Resume Copilot：一个用 Spring AI 打造的开源 AI 简历优化工作台

前言

如果你最近正在找工作，或者正在学习如何把大模型能力真正落到业务系统里，那我想推荐一个很适合上手研究的开源项目：Resume Copilot。

项目地址：https://github.com/xiaonige/resume-copilot

它不是一个“套壳聊天页”，而是一个围绕真实求职流程设计的 AI 简历优化工作台：从零生成简历、润色已有简历、分析岗位 JD 匹配度、保存不同版本、导出 Markdown / DOCX，再到模拟面试练习，基本覆盖了求职者从“我该怎么写”到“我该怎么答”的完整链路。

更重要的是，这个项目的底线非常清晰：优化表达，不编造经历。这句话看起来朴素，但对于 AI 简历工具来说，简直就是安全带。毕竟简历可以润色，人生不能 Ctrl+C / Ctrl+V。

一、Resume Copilot 是什么

Resume Copilot 是一个基于 Spring Boot 4.1.0 + Spring AI 2.0.0 构建的开源 AI 简历优化项目，技术栈以 Java 21 为核心，搭配 WebFlux、Spring Data JDBC、H2、Apache Tika、Apache POI，以及原生 HTML / CSS / JavaScript 前端。

它的目标不是做一个花哨的 Demo，而是把“AI + 简历”这件事拆成多个可落地的业务能力：

从零生成一份结构完整的简历
对已有简历进行专业润色
上传 txt、md、pdf、docx 文件并提取文本
根据岗位 JD 做匹配度分析
输出评分、关键词覆盖、优势、风险和修改建议
支持 SSE 流式输出，让报告和优化后简历边生成边展示
支持简历源码 / 预览双视图
支持上传照片并适配预览、打印、Markdown、DOCX 导出
提供 H2 + Spring Data JDBC 的简历版本库
把 Prompt 抽离到资源文件，便于维护和迭代
内置轻量简历知识库检索，增强生成、润色和 JD 匹配效果
支持模拟面试题生成，以及对回答进行反馈、追问和参考表达

一句话总结：这是一个面向求职场景的 AI 应用样板间，门牌号叫“简历优化”，里面住着 Spring AI、RAG 思路、流式交互、文件解析、文档导出、版本管理和 Prompt 工程。

二、为什么这个项目值得推荐

2.1 场景真实，不是为了 AI 而 AI

很多 AI Demo 的问题是：页面很好看，功能很玄学，落地时两眼一黑。

Resume Copilot 的优势在于，它选择了一个非常具体的场景：求职简历优化。这个场景天然适合 AI，但又不能完全放飞 AI：

简历需要表达更专业，但不能虚构经历
JD 匹配需要提炼关键词，但不能乱贴标签
面试题需要贴近候选人背景，但不能编不存在的项目
导出结果需要可复制、可打印、可投递，而不是只停留在聊天窗口

所以项目里一直强调“真实经历约束”：只调整表达角度、关键词、结构顺序和成果呈现方式，不编造公司、学校、学历、年限、项目、技术栈和具体业绩数字。

这点非常关键。真正可用的 AI 应用，往往不是“让模型无限自由发挥”，而是把模型关进一个设计良好的业务笼子里——让它跑得快，但别跑偏。

2.2 功能链路完整，能看到产品化思路

从 README 和代码结构看，这个项目已经不只是单接口调用。它有比较完整的产品链路：

用户可以输入岗位、技能、教育、工作和项目经历，从零生成简历。
用户可以粘贴或上传简历文件，系统提取文本后进行润色。
用户可以输入岗位 JD，系统输出匹配度分析和优化建议。
系统支持流式生成，让前端实时展示分析过程和优化后简历。
用户可以保存简历、JD 和不同版本，形成自己的简历版本库。
用户可以导出 Markdown、DOCX，或者通过浏览器打印 PDF。
用户可以基于简历和 JD 生成模拟面试题，并对回答获得反馈。

这个链路很有参考价值：它不是“调用一次模型，返回一段文本”这么简单，而是在做一个真正能被用户反复使用的工作台。

2.3 技术栈适合 Java 开发者学习 Spring AI

项目后端使用 Java 21，核心依赖包括：

Spring Boot 4.1.0
Spring AI 2.0.0
Spring WebFlux
Spring Data JDBC
H2 Database
Apache Tika
Apache POI

对于 Java 开发者来说，这个项目非常适合作为 Spring AI 的实践入口。因为它不仅有普通聊天接口，还有更贴近业务的生成、润色、结构化 JSON 输出、SSE 流式输出、文件上传解析、文档导出和持久化。

