求职信
一封 100 到 150 词的简短信件，根据你的简历针对具体职位撰写。提示词要求模型不编造简历里没有的任何内容。在打印版式旁边编辑它，然后保存、重新生成，或下载为 PDF。
定制。 构建。 撰写。 追踪。
Resume Matcher 的全部功能，按你使用的顺序排列。粘贴职位描述，审核 AI 提出的每一处修改，在简历生成器里完善简历，写好求职信，再追踪这份申请。一切都在你自己的电脑上运行，使用你选择的 AI 模型。
一份主简历，每个职位一份定制版本。
- 1
接入 AI 模型。在设置页面里接入：使用你自己 API 密钥的云端服务商，或者本地模型。
- 2
添加主简历。上传 PDF 或 Word 文件，或者用简历向导创建一份。
- 3
粘贴职位描述。AI 会针对你的主简历提出定向修改。
- 4
审核修改。在修改前后的对比预览里查看，然后确认或重新生成。
- 5
在简历生成器里润色。选择模板，调整布局，编辑任何内容。
- 6
生成配套材料。为同一个职位生成求职信、联系邮件和面试准备。
- 7
下载。简历和求职信，均为 PDF。
- 8
追踪申请。在看板上追踪。确认一份定制简历时，会自动为它添加卡片。
定制。 粘贴职位描述，然后检查每一处修改。
定制只改写你简历里已有的内容。它不会编造经历；在定制页面上，你读过并确认修改之前，什么都不会保存。
-
2 页
默认页数上限，相关性最低的要点会被删减以符合页数
-
0
新增数字：改写后多出数字的句子会被还原
-
4 分钟
每次定制的默认时间上限
从主简历开始
主简历是你完整、未经定制的简历：所有工作、项目和技能都在一处。上传不超过 4 MB 的 PDF、DOC 或 DOCX 文件，AI 会把它转换成可编辑的结构化板块，并保留一份原始文本。扫描件这类纯图片 PDF 没有文本层，会被拒绝；请先用 OCR 处理。
没有简历文件？简历向导一次问一个问题，最多 15 个，并在你回答的同时把简历写进实时草稿。它被明确要求绝不编造雇主、职位、日期、学位、证书、指标、工具或技能。
最多可以保留五份主简历，作为不同的职业方向，比如一份投后端岗位，一份投机器学习岗位。其中恰好有一份是默认简历，定制页面从它开始。
粘贴职位描述
选好定制强度，设置页数上限（1–3 页，或不限）和每段经历保留的要点数，粘贴职位描述（最多 100,000 个字符），然后点击「生成定制简历」。
- 轻度调整
- 改动最少，让你现有的经历更贴合职位。
- 关键词增强
- 默认选项。融入相关关键词，不改变职位角色或工作范围。
- 完全定制
- 基于职位描述进行全面定制。
点下按钮之后发生了什么
- 1
职位分析
AI
AI 提取公司、职位、必备和加分技能、主要职责以及关键词。这些信息随职位一起保存，所以之后追踪卡片无需再调用一次 AI，就能拿到公司和职位。
- 2
要点筛选
AI 代码
AI 为每条要点打分，评估它与职位的相关度。它只打分，不能改写或编造要点。然后由代码在你设定的上限内，为每段工作或每个项目保留最相关的要点，并通过实际渲染页面，从相关性最低的要点开始删减，直到简历符合你的页数上限。
- 3
技能规划
AI 代码
AI 提出要突出哪些技能。代码只接受满足以下条件之一的技能：已经在你的简历里、出现在你简历的文本中，或者是在职位描述里逐字出现的必备或加分技能。
- 4
定向修改
AI 代码
AI 不会重写整份简历，而是返回一份具体的修改清单，每条都引用它要替换的原文。代码会对照你的简历核实每一处引用，并拒绝针对受保护字段的修改。
- 5
安全网与润色
代码
代码会还原你的个人信息和日期，保留所有原有技能，删除一批用滥了的「AI 腔」短语（除非职位描述里用到了它们）；如果某行改写引入了原文没有的数字，就撤销这行改写。
整个流程有时间上限，默认四分钟，慢速模型不会让应用卡住。
保存之前先审核
预览会显示：
-
变更摘要：新增和删除的技能、新增的证书、修改的描述，以及高风险变更。
-
要点筛选的结果，例如「已保留 14 条要点中的 8 条（每个职位或项目最多 3 条）· 为符合页数上限又删减了 4 条」。
-
当 AI 添加了内容（通常是取自职位描述的技能）时，会显示高风险警告，方便你确认它对你来说属实。
-
个人简介、技能和每条改动过的要点的修改前后对比。
确认并保存保留结果；拒绝并重新生成丢弃结果并重试。这个决定针对整个预览。护栏能拦住编造的数字、雇主和日期，但措辞仍可能夸大你的角色。请读完每一处修改：你是最后一道检查。
