基于HarmonyOS的AI简历关键词提取——从对齐到评估的全流程技术实践一、引言在当今竞争激烈的求职市场中一份精心优化的简历是求职者脱颖而出的关键。然而大量求职者面临一个共同的难题如何让自己的简历在成百上千份申请中通过ATSApplicant Tracking System申请人追踪系统的初筛并吸引招聘经理的目光AI简历关键词提取工具应运而生它利用人工智能技术自动分析目标岗位描述JD提取关键技能和资质要求并与求职者简历进行匹配度分析从而提供精准的优化建议。本文以HarmonyOS平台上的AI简历关键词提取应用为实践案例详细阐述从需求对齐、架构设计、任务分解、审批确认、自动化执行到最终评估的全流程技术实践。项目源码位于entry/src/main/ets/apps/AI简历关键词提取/目录下采用ArkTS语言和ArkUI框架进行开发完整展示了HarmonyOS原生AI应用的标准开发范式。本博客将深入探讨以下核心内容对齐阶段如何将模糊的做一个简历关键词提取工具转化为精确的需求规格和验收标准架构阶段如何设计三层MVVM架构定义清晰的模块职责和接口契约原子化阶段如何将开发任务分解为7个可独立执行的原子任务审批阶段如何建立质量门控机制确保每个阶段的产出物符合预期自动化执行阶段如何通过标准化代码模板和规范化流程高效完成代码实现评估阶段如何系统化评估项目成果总结经验教训规划未来方向二、对齐阶段Align对齐阶段的目标是将模糊的需求转化为精确的规范。这是整个开发流程的基石任何在此阶段被忽略的细节都会在后续阶段被放大导致返工和质量下降。对齐阶段的核心在于三对齐与项目上下文对齐、与用户需求对齐、与技术规范对齐。2.1 项目上下文分析2.1.1 项目整体架构分析在开始开发之前我们首先对现有项目结构进行了全面分析。本项目是一个HarmonyOS AI应用聚合平台包含多个 AI 应用覆盖健康生活、工作效率、创意娱乐、学习成长、职业发展五大分类。整体结构如下MyApplication/ ├── entry/ │ ├── src/main/ │ │ ├── ets/ │ │ │ ├── pages/ │ │ │ │ └── Index.ets # 主入口页面应用列表 │ │ │ ├── apps/ │ │ │ │ ├── AI简历关键词提取/ # 当前目标应用 │ │ │ │ │ ├── AI简历关键词提取Model.ets │ │ │ │ │ ├── AI简历关键词提取Service.ets │ │ │ │ │ ├── AI简历关键词提取Page.ets │ │ │ │ │ └── BLOG_AI简历关键词提取.md │ │ │ │ ├── AI简历诊断/ │ │ │ │ ├── AI面试模拟/ │ │ │ │ └── ... (共多个 AI 应用) │ │ │ ├── entryability/ │ │ │ │ └── EntryAbility.ets # Ability生命周期管理 │ │ ├── resources/ │ │ │ ├── base/profile/ │ │ │ │ └── main_pages.json # 页面路由配置 │ │ │ └── rawfile/apps/ │ │ │ └── apps.json # 应用元信息配置 │ │ └── module.json5 # 模块配置 │ └── oh-package.json5 # 依赖管理通过分析项目结构我们可以发现以下关键设计模式1. 插件化应用架构主应用Index.ets通过读取apps.json配置文件动态渲染应用网格每个子应用作为一个独立的页面模块注册在main_pages.json中。这种插件化架构具有以下优势新增应用无需修改主应用代码各应用之间完全解耦可以独立开发和测试支持动态加载减少首屏加载时间2. 标准化目录结构每个AI应用统一使用以下目录和文件命名规范apps/{应用名称}/ ├── {应用名称}Model.ets ├── {应用名称}Service.ets └── {应用名称}Page.ets这种标准化的目录结构大大降低了开发者的认知负担使得开发者可以在不同应用之间快速切换。3. 统一的路由注册机制路由注册分为两步首先在main_pages.json中注册页面路径然后在apps.json中注册应用的显示信息图标、标题、分类等。这种分离设计使得路由管理和UI管理清晰分离。2.1.2 技术栈深度分析在明确项目结构后我们对技术栈进行了深入分析确保所选技术方案与项目现有技术栈完全兼容。技术组件选型版本/API Level说明开发语言ArkTSAPI 12HarmonyOS原生应用开发语言基于TypeScript扩展增加了声明式UI和响应式编程的支持UI框架ArkUI声明式范式提供State/Component/Builder等装饰器支持响应式数据绑定路由框架kit.ArkUI router系统内置支持页面级路由跳转提供pushUrl/back等API构建工具DevEco Studio最新版官方IDE集成Hvigor构建系统支持实时预览和调试包管理oh-package.json5-HarmonyOS包依赖管理支持三方库引入资源管理resourceManager系统内置支持rawfile、resources等资源访问方式ArkTS语言特性说明ArkTS是HarmonyOS的官方应用开发语言它在TypeScript基础上进行了专门优化以适应HarmonyOS的静态类型系统和运行时环境。