- 页面标题：ResumeFit 智能简历定制与求职辅助平台
- 页面内容要点：
- 项目名称
- 技术栈：Vue 3 + FastAPI + SQLite + OpenAI-compatible AI
- 答辩人、课程、日期
- 建议截图：系统首页 Dashboard 的局部背景或 Logo 区域。
- 答辩讲解词：各位老师好，我的项目是 ResumeFit，一个面向个人求职者的智能简历定制 Demo，主要目标是帮助用户基于真实经历生成岗位定制简历，并进行风险检测和面试准备。
- 页面标题：为什么做 ResumeFit
- 页面内容要点：
- 通用简历难以适配不同岗位。
- 手动分析 JD 和调整简历成本较高。
- 直接用 AI 改简历可能导致夸大或编造。
- 建议截图：可以放一段 JD 和通用简历的对比示意。
- 答辩讲解词：求职者通常需要针对不同岗位调整简历，但完全手动修改效率低，直接让 AI 改又可能带来真实性风险，所以我希望做一个既能提高匹配度又能提醒风险的工具。
- 页面标题：用户需求与 MVP 边界
- 页面内容要点：
- 目标用户：实习、校招、转岗和社招求职者。
- 核心需求：录入真实资料、分析 JD、生成匹配报告、生成定制简历、风险检测、面试追问。
- MVP 不做：登录、支付、会员、爬取、PDF/Word 导出、企业后台。
- 建议截图：
PRODUCT_REQUIREMENTS.md中核心流程，或手工流程图。 - 答辩讲解词：这个项目的重点是先完成可演示闭环，因此我把范围控制在个人用户本地 Demo，不做复杂商业化功能。
- 页面标题：完整功能闭环
- 页面内容要点：
- 首页 Dashboard
- 通用简历、项目库、JD 分析
- 匹配报告、定制简历
- 真实性风险检测、面试追问
- Markdown 导出
- 建议截图：首页 Dashboard。
- 答辩讲解词：首页展示了 8 步 Demo 流程，从输入资料到导出 Markdown，基本覆盖了求职简历定制和面试准备的完整链路。
- 页面标题：前后端分离与后端分层
- 页面内容要点：
- 前端：Vue 3、TypeScript、Vite、Vue Router。
- 后端：FastAPI、Pydantic、SQLAlchemy。
- 数据库：SQLite。
- AI：统一
AIClient调用 OpenAI-compatible API。 - 后端分层：route、schema、service、repository、model。
- 建议截图：项目目录结构或架构图。
- 答辩讲解词：后端没有把逻辑堆在 main.py 中，而是按职责分层；AI 调用也集中在 service 和 AIClient 层，便于维护和扩展。
- 页面标题：核心数据模型
- 页面内容要点：
- 原始资料：ResumeProfile、Project、JobDescription。
- AI 结果：JobAnalysis、MatchReport、ResumeVersion、TruthCheckResult、InterviewQuestionResult。
- 原始资料和 AI 生成结果分开保存。
- AI 原始 JSON 保留，便于调试和审计。
- 建议截图：
DATABASE_SCHEMA.md、SQLite 表结构或数据库工具截图。 - 答辩讲解词：数据库设计强调可追溯性，比如一个定制简历版本可以关联原始简历、JD 和匹配报告，方便后续查看生成依据。
- 页面标题：OpenAI-compatible AI Service
- 页面内容要点：
- 默认 DeepSeek，但通过环境变量配置。
- 使用统一
AIClient，不在业务模块直接调用供应商。 - Prompt 放在
prompts/目录。 - 输出稳定 JSON，便于后端解析和保存。
- 明确真实性约束。
- 建议截图：
prompts/目录和某个 Prompt 的 JSON 输出要求。 - 答辩讲解词：AI 部分重点不是单纯调用模型，而是通过 Prompt 约束输出格式和真实性边界，保证后端可以稳定解析。
- 页面标题：从岗位 JD 到匹配度报告
- 页面内容要点：
- 输入公司、岗位和 JD 原文。
- AI 提取必备技能、加分技能、职责和关键词。
- 选择简历和项目生成匹配报告。
- 输出分数、优势、不足、缺失关键词和建议。
- 建议截图：JD 分析页面 + 匹配度报告页面。
- 答辩讲解词：这一部分解决的是“看懂岗位”和“知道自己差在哪里”的问题，为后面的定制简历生成提供依据。
- 页面标题：生成简历并控制真实性风险
- 页面内容要点：
- 选择匹配报告生成 Markdown 简历。
- 输出修改原因。
- 检测夸大、缺证据、不确定表达等风险。
- 给出更稳妥改法。
- 建议截图：定制简历生成结果 + 真实性风险检测结果。
- 答辩讲解词：这个模块体现了项目和普通 AI 改简历的区别：系统不仅生成内容，还会检查内容是否有真实性风险。
- 页面标题：从简历版本到面试准备和导出
- 页面内容要点：
- 根据简历版本生成面试追问。
- 每个问题包含原因、关联内容、建议回答和风险提醒。
- 支持复制 Markdown 和导出
.md文件。
- 建议截图：面试追问预测结果 + Markdown 导出按钮或导出文件。
- 答辩讲解词：面试追问模块帮助用户提前准备可能被问到的问题，Markdown 导出则让生成结果可以离开系统继续使用。
- 页面标题：测试验证
- 页面内容要点：
- 后端 pytest 通过。
- 前端
npm run build通过。 - AI 测试使用 mock，避免依赖真实外部服务。
- FastAPI docs 可访问。
- 建议截图：pytest 通过截图、npm build 通过截图、FastAPI docs 截图。
- 答辩讲解词：我通过后端自动测试和前端构建验证了项目的主要功能和基础质量，其中 AI 相关测试采用 mock，保证测试稳定。
- 页面标题：总结与后续改进
- 页面内容要点：
- 已完成完整 Demo 闭环。
- 架构清晰，AI 可替换，Prompt 可维护。
- 注重真实性和可解释性。
- 后续可扩展登录、PostgreSQL、PDF/Word 导出、多模型切换、模板系统。
- 建议截图：首页 Dashboard 或完整流程图。
- 答辩讲解词：ResumeFit 当前完成了一个可演示的智能简历定制系统。后续如果继续完善，可以从用户体系、导出格式、模板和云端部署等方向扩展。