确认后，这份定制简历会另存为一份标题为「职位 @ 公司」的新简历，并关联到它的主简历和职位。它的卡片会出现在追踪看板的「已投递」列；如果你在设置里开启了相应开关，还会同时生成求职信、联系邮件和面试准备。所有内容都可以在简历生成器里继续编辑。
生成预览时，表单下方会出现一张 ATS Score Breakdown（ATS 评分明细）卡片。它是一个加权的启发式评分，综合关键词匹配、技能覆盖、职位名称匹配、板块完整度和日期格式一致性，不是对任何真实申请人跟踪系统的模拟。确认后，它会随定制简历一起保存。
用队列一次定制多个职位
同时申请好几个职位？把每份职位描述粘贴进定制队列，Resume Matcher 会逐一定制，每两个职位之间有一段短暂的间隔（默认 5 秒），以免触发服务商的速率限制。职位名称、公司和职位编号直接从文本中识别，无需调用 AI。
队列中的职位会跳过审核步骤。每个职位都会执行同样的定向修改和安全网，然后直接保存为定制简历，同时生成追踪卡片、ATS 评分，以及你在设置里开启的配套材料。队列会保留所有要点，也不考虑页数上限，所以发送之前，请在简历生成器里读一遍每份结果。
队列保存在数据库里，所以刷新页面或重启后依然存在。失败的职位（比如运行超过了时间上限）不会重试，需要重新添加。
AI 能改什么，不能改什么。
定制的设计目标是改写，而不是编造。这些规则由代码强制执行，而不只是在提示词里提出要求。
AI 可以
-
用职位描述的措辞改写你的个人简介和要点
-
重新排序并突出技能
-
选择保留哪些要点，不超出你设定的页数上限和每段经历的要点数
-
添加职位要求的技能，前提是它在职位描述里逐字出现（会被标记为高风险）
AI 不可以
-
修改你的姓名、邮箱、电话、所在地或链接
-
修改雇主、职位名称或日期
-
修改学校、学位或教育经历的日期
-
添加原文里没有的数字、百分比或指标
-
删除你已有的技能、证书、语言或奖项
-
添加新的工作、学校或项目
-
改动你的自定义板块
构建。 编辑任何内容，看到的就是打印出来的页面。
每份简历，无论是主简历还是定制简历，都在简历生成器里打开：左侧是编辑器，右侧是分页的实时预览，上方有简历、求职信、联系邮件、面试准备、ATS 检查标签页，定制简历还有「JD 匹配」标签页。
-
7
套模板，单栏和双栏
-
A4 / Letter
两种纸张尺寸，打印效果与预览一致
-
5–25 mm
每边页边距，默认 10 mm
简历生成器
- 直接编辑每个板块：个人信息、个人简介、工作经历、教育背景、项目经历，以及技能与荣誉。
- 给要点文本设置粗体、斜体、下划线和链接，并逐行切换项目符号。
- 添加工作、学校、项目和要点；复制或删除条目。
- 重命名、隐藏、显示板块并调整顺序，可以用上移、下移或拖放。
- 添加三种自定义板块：自由文本、类似工作经历的条目列表，或简单的字符串列表。
- 缩放，切换页边距显示，查看实时页数。
- 「AI 重新生成」；「重置」回到上次保存的版本；「保存」（编辑时也会自动保存）；「下载」按当前模板设置导出 PDF。
七套模板
-
单栏
1 栏
-
双栏
2 栏
-
现代
1 栏，带强调色
-
现代双栏
2 栏，带强调色
-
LaTeX
1 栏
-
简洁
1 栏
-
鲜明
2 栏，带强调色
双栏模板在阅读顺序上把主要内容放在前面，因此文本提取工具会先读到你的工作经历，再读侧栏。
排版控件
- 纸张尺寸
- A4 或美式信纸（US Letter）。
- 页边距
- 每边 5 到 25 mm（默认 10 mm）。
- 间距
- 板块、条目和行间距，分五档。
- 字号
- 正文字号，以及姓名和板块标题的缩放比例。
- 字体
- 衬线、无衬线或等宽，标题和正文分别选择。
- 紧凑模式和联系方式图标
- 开或关。
- 强调色
- 蓝色、绿色、橙色或红色，适用于现代、现代双栏和鲜明模板。
- 恢复默认设置
- 随时可用。
JD 匹配
在定制简历上，「JD 匹配」标签页把职位描述和你的简历并排显示，并用黄色高亮你的简历中已经包含的每个职位描述关键词。
匹配率就是简单的算术，不涉及 AI：
- 1
取职位描述中的词，去掉常见英文词和招聘启事里的套话（比如「team」、「role」和「experience」），保留三个字母及以上的词。
- 2
对你的简历做同样的处理。
- 3
匹配率 = 简历中出现的职位描述关键词数 ÷ 职位描述关键词总数。
职位描述
We are hiring a backend engineer to build Python services on Kubernetes. You will run Postgres, Redis and Kafka and cut latency with the team.
