16｜写简历：如何让AI自动拿到我们的简历，并浓缩成精华
邢云阳
你好，我是邢云阳。
在上节课，我们用把大模型当人看的思想，将找工作过程中最核心的两个步骤，也就是根据关键词搜索岗位以及根据简历和岗位列表匹配出合适岗位封装成了 MCP Tools，供 MCP Server 调用，最后配合 Claude Desktop 完成了求职助手的功能。
这节课我们继续做优化，让求职助手变得更加好用。
简历内容对求职结果的影响
在之前的测试中，我们使用了一份非常简单的简历做了测试，prompt 如下：
对于这样的简历，DeepSeek-R1 给出的求职建议中，多次提到需要补充某某项目经验等等。这说明什么呢？说明我们给出的简历太简单了，如果你是一个 HR，看到了这样一份简历，估计直接就 Paas 掉了。所以很有可能，上节课我们匹配到的岗位也是不完全准确的。
接下来，我们就用一份完整的简历，再测试一遍，看看效果。这次我们提供给 DeepSeek-R1 的简历内容和格式如下：
可以看到相比之前的简历，增加了项目经历、技能等信息。
那有了简历后，就需要解决如何让 AI 拿到我们的简历的问题。一般的常见做法是文件对话，也就是我们在对话窗口，将文件进行上传，然后就可以基于该文件与大模型做对话了。比如以 DeepSeek 网页版为例：
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
1. 优化简历内容对求职结果的影响，提出简历过于简单可能导致匹配岗位不准确的问题，需要完善简历内容以提高匹配准确度。 2. 实现让 AI 自动读取本地简历文件，通过编写读取 word 工具，利用 python-docx 包实现读取 docx 文件，并在 MCP Tools 中添加简历类，实现自动读取简历内容。 3. 浓缩简历，强调根据需求选择不同小标题内容进行浓缩，使用 RAG 技术进行检索增强生成，避免文本过长导致超出大模型的上下文限制，需要对文本进行切割并进行向量化存储到向量数据库中. 4. 使用 Qdrant 向量数据库和 LangChain 实现简历文本的拆分和向量化存储，以及对话过程中的问题回答。 5. 学习 MCP Tools 的编写和 RAG 知识，并利用 RAG 实现了对简历的分段总结。 6. 总结 MCP 工具的使用体验和思考 MCP 在业界标准化的可能性。 7. 提出思考题，鼓励读者思考如何编写和集成浓缩简历的代码，并欢迎留言区展示思考结果。
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《DeepSeek 应用开发实战》，新⼈⾸单¥59
《DeepSeek 应用开发实战》，新⼈⾸单¥59
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论