一位应届毕业生因求职过程中的重复填表和AI简历“一本正经胡说八道”的痛点，开发了一款本地优先的开源AI求职助手。该项目名为“resume_jobs_quick_apply”，旨在解决国内招聘网站重复劳动及海外ATS（如Greenhouse、Lever）申请表繁琐的问题。该工具的核心特色在于“防幻觉”机制，开发者并未单纯依赖Prompt约束，而是构建了一套确定性校验流程：将AI生成的简历逐句拆解，提取数字、专有名词等关键信息，强制与用户已确认的本地资料进行溯源匹配。若出现无法验证的信息，系统将直接回退至确定性模板，确保简历内容完全基于事实。在功能上，该工具支持全网抓取岗位、提供可解释的五维匹配度分析，并能针对不同岗位定制简历。值得注意的是，其填表功能主要针对海外ATS平台，对国内平台仅支持读取已打开的岗位列表，不代替登录或投递。架构方面，项目基于纯Node.js开发，无构建步骤，数据完全本地存储，支持接入LM Studio或Ollama等本地大模型。项目已在GitHub开源，包含460条离线测试用例，并支持完全合成的离线演示。
事件分析
该项目体现了当前AI应用开发的几个重要趋势。首先是“本地优先”与隐私计算的崛起，用户对数据掌控权的重视使得离线运行、本地模型部署成为开发者的首选路径，这也契合了LM Studio、Ollama等工具的流行背景。其次，该项目针对大模型“幻觉”问题的工程化解决方案值得关注。通过引入溯源匹配和确定性回退机制，将Prompt工程提升到了程序化校验的高度，为解决AI生成内容的不确定性提供了实践参考。此外，项目针对ATS系统的自动化交互，展示了AI Agent在RPA（机器人流程自动化）场景中的潜力。尽管目前Workday等复杂系统仍有兼容限制，但此类开源工具的出现，降低了求职者利用技术手段优化工作流的门槛，也反映了AI工具从“生成”向“可控执行”演进的技术方向。
核心观点：通过程序化校验根治AI幻觉，该开源项目展示了本地优先Agent在垂直场景的工程化落地潜力。
原文链接：V2EX 分享发现