与标准TypeScript相比ArkTS有以下关键差异静态类型系统ArkTS要求在编译时确定所有类型不支持any和unknown类型也不支持运行时类型变更声明式UI通过Component装饰器定义UI组件使用build()方法声明式构建UI树响应式状态State装饰器标记响应式状态变量状态变化自动触发UI重建受限的JavaScript特性不支持with语句、eval、in运算符等动态特性增强的导入/导出支持export/import语法但不支持export 和require2.1.3 现有代码模式分析通过分析项目中已有的AI应用如AI简历诊断、“AI面试模拟”、AI品牌起名Slogan等我们总结出以下可复用的开发模式模式一三层架构模式Model-Service-Page每个AI应用统一采用三层架构各层职责明确Model层数据定义 ├── 定义数据结构类 ├── 所有字段显式声明类型 ├── 构造函数中初始化所有字段 └── 不包含任何业务逻辑 Service层业务逻辑 ├── 持有Model实例 ├── 实现数据生成方法 generateData() ├── 封装AI调用逻辑 ├── 输入数据预处理 └── 返回结构化数据 Page层UI展示 ├── State装饰状态变量 ├── build()方法构建UI树 ├── TextInput收集用户输入 ├── Button触发业务操作 ├── ForEach渲染列表数据 └── 条件渲染控制显示逻辑模式二数据驱动模式State驱动所有UI更新通过State装饰器驱动不直接操作DOM// 数据层StateresultData:AI简历关键词提取Data|nullnull// 业务触发this.resultDatathis.service.generateData(this.inputData)// UI自动更新——无需手动操作DOM模式三路由注册模式每个应用需要完成两个配置步骤步骤1在main_pages.json中添加页面路由{src:[pages/Index,apps/AI简历关键词提取/AI简历关键词提取Page,// ... 其他页面]}步骤2在apps.json中添加应用元信息{icon:,title:AI简历关键词提取,subtitle:简历关键,color:#8B5CF6,bg:#F5F3FF,border:#DDD6FE,page:apps/AI简历关键词提取/AI简历关键词提取Page,cat:职业发展}模式四Mock优先模式在AI应用开发初期使用Mock数据模拟AI输出确保UI开发和AI模型开发可以并行进行generateData(input:Recordstring,Object):AI简历关键词提取Data{letresult:AI简历关键词提取DatanewAI简历关键词提取Data()// Mock数据——后续替换为真实AI API调用result.match_rate生成结果String(input[resume]||)result.matched_keywords[示例数据1,示例数据2,示例数据3]// ... 更多Mock数据returnresult}2.2 需求理解与确认2.2.1 原始需求分析原始需求描述为“构建一个AI简历关键词提取应用帮助求职者分析简历与目标岗位的匹配度。”这是一个典型的模糊需求需要我们在对齐阶段进行深入分析和细化。通过多轮沟通和场景分析我们将原始需求拆解为以下核心功能点核心功能一关键词匹配分析输入简历内容、目标岗位JD处理AI自动提取JD中的关键技能和资质要求输出匹配率、已匹配关键词列表、缺失关键词列表核心功能二关键词权重分析对每个关键词赋予权重高/中/低高权重关键词通常出现在JD的任职要求和岗位职责部分低权重关键词可能是辅助性要求或加分项核心功能三行业术语检查识别简历中是否包含目标行业的标准化术语检查术语使用是否准确、规范提供行业术语规范化建议核心功能四ATS优化建议分析简历格式是否满足ATS解析要求检查关键词密度和分布是否合理提供具体的优化建议核心功能五简历改写建议针对缺失的关键词提供具体的改写建议指明需要在简历的哪个模块项目经历、技能特长等补充提供原文到建议修改的对比2.2.2 核心痛点深度分析通过用户调研和场景分析我们识别出以下四个核心痛点并针对每个痛点进行了深入分析痛点一ATS系统筛选率低ATSApplicant Tracking System是企业用来管理招聘流程的软件系统据统计超过75%的简历在ATS初筛阶段即被淘汰。ATS系统的工作机制如下简历投递 → ATS解析简历 → 关键词匹配 → 评分排序 → HR筛选 ↓ 简历格式不兼容 → 解析失败 → 直接淘汰 ↓ 关键技能词缺失 → 匹配度低 → 排名靠后 ↓ 格式复杂表格/图片 → 信息丢失 → 匹配失败ATS系统的主要筛选逻辑包括关键词匹配将简历内容与JD中的关键词进行精确匹配技能权重评分不同技能有不同的权重分数工作年限匹配验证工作年限是否满足要求学历要求匹配验证学历是否符合要求求职者往往不了解目标公司的ATS系统偏好也无法准确判断哪些关键词是必选项、哪些是加分项。