还在逐字比对 JD 改简历用 Resume-Matcher 在本地跑一套 AI 简历匹配【免费下载链接】Resume-MatcherThe #1 AI Harness for Building Resumes, PDFs, Cover Letters more, locally with 100 LLMs support.项目地址: https://gitcode.com/GitHub_Trending/re/Resume-Matcher投十份岗位改十遍简历最累的不是改内容而是对着 JD 逐词找差距——缺了哪些词、哪些经历该前置、分数到底多少全靠肉眼。Resume-Matcher 把这套简历匹配流程搬到了本地上传一份母版简历贴一个职位描述JD它负责生成定制版并给出量化匹配度评分数据不出机器。先看它解决哪三类投递问题第一类是投递前的命中率自查。把目标岗位的 JD 贴进去它会给出一个量化评分外加一份缺失关键词列表比感觉还行这种自我安慰有用得多。第二类是一岗一版简历。母版简历里塞满了各种经历但每份岗位只需要其中一小部分。Resume-Matcher 会挑出相关的经历重新组织而不是让你在 Word 里来回复制粘贴删减。第三类是收尾工作。生成附信、按简历内容出结构化面试准备问题最后从几个排版模板里挑一个导出 PDF投递链路一次走完整。从 clone 到本地跑通环境要求三样Python 3.13 以上、Node.js 22 以上、uv 这个 Python 包管理器。第一步克隆仓库git clone https://gitcode.com/GitHub_Trending/re/Resume-Matcher cd Resume-Matcher第二步开两个终端分别起服务。后端在apps/backend下执行uv sync装依赖再uv run app启动前端在apps/frontend下npm install然后npm run dev。浏览器打开 localhost:3000 就能进界面。第三步在设置页选模型提供商。机器性能够强就选 Ollama 跑本地模型全程离线免费否则填个云端 API 密钥也行。配置和密钥都加密存在本地 SQLite 里不会以明文落盘。匹配逻辑是怎么工作的看懂这块你就知道那个分数为什么可信。粘贴 JD 之后流程分三层。第一层是 JD 拆解LLM 把职位描述拆成必备技能和偏好技能两组结构化清单后面所有打分都基于这份清单。第二层是结构化改写它不重写整份简历而是生成一份结构化 diff只允许动摘要、工作经历描述、技能列表这几个字段个人信息被硬性屏蔽而且改写内容必须能在母版简历里找到依据防的是 AI 凭空编经历。第三层是精修从母版里把定制版缺的关键词补进去顺手清理赋能闭环这类 AI 腔套话。最后 ATS 分数由一套纯本地算法算出关键词命中率、技能覆盖率、结构完整度按 55% / 25% / 20% 加权这部分完全不调 LLM所以分数可复现。所有 AI 调用走 apps/backend/app/llm.py 里基于 LiteLLM 的统一路由重试、超时、参数兼容都在那里处理换模型不用动业务代码。按需改造模型、接口和界面如果你想换模型、调温度或推理强度入口在 apps/backend/app/config.py密钥走加密存储不写进明文文件。如果要加自己的接口比如批量导入 JD就在 apps/backend/app/routers/ 下加路由schemas 定义请求结构services 放业务逻辑三层分工很清楚。想改简历排版和导出样式看 apps/frontend/components/resume/每个模板一个 CSS 模块加一个组件界面文案集中在 apps/frontend/messages/六种语言各一个 JSON改完即时生效。适合谁不适合谁适合每周投多个岗位、简历内容复杂需要反复裁剪、又在意数据不出本地的人这套本地 AI 简历匹配流程正好对口。不适合只投一两个岗位的话免费的 ATS 检查工具加手工修改就够了没必要装一整套。它也不是给 HR 批量筛候选人的方案——整个流程是按一份母版简历对多个 JD设计的方向相反。建议先 clone 下来跑通 Ollama 本地模型贴一份真实 JD看看关键词缺失列表和 ATS 分数再决定值不值得留着。【免费下载链接】Resume-MatcherThe #1 AI Harness for Building Resumes, PDFs, Cover Letters more, locally with 100 LLMs support.项目地址: https://gitcode.com/GitHub_Trending/re/Resume-Matcher创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考