你的简历
Built Python services on Kubernetes; cut latency by 40%.
10 个关键词 · 4 个匹配
匹配率: 4 ÷ 10 = 40%
50% 及以上显示绿色，30% 起显示琥珀色，低于 30% 显示红色。因为它会统计招聘启事中每个有意义的词，包括公司背景介绍，一份很强的简历也常常落在 30% 到 50% 之间。用它来找出缺失的技能和术语，不要把它当作及格线。目前它只统计纯 a–z 字母组成的词，所以带重音符号的词以及中文、日文和韩文文本都不会被计入。
ATS 检查和 ATS 评分
两者都不模拟雇主的申请人跟踪系统。它们测试的是你能掌控的东西：软件能否读取你的 PDF，以及简历对职位的覆盖程度。
ATS 检查
「ATS 检查」标签页用当前模板渲染你最近一次保存的简历，也就是「下载」得到的那份 PDF，再像普通 ATS 文本提取器那样把它读回来。整个过程不涉及 AI。它从可解析性和内容两方面打分，各自满分 100，并列出每一项检查：可选中文本、字符编码、文本与图片、单一阅读顺序、页眉和页脚、图片、篇幅、联系方式、板块标题和日期。往返对比会把提取出的文本和你的简历数据做比较。它适用于任何已保存的简历。
ATS 评分
在定制简历上，ATS Score Breakdown（ATS 评分明细）会对照职位为简历打分：关键词匹配占 40%，技能覆盖占 20%，职位名称匹配占 15%，板块完整度占 15%，日期格式一致性占 10%。它列出缺失关键词、主简历里已有且可以安全添加的关键词，以及建议。评分随简历一起保存；编辑之后，先保存，再点击「重新计算」。评分完全由代码计算，不调用 AI。
撰写。 求职信和面试准备，出自同一份简历。
每一项都根据你的简历、针对同一个职位撰写。你可以在简历生成器的标签页里按需生成，也可以在设置里打开开关，让它们在你每次确认定制简历时自动生成。
-
100–150
词的求职信
-
70–100
词的联络消息
-
5
部分面试准备，从岗位匹配到谈话要点
联系邮件
一封 70 到 100 词的冷邮件或 LinkedIn 消息，针对同一职位、根据你的简历撰写。你可以编辑、重新生成，并复制到剪贴板。和求职信一样，它的提示词也可以在设置里换成你自己的。
面试准备
- 岗位匹配分析：你的经历与职位吻合的地方，以及需要弥补的差距。
- 基于简历的问题：面试官可能会问的问题，每个都附有关注点和建议回答要点。
- 项目追问：关于你的项目的深入问题。
- 技能差距：职位要求什么、为什么重要、如何准备。这些是准备目标，不会作为技能加进你的简历。
- 沟通要点：可以反复回到的简短主题。
AI 增强，用于主简历
打开你的主简历，点击「增强简历」。AI 会找出内容单薄的工作经历和项目条目，并就这些条目问你最多六个问题。它根据你的回答为每个条目写出两到四条新要点，你审核之后再点击「添加到简历」。它只使用你提供的细节，不会编造指标。
AI 重新生成，适用于任何简历
在简历生成器里，选择要重写的工作经历、项目或技能，并写一条指令，比如「使用更有力的行动动词」或「突出领导力」。在应用任何改动之前，你会看到修改前后的预览。提示词禁止添加新的事实、指标、日期、公司、职位或成就。
追踪。 所有申请，一块看板。
申请追踪是一个用于求职的看板。你确认的每份定制简历都会自动生成一张卡片；对于还没定制简历的职位，你也可以手动添加卡片。
-
7
个阶段，从已保存到已录用或已拒绝
-
1
张卡片，每确认一份定制简历自动添加
-
0
个招聘网站接入：看板只是你自己的记录
- 七个阶段
- 已保存、已投递、无回复、有回复、面试、已录用和已拒绝。
- 卡片
- 显示公司、职位和投递日期；如果同一份主简历用于不止一项申请，还会显示「共享简历」标记。卡片在「已保存」以外的任何阶段创建时，或第一次移出「已保存」时，会记下日期。
- 使用看板
- 在列内拖动卡片，或拖到其他阶段。用箭头按钮滚动，或点阶段标签直接跳转。选中多张卡片后，可以用「移动到……」一起移动，或一次性删除。「管理」可以隐藏你用不到的阶段；至少会保留一个阶段可见。
卡片详情
