基于 LangGraph 的多智能体简历优化系统（一）：架构总览与技术选型

基于 LangGraph 的多智能体简历优化系统（一）：架构总览与技术选型

系列文章之一。本文介绍项目背景、技术选型决策、整体架构设计和 13 个智能体的全景概览。

0. 项目背景

求职季，简历是第一步。但大多数人的简历存在这些问题：

• 项目描述空洞：“负责后端开发”、“参与系统优化”——读完不知道具体做了什么
• 缺乏量化数据：没有数字支撑，说服力为零
• STAR 结构不清晰：背景、任务、行动、结果混在一起，HR 30 秒扫完就划走了
• 技术栈堆砌无重点：Java、Spring、MySQL、Redis 全写上，但不知道你在哪个环节用了什么

我做了「悟简 AI 求职助手」——一个基于 LangGraph 多智能体架构的简历优化系统。

它不是简单地用 LLM 改写一段话，而是通过 RAG 事实约束引擎 确保"只优化、不编造"，同时覆盖简历优化、模拟面试、岗位匹配、JD 解析等 13 个求职场景。

项目已上线，支持用户注册、会员付费、管理后台，完整全栈可运行。

1. 为什么选 LangGraph？

做 AI 应用，智能体编排框架有很多选择：

LangGraph 的核心优势是 StateGraph——用有向图定义工作流，每个节点接收 State、处理、输出新的 State，节点之间的边可以带条件判断。

这正好符合简历优化的需求：

用户上传简历 → 解析 → 提取结构 → 六维评分 → 风险诊断 → STAR重写 → 事实校验 → 组装输出

每一步都是确定的，不需要 LLM 自己"想"下一步做什么。流程可控、结果可复现。

2. 技术选型

2.1 后端

FastAPI 是必然选择。异步高性能、原生支持 SSE（Server-Sent Events）流式输出、Pydantic 自动校验——和 LangGraph 的生态完美契合。

LLM 调用 用的是 langchain-openai 包，但实际对接的是 DeepSeek 的 OpenAI 兼容接口。原因很简单：DeepSeek 的性价比远高于 GPT-4，而且接口完全兼容，代码不用改。

流式输出 用 SSE（sse-starlette），前端用 EventSource 接收，逐字渲染，用户体验好。

2.2 前端

Vue 3 CDN 模式，零构建。三个 HTML 文件直接部署到 Nginx 或 FastAPI 静态文件服务。

为什么不用 Vite + React？因为这个项目是个人项目 + 上线即部署，没有 CI/CD 流程，没有构建步骤，一个 python -m uvicorn 就能跑起来。Vue 3 的 CDN 版本（vue.global.prod.js）足够用，响应式、组件化、事件绑定都没问题。

三个页面各司其职：

2.3 文档处理

PyMuPDF 解析 PDF 简历——提取文本、表格、段落结构。
python-docx 生成优化后的 DOCX 文件——用模板引擎填充内容，保留原始排版。

2.4 检索与持久化

BM25 本地检索：不需要向量数据库，用 TF-IDF 变体 BM25 做关键词检索，轻量且够用。知识库里的 STAR 案例（12 个高质量范例）通过 BM25 检索注入到 Prompt 中，这就是项目的 RAG 部分。

JSON 文件持久化：用户数据、订单、邀请码、验证码全部存 JSON 文件。不需要 PostgreSQL / MySQL，单文件存储，部署简单。当然生产环境建议迁移到关系型数据库，但作为个人项目+小流量，JSON 完全够用。

3. 整体架构

3.1 系统架构图

┌─────────────────────────────────────────────────────────────┐
│ 前端 (Vue 3) │
│ marketing.html index.html admin.html │
└──────────────────────┬──────────────────────────────────────┘
│ HTTP / SSE
▼
┌─────────────────────────────────────────────────────────────┐
│ FastAPI 后端 (main.py) │
│ CORS · 认证中间件 · 路由分发 · 静态文件服务 │
└──────────────────────┬──────────────────────────────────────┘
│
┌──────────────┼──────────────┐
▼ ▼ ▼
┌──────────────┐ ┌──────────┐ ┌──────────────┐
│ API 路由层 │ │ 智能体层 │ │ 基础设施层 │
│ 20 个模块 │ │ 13 个 │ │ LLM/检索/ │
│ /api/v1/* │ │ Agent │ │ 导出/通知 │
└──────┬───────┘ └────┬─────┘ └──────┬───────┘
│ │ │
▼ ▼ ▼
┌─────────────────────────────────────────────────────────────┐
│ 数据层 (JSON 文件) │
│ users.json · orders.json · invite_codes.json · … │
└─────────────────────────────────────────────────────────────┘