换句话说，它不是只告诉你“Spring AI 可以聊天”，而是展示了“Spring AI 如何进入一个具体业务系统”。这就比单纯的 Hello World 香多了，属于“拿来就能拆，拆完还能装回去”的类型。

三、核心功能拆解

3.1 AI 简历生成

用户可以输入目标岗位、工作年限、技能、教育经历、工作经历、项目经历和额外要求，系统生成一份完整简历。

项目的 Prompt 约束里明确要求：如果信息不足，不能虚构经历，而是使用“待补充”或“请确认”的方式提醒用户补齐。这种设计特别适合真实工具，因为真实用户经常不会一次性输入完整信息，系统需要既能产出内容，又能指出缺口。

3.2 简历润色与文件上传

项目支持直接粘贴简历文本，也支持上传 txt、md、pdf、docx 文件。后端通过 Apache Tika 等工具提取文本，再交给模型润色。

这一步看似普通，但它让工具从“玩具”变成了“能接住真实用户文件”的应用。毕竟大多数人不会把简历手动复制成完美的纯文本格式，上传文件才是更自然的入口。

润色逻辑同样强调真实性：可以改善结构、措辞、关键词匹配度和成果表达，但不能添加用户没提供的事实。

3.3 JD 匹配分析

JD 匹配是这个项目很有亮点的部分。系统可以根据原始简历和岗位描述输出：

匹配评分
匹配摘要
已覆盖关键词
缺失关键词
简历优势
潜在风险
修改建议
需要用户确认或补充的信息
面向 JD 的优化版简历

更进一步，项目还做了流式 JD 匹配协议：先返回评分、摘要、关键词、风险和建议，再流式生成优化后简历。这样前端体验会更像一个真正的 AI 工作台，而不是用户点一下按钮后开始盯着菊花图沉思人生。

3.4 简历版本库

Resume Copilot 使用 H2 + Spring Data JDBC 实现了简历版本库，支持保存、载入和删除历史版本。同时也支持保存岗位 JD。

这对于求职场景非常实用。因为同一个人投不同岗位，简历表达通常需要微调：投 Java 后端、AI 应用工程师、平台研发、业务中台，关键词和项目重点都可能不同。

没有版本管理，简历很快就会变成：

最终版.docx
最终版2.docx
最终版_真的最终版.docx
最终版_周三晚上_hr说还要改.docx

项目把这件事纳入系统设计里，是很接地气的。

3.5 Markdown、DOCX 和打印导出

项目支持服务端导出 Markdown 和 DOCX，并保留浏览器打印 PDF 的能力。DOCX 通过 Apache POI 渲染 Markdown 内容，文件名也会带上目标岗位和日期，便于管理。

这点很重要，因为 AI 生成结果如果只能停留在网页里，使用链路就断了。能导出、能打印、能投递，才算真正闭环。

3.6 模拟面试

项目还提供了模拟面试模块：可以基于简历和 JD 生成面试题，也可以对候选人的回答进行点评，给出亮点、改进建议、追问和参考表达。

这让 Resume Copilot 从“简历写作工具”扩展到了“求职准备工具”。简历负责帮你拿到面试机会，模拟面试负责帮你别在面试里被 HashMap 扰动得像链表一样慌乱。

四、代码结构值得学习的地方

项目结构比较清晰，后端按业务模块拆分：

src/main/java/com/xiaonige/resumecopilot
  chat/        AI 对话接口
  resume/      简历生成、润色、JD 匹配、导出
  interview/   模拟面试
  library/     简历版本库
  prompt/      Prompt 模板加载
  knowledge/   轻量简历知识库
src/main/resources/prompts
  *.md         可维护 Prompt 模板
src/main/resources/static
  index.html  前端页面
  app.js      主交互逻辑
  library.js  版本库抽屉逻辑
  styles.css  页面样式

我比较喜欢其中三个设计点。

4.1 Prompt 模板外置

项目把简历生成、简历润色、JD 匹配、模拟面试等 Prompt 放到了 src/main/resources/prompts/ 目录下，而不是硬编码在 Java 业务代码里。

这会带来几个好处：

Prompt 可以像配置和文案一样单独维护
业务逻辑和提示词逻辑不会缠成一团
后续做 A/B 测试或版本迭代更方便
单元测试可以覆盖模板加载和变量替换

对于 AI 应用来说，Prompt 不是临时字符串，而是业务资产。外置模板就是把这份资产从代码汤里捞出来，洗干净，装盘。

4.2 结构化输出与解析兜底

JD 匹配和面试反馈这类能力，需要模型输出 JSON。项目在 Prompt 中约束 JSON 字段，并在服务端做解析。如果解析失败，会返回兜底信息，提示用户重试或缩短输入。