点击卡片可以阅读完整的职位描述、写备注，并打开你投递时用的那份简历：「编辑简历」会带你进入简历生成器。如果那份简历之后被删除了，卡片仍能打开，并会提示你。
手动添加申请
点击「添加申请」，选择一份简历，粘贴职位描述，并选择起始阶段，比如为打算以后再定制的职位选「已保存」。公司和职位是可选项：留空的话，AI 会从职位描述中提取。
按你的方式运行。 你的电脑，你的模型，你的数据。
Resume Matcher 不附带 AI 模型。你自己接入一个，云端的或者本机的都行，提示词、校验和排版由应用负责。
-
11
种接入模型的方式：API 密钥、你自己的电脑，或你付费的订阅
-
7
种语言，用于界面和 AI 写作
-
0
行分析或追踪代码
接入模型
| 服务商 | 默认模型 | 运行位置 |
|---|---|---|
| OpenAI | gpt-5-nano-2025-08-07 | 云端 |
| Anthropic（Claude） | claude-haiku-4-5-20251001 | 云端 |
| Google Gemini | gemini-3-flash-preview | 云端 |
| DeepSeek | deepseek-chat | 云端 |
| OpenRouter | deepseek/deepseek-chat | 云端 |
| Groq | llama-3.3-70b-versatile | 云端 |
| Azure AI Foundry | mistral-large-latest | 云端 |
| Ollama | gemma3:4b | 你的电脑 |
| 兼容 OpenAI 接口的服务（llama.cpp、vLLM、LM Studio） | 自行填写 | 你的电脑 |
| ChatGPT 订阅（使用 ChatGPT 登录） | 你账号里的模型 | 云端 |
| Claude 订阅（通过 Claude Code） | Claude Code 的默认模型 | 云端 |
你可以填写服务商提供的任何模型名称。没有官方规定的最低模型要求，但小模型可能处理不好定制步骤使用的结构化编辑格式。
可以在设置页面里配置（服务商、模型、API 密钥；用代理或本地服务时还要填 Base URL；先「保存」，再「测试连接」），也可以用环境变量配置，写在 apps/backend/.env 或你的 Docker 环境里：LLM_PROVIDER、LLM_MODEL、LLM_API_KEY，需要时再加 LLM_API_BASE。服务商名称用小写（anthropic、ollama）。在应用里保存的设置优先于环境变量。
设置里还有
- 系统状态
- LLM 是否正常、数据库是否已连接，简历、职位和定制次数的统计，以及是否已配置主简历。
- 推理深度
- 用于具备推理能力的模型（gpt-5 系列、Claude 3.7+、DeepSeek R1、OpenAI o1/o3）。「自动」不发送任何值，兼容性最好。
- 内容生成
- 几个开关，在你每次确认定制简历时生成求职信、联系邮件和面试准备。三者默认都关闭。求职信和联系邮件的提示词可以换成你自己的，只要保留
{job_description}、{resume_data}和{output_language}占位符即可。 - 提示词设置
- 默认的定制强度。
- 危险区域
- 「清除 API 密钥」会删除所有已保存的密钥；「重置数据库」会删除所有简历、职位、生成的内容和定制队列。两者都无法撤销。
在设置页面里输入的 API 密钥会加密保存。每家服务商各自保存自己的密钥，所以切换服务商不会清除另一家的密钥。ChatGPT 订阅和 Claude 订阅不需要密钥；它们是社区贡献的功能，有一些注意事项，值得先读一读。
在 Claude Code 中使用
Resume Matcher 还附带一个 MCP 服务器，所以 Claude Code、Claude Desktop、Cursor 或 Codex 可以直接处理你的简历。内容由你的客户端所用的模型撰写；Resume Matcher 负责存储、校验、评分和渲染，数据存在应用自己的数据库里，它自己也不需要 AI 密钥。它需要本地安装，不支持 Docker。
