOLO 生成了 6 份设计文档：

文档 内容
产品需求文档（PRD） 用户画像、功能模块、用户流程
技术架构文档 前后端分离架构、技术选型、分层设计
数据模型文档 数据库表结构、JSON 数据格式
API 接口文档 8 个 RESTful 接口的请求/响应定义
开发路线图 4 周 MVP 计划、10 个里程碑
AI Prompt 文档 6 个 AI 服务的 Prompt 模板设计

踩坑记录：一开始我直接让 SOLO 写代码，结果前后端接口对不上、数据格式不一致，返工了大量工作，项目实现处处都出现问题。后来先花时间把文档写清楚，再按文档实现，效率提升了很多。

（三）第二步：后端开发

让 SOLO 搭建 FastAPI 后端，包括：

  • 4 个路由模块：简历（上传/解析/诊断）、画像（生成）、岗位（列表/详情/匹配）
  • 7 个服务层：LLM 客户端、简历解析、简历诊断、画像生成、岗位匹配、差距分析、数据加载
  • 预建数据：8 个职业方向、30 个示例岗位、12 个专业映射、3 份示例简历

AI 调用通过 LiteLLM 统一封装，支持 OpenAI / 通义千问 / DeepSeek 等多家模型切换，并配置了 5 级模型降级链保障可用性。

（四）第三步：前端开发

让 SOLO 搭建 SvelteKit 前端，包括 5 个页面：

页面 路由 核心内容
首页 / 简历上传 + 三步流程介绍 + Demo 入口
解析结果页 /parse 结构化简历展示 + 四维度诊断评分
画像页 /profile 能力雷达图 + 风格标签 + 方向推荐
方向详情页 /direction/[id] 薪资/技能/发展路径/岗位列表
岗位详情页 /job/[id] 岗位信息 + 匹配度分析 + 差距分析

（五）第四步：代码审查与对齐

用 SOLO 对代码和文档做了一次全面审查，发现了 61 个不一致的问题，然后批量修复。

pie title 审查问题分布（共 61 个）
    "API 路由不一致" : 14
    "数据模型缺失" : 8
    "AI Prompt 不完善" : 10
    "前端类型不匹配" : 12
    "错误处理不统一" : 7
    "预建数据不完整" : 5
    "其他" : 5

（六）第五步：UI 打磨与文档输出

  • 统一全局色系（蓝色主调）
  • 添加页面过渡动画和骨架屏 Loading
  • 完善空状态和错误处理
  • 生成项目介绍文档、展示 PPT、项目说明文档（含截图）

五、成果展示

（一）当前完成情况（实事求是）

模块 状态 说明
前端页面 :white_check_mark: 完成 5 个页面全部可访问，UI 完整
后端 API :white_check_mark: 完成 8 个接口全部通过测试
Demo 模式 :white_check_mark: 完成 无需 AI Key 即可体验完整流程
预建数据 :white_check_mark: 完成 8 方向 / 30 岗位 / 12 专业 / 3 份简历
AI 简历解析 :warning: 逻辑完成 需配置 API Key 后实际验证
AI 简历诊断 :warning: 逻辑完成 需配置 API Key 后实际验证
AI 画像生成 :warning: 逻辑完成 需配置 API Key 后实际验证
AI 差距分析 :warning: 逻辑完成 需配置 API Key 后实际验证
用户系统 :cross_mark: 未开始 计划 Phase 2 实现
真实数据爬取 :cross_mark: 未开始 计划 Phase 4 实现

说明：当前项目处于 MVP Demo 阶段。前端页面和后端 API 已全部开发完成，预建数据可支撑完整的 Demo 体验流程。AI 解析/诊断/画像功能的后端逻辑和 Prompt 已编写完毕，但尚未配置真实的 AI API Key 进行端到端验证，Demo 模式下使用的是预设的模拟数据。