这是 AI 工程里非常现实的一环：模型不是数据库，不保证永远按格式吐字。系统必须接受“模型偶尔调皮”的事实，然后设计兜底策略。

4.3 轻量知识库增强

项目内置了轻量简历知识库检索，把常见岗位能力、表达规则和面试评价标准等片段注入 Prompt，增强生成、润色和 JD 匹配质量。

虽然当前是轻量版本，但方向是对的：先用简单规则片段把场景跑通，再逐步升级到向量库、Embedding、pgvector 或更完整的 RAG 架构。这样迭代风险更小，也更适合个人项目和教学项目。

五、如何快速运行

准备 JDK 21 和 Maven 后，可以直接克隆项目：

git clone https://github.com/xiaonige/resume-copilot.git
cd resume-copilot

配置 OpenAI 兼容接口环境变量：

export OPENAI_API_KEY="***"
export OPENAI_BASE_URL="https://api.openai.com"
export OPENAI_MODEL="gpt-4o-mini"

如果使用 DeepSeek、代理网关或私有 OpenAI 兼容服务，只需要替换 OPENAI_BASE_URL 和 OPENAI_MODEL。

启动应用：

mvn spring-boot:run

打开页面：

http://localhost:8080/

运行测试：

mvn test

项目默认使用 H2 文件数据库，数据写入本地 ./data 目录，适合本地练习和快速体验。

六、适合谁学习和使用

我觉得 Resume Copilot 特别适合以下几类人：

6.1 正在学习 Spring AI 的 Java 开发者

如果你已经会 Spring Boot，但还不知道 Spring AI 在真实业务里怎么组织代码，可以把这个项目当成练习样板。

它覆盖了模型调用、流式输出、Prompt 模板化、结构化输出解析、文件上传、文档导出和本地持久化，比单接口 Demo 更有学习价值。

6.2 想做 AI 应用作品集的同学

这个项目的场景很容易讲清楚：帮助求职者优化简历和准备面试。功能也容易演示：上传简历、粘贴 JD、生成分析、导出文档、模拟面试。

如果你想做一个能放进作品集的 AI 项目，Resume Copilot 是一个很好的参考方向。它不只是技术炫技，而是有明确用户、明确问题和明确交付物。

6.3 正在准备求职的人

如果你正在投简历，它也可以作为本地工具使用。尤其是 JD 匹配分析和模拟面试模块，可以帮助你发现简历里的表达短板，以及面试回答中需要补强的点。

当然，工具再好也只是副驾驶。真实经历、项目理解和面试表达，最终还是要靠自己打磨。AI 可以帮你把话说清楚，但不能替你把项目做过。

七、后续可以继续增强的方向

项目 README 里也列了一些 Roadmap，我个人比较期待这些方向：

服务端 PDF 导出，让投递链路更完整
PostgreSQL + pgvector，引入更完整的 RAG 知识库
模拟面试支持多轮会话和历史记录
简历、JD、面试任务形成统一工作流
Docker Compose 一键启动，降低部署门槛
DOCX 模板化，让不同岗位和不同风格的简历更容易定制

这些方向都很实用，也适合继续练手。尤其是 RAG 和多轮面试，如果做好了，项目会从“简历生成工具”进一步升级成“个人求职训练系统”。

八、项目亮点总结

最后用几句话总结一下 Resume Copilot：

场景具体：聚焦简历优化、JD 匹配和模拟面试，不泛泛而谈。
技术扎实：基于 Spring Boot 4.1.0、Spring AI 2.0.0 和 Java 21。
链路完整：生成、润色、分析、保存、导出、面试练习都有覆盖。
工程味足：Prompt 模板化、结构化输出、流式协议、文件解析、版本库都有体现。
价值观正确：优化表达，不编造经历，这是 AI 简历工具最该守住的边界。

如果你想学习 Spring AI 实战，或者想参考一个“AI + 垂直业务场景”的开源项目，我推荐你看看 Resume Copilot。

项目地址再放一次：https://github.com/xiaonige/resume-copilot

欢迎 Star、Fork，也欢迎一起改进。毕竟找工作已经够难了，简历工具就别再给人添堵了。让 AI 做副驾驶，人类负责把方向盘握稳。