七种语言
英语、西班牙语、简体中文、日语、巴西葡萄牙语、法语和韩语。界面语言决定界面显示的语言；内容语言是 AI 写作所用的语言，用于定制简历、求职信、联系邮件和面试准备。两者分开设置，所以你可以用英文界面，同时写一份日文简历。PDF 内置了 Noto Sans 字体，用于中文、日文和韩文文本。
PDF 导出
简历和求职信导出为 PDF。应用会打开一个无头 Chromium，载入简历的纯打印版本并打印出来，所以 PDF 里是真实的文本，可以被选中、复制，也能被软件读取。标题是真正的标题，双栏布局在阅读顺序上保持主要内容优先，页面与简历生成器里一致：模板、字体、间距和纸张尺寸都相同。
导出需要前端处于运行状态。本地运行时，安装 Playwright 的 Chromium（uv run playwright install chromium），或者装好 Chrome 或 Edge；Docker 镜像已包含所需的一切。
你的数据
所有数据都在一个文件夹里，即 apps/backend/data/ 或 Docker 卷：resume_matcher.db 是一个 SQLite 数据库，存有你的简历、职位描述、定制版本和追踪看板（如果设置了 DATABASE_URL，则改用 PostgreSQL）；config.json 存放非机密设置；还有你的 API 密钥，静态加密存储，加密用的密钥文件只有你的用户账号能读取。
只有你触发的 AI 请求会离开你的电脑，发给你选定的服务商。使用云端服务商时，发送的内容包括你的简历（连同联系方式）和职位描述。应用不含任何分析或追踪代码。启动时，AI 库（LiteLLM）会获取一份公开的模型价格表，这个请求不带你的任何数据。使用 Ollama 或其他本地模型服务，你的简历、职位描述和所有 AI 输出都留在你的电脑上。
安装
Docker 最快。Resume Matcher 以单个容器镜像发布在 Docker Hub（它是 Docker 赞助的开源镜像，Docker-Sponsored Open Source）和 GitHub Container Registry 上，两者都为 linux/amd64 和 linux/arm64 构建。然后打开 http://localhost:3000/settings 接入模型。
想从仓库构建，就克隆仓库并用 Docker Compose 启动：先 git clone，再 docker compose up -d。
resume-data 卷保存你的数据库和设置，所以升级容器后数据仍在。要获得可重复的部署，请固定一个版本（例如 :1.3.0）。如果想从源码运行，你需要 Python 3.13+、Node.js 22+、npm 和 uv。
$ git clone https://github.com/srbhr/Resume-Matcher.git$ cd Resume-Matcher$ docker compose up -d$ docker run --name resume-matcher -p 3000:3000 \ -v resume-data:/app/backend/data \ srbhr/resume-matcher:latest# 然后打开 http://localhost:3000/settings
它不做什么
-
它不是托管网站。你自己运行它，在本地或者 Docker 里。它为单个用户设计。
-
它不会替你投递申请。也不连接招聘网站或雇主的系统。追踪看板只是你自己的记录。
-
它不能预测 ATS 会给你怎样的排名。ATS 检查测试的是文本能否从它自己生成的 PDF 中读回来，评分则是关键词和板块的启发式计算。它们都不模拟任何雇主的软件。
-
它不会凭空写简历。它基于你上传的简历，或你在向导里的回答。
-
它读不了扫描版 PDF。文件需要有文本层。
-
它只导出 PDF。Word 文件只能作为输入，不能作为输出。
定制下一份。
后端、前端、SRE 还是机器学习：粘贴你想投的下一个职位，投出一份与它技术栈对口的简历。免费开源，在你自己的电脑上运行。