（二）核心页面截图

首页 — 简历上传入口

image
image1920×1080 111 KB

解析结果页 — 结构化简历信息 + 四维度诊断评分

image
image1920×1080 133 KB

职业画像页 — 能力雷达图 + 方向推荐

image
image1920×1080 168 KB

方向详情页 — 薪资/技能/发展路径/岗位列表

image
image1920×1080 179 KB

岗位详情页 — 岗位信息 + 匹配度分析

image
image1920×1080 117 KB

（三）技术成果数据

指标 数据
API 接口 8 个 RESTful 接口
AI 服务 6 个（解析/诊断/画像/匹配/差距分析/多模型）
前端页面 5 个完整页面
职业方向 8 个（前端/后端/数据/产品/运营/设计/市场/项目管理）
示例岗位 30 个（覆盖初级到高级）
专业映射 12 个
设计文档 6 份
代码文件 后端 20+ 文件 / 前端 15+ 文件

六、验证方式与下一步

（一）验证方式

1. Demo 流程验证 :white_check_mark:

通过 Demo 模式（?demo=true）走通完整链路：

flowchart TD
    V1[首页：点击 体验 Demo] --> V2[解析结果页：展示简历信息 + 诊断评分]
    V2 --> V3[画像页：雷达图 + 4 个推荐方向]
    V3 --> V4[方向详情页：技能/路径/4 个岗位]
    V4 --> V5[岗位详情页：岗位信息 + 匹配度分析]
    V5 -.->|5 个页面全部正常渲染| V6[✅ 验证通过]

2. API 接口验证 :white_check_mark:

8 个 API 接口全部通过测试，响应格式统一为 {code, message, data}，错误处理覆盖 404/500 等场景。

3. 前端编译验证 :white_check_mark:

bun run build 编译通过，0 错误。

4. 尚未验证的部分

  • AI 简历解析：需上传真实简历 + 配置 API Key
  • AI 诊断评分：需真实 AI 调用验证评分准确性
  • AI 画像生成：需验证推荐方向的合理性
  • 差距分析：需验证建议的实用性

（二）下一步计划

gantt
    title CareerLens 完整开发计划
    dateFormat YYYY-MM-DD
    axisFormat %m/%d

    section Phase 0 - 需求与设计
    用户调研与痛点分析           :done, d00, 2026-04-16, 1d
    产品需求文档 PRD             :done, d01, 2026-04-16, 1d
    技术架构与数据模型设计        :done, d02, 2026-04-16, 1d
    API 接口文档                 :done, d03, 2026-04-17, 1d
    AI Prompt 模板设计           :done, d04, 2026-04-17, 1d

    section Phase 1 - MVP
    后端 API 开发               :done, d1, 2026-04-17, 1d
    前端页面开发                 :done, d2, 2026-04-17, 1d
    代码审查与文档对齐           :done, d3, 2026-04-18, 1d
    UI 打磨与截图                :done, d4, 2026-04-18, 1d
    AI 功能联调验证              :active, d5, 2026-04-18, 1d

    section Phase 2 - 用户体系
    用户注册与登录系统           :a1, after d5, 3d
    简历版本管理                 :a2, after a1, 1d
    定向搜索与收藏功能           :a3, after a2, 2d

    section Phase 3 - 成长闭环
    学习路径推荐                 :b1, after a3, 2d
    进度仪表盘与里程碑           :b2, after b1, 2d
    定期回顾与反馈机制           :b3, after b2, 1d

    section Phase 4 - 数据增强
    招聘数据爬虫系统             :c1, after b3, 5d
    PostgreSQL + pgvector 迁移  :c2, after c1, 3d
    语义搜索与智能推荐           :c3, after c2, 3d

一句话总结：CareerLens 把"简历"变成"职业罗盘"，让学生从迷茫走向清晰。目前处于 MVP Demo 阶段，核心链路已跑通，AI 功能待配置 API Key 后进行真实验证。