AI简历关键词提取工具的核心价值就在于帮助求职者看透ATS系统的筛选逻辑有的放矢地优化简历。痛点二关键词识别依赖经验传统的关键词匹配完全依赖求职者的行业经验和认知。对于转行者或应届生由于缺乏对目标岗位的深度了解往往无法准确识别JD中的关键技术要求和软技能关键词。例如以下是一份典型的前端工程师JD职位高级前端工程师 岗位职责 1. 负责公司核心产品的前端架构设计和开发 2. 参与技术选型和框架搭建 3. 优化页面性能和用户体验 任职要求 1. 5年以上前端开发经验 2. 精通JavaScript/TypeScript熟悉ES6语法 3. 熟练掌握React或Vue框架有大型项目经验 4. 了解Webpack/Vite等构建工具 5. 熟悉前端性能优化了解浏览器渲染原理 6. 有Node.js开发经验者优先 7. 良好的沟通能力和团队协作精神从这份JD中AI工具需要自动提取的关键词包括硬技能关键词JavaScript、TypeScript、React、Vue、Webpack、Vite、Node.js、ES6软技能关键词沟通能力、团队协作经验关键词5年以上、大型项目、前端架构设计工具关键词性能优化、浏览器渲染原理、构建工具对于经验不足的求职者可能会遗漏ES6、浏览器渲染原理等看似不太重要但实际被ATS系统重点匹配的关键词。痛点三简历优化缺乏针对性即便求职者认识到需要优化简历也难以确定具体优化方向——是补充项目经验、增加技术栈关键词还是调整描述方式缺乏数据驱动的精准建议。AI简历关键词提取工具通过以下方式解决这个问题量化匹配度给出具体的匹配率百分比让求职者了解差距优先级排序按重要性排序缺失的关键词指导求职者优先补充高权重关键词具体建议提供如何在简历中补充该关键词的具体操作建议改写示例给出原文到优化后的对比示例供求职者参考痛点四多版本简历管理困难求职者通常需要针对不同公司、不同岗位投递多版简历手动管理和维护关键词匹配度是一项繁琐且易出错的工作。虽然当前版本的AI简历关键词提取工具主要聚焦于单次分析但在架构设计中已经考虑到后续扩展包括分析历史记录保存多版本简历对比关键词匹配度追踪2.2.3 需求规格详细定义经过多轮分析和确认我们最终定义了以下完整的需求规格用户输入规格字段类型说明必填长度限制校验规则resumestring简历内容纯文本是≤5000字符非空校验job_descriptionstring目标岗位JD纯文本是≤5000字符非空校验AI输出规格输出字段类型说明示例值match_ratestring整体匹配率格式为XX%“85%”matched_keywordsstring[]已匹配的关键词列表[“JavaScript”, “React”, “TypeScript”]keywordstring当前正在分析的关键词“React”in_resumestring关键词在简历中出现的位置/上下文“项目经验 → 电商平台前端开发”weightstring关键词权重等级“高” / “中” / “低”missing_keywordsstring[]缺失的关键词列表[“Node.js”, “Webpack”]importancestring缺失关键词的重要性说明“高频出现在JD中建议补充”how_to_addstring如何补充缺失关键词的建议“在项目经历中增加Node.js相关描述”industry_termsstring[]行业术语检查结果[“组件化开发”, “响应式布局”]ats_optimizationstringATS优化建议“建议使用标准标题格式避免使用表格”rewrite_suggestionsstring[]简历改写建议列表[“将’参与开发’改为’主导开发’”]sectionstring建议修改的简历模块“项目经历”originalstring原文内容“参与了某某项目的开发”suggestedstring建议修改后的内容“主导了某某项目的架构设计和核心模块开发”2.2.4 边界条件确认在需求确认过程中我们明确了以下边界条件确保开发范围清晰可控1. 输入边界单次输入文本长度不超过5000字符约800-1000个汉字超过部分将自动截断不支持图片、PDF、Word等格式的输入仅支持纯文本不支持批量输入每次只分析一份简历和一个JD2. 输出边界所有输出数据通过结构化数据模型AI简历关键词提取Data返回数组类型字段如matched_keywords最多返回20个元素匹配率以百分比字符串形式返回如85%不做数值计算3. 功能边界当前版本使用Mock数据展示功能不接入真实AI大模型不支持历史记录保存不支持简历版本管理不支持多语言仅支持中文4. 性能边界页面初始化时间不超过500ms数据生成和UI更新响应时间不超过100ms列表渲染支持100条数据的流畅显示5. 