3.2 项目目录结构

resume-star-optimizer/
├── backend/
│ ├── main.py # FastAPI 入口
│ ├── config.py # 配置中心 (pydantic-settings)
│ ├── agents/ # 13 个 LangGraph 智能体
│ │ ├── resume_optimizer/ # 简历优化（核心，8节点）
│ │ ├── resume_builder/ # 简历生成（3节点）
│ │ ├── job_match/ # 岗位匹配
│ │ ├── mock_interview/ # 模拟面试
│ │ ├── cover_letter/ # 求职信生成
│ │ ├── jd_parser/ # JD 解析
│ │ ├── offer_compare/ # Offer 对比
│ │ ├── resume_version/ # 版本管理
│ │ ├── application_helper/ # 网申助手
│ │ ├── written_test/ # 笔试辅助
│ │ ├── application_tracker/ # 投递看板
│ │ ├── kb_quiz/ # 知识库出题
│ │ └── interview_review/ # 面试复盘
│ ├── api/
│ │ ├── router.py # 路由聚合
│ │ └── v1/ # 20 个 API 模块
│ ├── core/ # 基础设施（~22 个模块）
│ │ ├── llm_factory.py # LLM 工厂
│ │ ├── fact_constraint.py # 事实约束引擎（核心创新）
│ │ ├── retriever.py # BM25 检索
│ │ ├── docx_export.py # DOCX 导出
│ │ ├── docx_template_engine.py # DOCX 模板引擎
│ │ ├── notify.py # 邮件/短信通知
│ │ ├── auth_store.py # 用户认证存储
│ │ └── …
│ ├── data/ # 静态数据资产
│ │ ├── kb/star_cases.json # 12 个 STAR 案例
│ │ ├── templates/star_templates.json
│ │ ├── templates/action_verbs.json
│ │ └── …
│ └── outputs/ # 运行时数据
│ └── account/ # JSON 数据库
├── frontend/ # Vue 3 前端
│ ├── marketing.html # 首页
│ ├── index.html # 工具箱
│ ├── admin.html # 管理后台
│ └── vendor/vue.global.prod.js
└── requirements.txt

3.3 智能体统一结构

每个智能体遵循一致的文件结构：

这种结构的好处：

4. 13 个智能体全景

其中简历优化是核心中的核心，占了整个系统 60% 的代码量和 Prompt 工程量。后续系列文章会重点拆解这个智能体的实现细节。

5. 数据流总览

不管哪个智能体，数据流都遵循一个模式：

用户请求 (HTTP)
→ API 路由层 (参数校验)
→ 智能体层 (LangGraph 流水线)
→ LLM 调用 (DeepSeek)
→ 规则引擎 (可选 fallback)
→ 后处理 (事实校验 / 格式化)
→ 返回结果 (JSON / SSE 流式 / 文件下载)

以简历优化为例的完整数据流：

用户上传 PDF 简历
→ PyMuPDF 解析文本
→ 提取原始事实（数字/技术词/关键词）
→ LangGraph 8 节点流水线
├─ parse_input: 解析输入格式
├─ extract_structured: Markdown + JSON 结构化提取
├─ star_diagnose: 六维评分 + 宏观分析
├─ diagnose_issues: 逐条诊断风险
├─ star_optimize: STAR 重写（结合 RAG 约束）
├─ verify_facts: 事实校验（过滤编造内容）
├─ generate_summary: 生成优化总结
└─ assemble_output: 组装最终简历
→ python-docx 生成 DOCX 文件
→ SSE 流式返回给用户

6. 下一步

本文介绍了项目的整体架构和技术选型。接下来：

• 系列二：深入讲解 RAG 事实约束引擎——这是整个项目最有价值的创新，保证 AI 只优化不编造
• 系列三：拆解 LangGraph 简历优化流水线——8 个节点、六维评分、STAR 重写的详细实现
• 系列四：全栈开发实战——FastAPI + Vue3 的前后端联调、部署上线
• 系列五：踩坑记录与工程实践——生产环境中的各种坑和解决方案

*作者：达不溜记 | 项目地址：https://gitee.com/qinghe-sixteen/multiagentmianshizhu

如果这篇文章对你有帮助，欢迎 Star / 关注 / 转发，你的支持是我持续输出的动力。