从零搭建 AI 简历生成系统——Prompt Engineering × LLM 实战

为什么做这个项目

写简历大概是每个求职者都逃不掉的事。你有没有这种感觉——明明做了很多事，落到纸上就是"负责 XX 工作"八个字，干巴巴的。HR 看 5 秒就扔一边了。

恰逢机器学习课程要求交一个大作业😀，我就想：能不能让 LLM 来帮我写简历？ 不是简单地把文字丢给 ChatGPT 那种，而是做一个真正能引导用户填写信息 → AI 分模块优化 → 多模板渲染输出的完整系统。

最终效果

🔗 在线体验：airesume.sodadengsl.cn
📦 GitHub：github.com/SodaDehors/AI-resume-generation

核心功能

• 🤖 AI 智能生成：利用 LLM 对简历的 5 个模块分别优化——专业摘要、工作经历（STAR 法则量化改写）、技能分类整理、项目描述优化、自我评价润色
• 🎨 3 套精美模板：经典双栏 / 现代卡片 / 极简 ATS 优化，支持 AJAX 即时切换
• 📄 PDF 导出：WeasyPrint + 浏览器打印双方案
• 🔌 多 AI 引擎：支持 Claude / OpenAI / DeepSeek，Provider 无关接口设计
• 🚫 无 API Key 也能用：内置规则引擎 Fallback，中文关键词检测 + 模板生成
• 📝 6 步向导式表单：分步填写，数据实时保存，支持取消生成

技术架构

┌──────────────┐     ┌──────────────┐     ┌─────────────┐
│  用户浏览器    │────▶│  Nginx :80   │────▶│  Gunicorn   │
│              │◀────│              │◀────│  :8000      │
└──────────────┘     └──────────────┘     └──────┬──────┘
                                                  │
                    ┌─────────────────────────────┼─────────────────────────────┐
                    │                     Flask App                            │
                    │  ┌───────────┐  ┌───────────┐  ┌───────────────────┐    │
                    │  │ AI Service │  │  Resume    │  │  PDF Generator   │    │
                    │  │  Layer     │  │  Generator │  │  (WeasyPrint)    │    │
                    │  └─────┬─────┘  └───────────┘  └───────────────────┘    │
                    │        │                                                  │
                    │  ┌─────┴──────────────────────────┐                      │
                    │  │ Claude │ OpenAI │ DeepSeek │ FB │  ← Provider 抽象    │
                    │  └─────────────────────────────────┘                      │
                    └──────────────────────────────────────────────────────────┘

后端：Python Flask + Flask-Session（服务端 Session） + Gunicorn
前端：原生 HTML/CSS/JS + Jinja2 模板，零框架依赖
AI 引擎：Anthropic Claude / OpenAI GPT / DeepSeek（OpenAI 兼容协议）
部署：阿里云轻量 2C2G + Nginx 反向代理

有意思的技术点

5 组专项 Prompt

AI 写得好的前提是 Prompt 设计到位。我把系统提示词拆成了 5 个专项 Sub-Prompt，每个针对不同简历模块做了温度调优：

关键是在 System Prompt 里植入了角色设定：

你是一位资深职业简历撰写专家，拥有10年以上HR和猎头经验。
你精通ATS优化，擅长将普通工作描述转化为量化的成就有力陈述。
所有输出必须是有效的JSON格式。

这比简单说"帮我写简历"效果好太多了——LLM 会自己代入 HR 的视角来写。

鲁棒的 JSON 解析

LLM 输出 JSON 有时候不老实——换行、加注释、套 markdown 代码块、尾随逗号……各种幺蛾子。写了一个 extract_json() 函数多层兜底：

def extract_json(text: str) -> dict:
    # 1. 直接解析
    # 2. 提取 ```json ... ``` 中的内容
    # 3. 提取第一个 { 到最后一个 } 之间的子串
    # 4. 修复常见问题：尾随逗号、数组尾随逗号
    # 5. 全失败返回 {}

Provider 抽象

接口设计层面，所有 LLM 客户端实现同一个抽象基类：

class BaseLLMClient(ABC):
    def generate(self, system_prompt, user_prompt,
                 temperature=0.4, max_tokens=2000) -> str: ...
    def is_available(self) -> bool: ...

DeepSeek 用 OpenAI 兼容协议，所以 DeepSeekClient 直接复用 OpenAI SDK，只改 base_url：

class DeepSeekClient(BaseLLMClient):
    BASE_URL = 'https://api.deepseek.com'
    def _get_client(self):
        return OpenAI(api_key=self.api_key, base_url=self.BASE_URL)

这种设计让切换 AI 引擎只需改一行配置，不需要动业务代码。

规则引擎 Fallback 作为 Baseline

为了体现 ML 方法的价值，系统内置了一个不依赖 LLM 的纯规则引擎。比如技能分类：

# 用关键词匹配做分类
if any(kw in skill_name for kw in ['Python', 'React', 'Docker']):
    tech_skills.append(skill)
elif any(kw in skill_name for kw in ['英语', '日语']):
    lang_skills.append(skill)

这个 Fallback 的效果虽然远不如 LLM，但有两个意义：一是保证了「无 API Key 也能用」的体验底线，二是作为非 ML 基准，直观展示 LLM 提升的价值。

部署踩坑记录

部署到阿里云轻量服务器 2 核 2G 时遇到不少问题。

怎么塞进已经跑着 2 个项目的小机器

服务器上本来有 Halo 博客（Java, ~430MB）和 weekend-planner 后台（Java, ~280MB），加上宝塔面板，1.6G 内存只剩 274MB 可用。

解决方案：

1. 把 weekend-planner 的 JVM 堆上限从 -Xmx1024M 降到 -Xmx384M，释放 ~150MB
2. Gunicorn 从 2 worker 降到 1 worker + 2 threads，省 60MB
3. 跳过 WeasyPrint 的 GTK3 依赖（300MB+ 磁盘），PDF 导出用浏览器打印兜底

最终 Flask 应用只占 ~80MB，整机可用内存维持在 400MB 左右。

Flask-Session 不生效导致 Cookie 溢出

生成后跳转失败是一个隐蔽的 bug：Flask 默认用 Cookie 存 session，4KB 上限。AI 生成的大段简历文字直接把 cookie 撑爆了。配置里写了 SESSION_TYPE = 'filesystem' 但 app.py 忘了初始化 Session(app)。

# 少写了这一行！
from flask_session import Session
Session(app)  # 这句话救了命

@property 在 Flask Config 上是坑

ProductionConfig.SESSION_FILE_DIR 用了 @property，cachelib 拿到的是 property 对象而不是字符串，直接报 TypeError。改成 os.getenv 计算出的普通字符串就好了。

总结与后续计划

这个项目从 Prompt 设计、LLM 调用、前端交互到生产部署全栈独立完成。收获最大的是——

1. Prompt Engineering 不是玄学：角色设定 + 结构化约束 + 温度调优的组合拳行之有效
2. 生产部署要考虑的远比开发多：内存优化、Session 存储、防火墙、反向代理超时……
3. 小机器也能跑多个服务：1.6G 内存跑 3 个项目靠的是精细的资源配置

后续打算做的事：

• 生成改为异步 + 前端轮询进度（现在有进度条），支持取消
• 多条工作经历并行调用 LLM，生成速度翻倍
• 加 Token 消耗统计，让用户了解每次生成花了多少钱
• 单元测试覆盖核心模块

📦 项目开源在 GitHub，欢迎 Star ⭐
🖥 在线地址：airesume.sodadengsl.cn

如果你也想为期末作业做一个 LLM 应用，欢迎参考代码结构和 Prompt 设计。