隐私边界用户输入的简历数据仅保存在本地内存中不持久化到本地存储不上传任何用户数据到云端Mock模式下无网络请求应用退出后所有数据自动清除2.2.5 目标用户群体分析我们将目标用户分为以下三类每类用户有不同的使用场景和需求第一类普通求职者占比约60%用户画像正在求职或准备求职的职场人士有一定行业经验但对ATS系统了解不多希望快速提升简历通过率技术能力参差不齐需要简单易用的工具核心需求输入简历和JD快速获得匹配度分析结果清楚地知道需要补充哪些关键词获得具体的优化建议第二类职业发展顾问/HR占比约25%用户画像职业规划师、简历优化顾问企业HR需要帮助候选人优化简历对ATS系统有较深了解需要批量分析和管理功能核心需求了解简历与目标岗位的匹配细节获得专业的优化建议为客户提供数据驱动的简历优化报告第三类学习爱好者占比约15%用户画像在校学生准备实习或求职转行者需要了解目标行业的关键技能希望通过工具学习简历优化技巧核心需求了解目标岗位的核心技能要求学习如何撰写高质量的简历内容通过反复练习提升简历撰写能力2.3 关键决策记录在对齐阶段我们做出了一系列关键决策这些决策直接影响后续阶段的设计和实现决策项备选方案选定方案决策理由状态管理State / 全局状态管理State项目统一采用应用内状态足够简单无需额外引入状态管理库数据流单向数据流 / 双向绑定单向数据流Service生成数据 → Page绑定渲染清晰可控易于调试代码生成手动编码 / 自动化脚本自动化脚本模板项目有多个类似应用代码模板化可以大幅提高效率测试策略自动化测试 / 手动测试代码审查手动测试代码审查项目规模较小每个应用代码量在200-300行之间手动测试成本更低AI集成策略直接接入API / Mock优先Mock优先UI开发不依赖AI模型可用性可并行开发主题风格浅色主题 / 深色主题深色主题符合AI应用科技感定位视觉统一输入组件TextInput / TextAreaTextInput当前输入量较小TextInput足够使用三、架构阶段Architect基于对齐阶段形成的共识文档我们进入架构设计阶段。本阶段的目标是设计一个清晰、可扩展、与现有系统高度一致的技术架构。架构设计遵循以下原则最小化原则只设计当前需求所需的架构不做过度设计一致性原则与项目现有架构保持一致不引入新的架构模式可扩展原则为后续功能扩展预留接口但不实现未规划的功能3.1 整体架构设计AI简历关键词提取应用采用经典的三层MVVMModel-View-ViewModel架构模式与项目中的其他AI应用保持完全一致┌─────────────────────────────────────────────────────────────────┐ │ View 层Page │ │ ┌───────────────────────────────────────────────────────────┐ │ │ │ AI简历关键词提取Page.ets │ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ State 状态管理 │ │ │ │ │ │ ┌─────────────────┐ ┌──────────────────────┐ │ │ │ │ │ │ │ inputData │ │ resultData │ │ │ │ │ │ │ │ Recordstring, │ │ AI简历关键词提取Data │null │ │ │ │ │ │ │ Object │ │ │ │ │ │ │ │ │ └─────────────────┘ └──────────────────────┘ │ │ │ │ │ │ ┌──────────────────────────────────────────────┐ │ │ │ │ │ │ │ showResult: boolean │ │ │ │ │ │ │ └──────────────────────────────────────────────┘ │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ build() UI 构建 │ │ │ │ │ │ ├── 顶部导航栏Row Text Blank │ │ │ │ │ │ ├── Scroll 内容区域 │ │ │ │ │ │ │ ├── 输入卡片Column TextInput │ │ │ │ │ │ │ ├── 扫描按钮Button │ │ │ │ │ │ │ └── 结果卡片条件渲染 ForEach列表 │ │ │ │ │ │ └── 背景色 #0F172A │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ └───────────────────────────────────────────────────────────┘ │ ├─────────────────────────────────────────────────────────────────┤ │ Service 层 │ │ ┌───────────────────────────────────────────────────────────┐ │ │ │ AI简历关键词提取Service.ets │ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ 私有成员 │ │ │ │ │ │ ┌──────────────────────────────────────────────┐ │ │ │ │ │ │ │ private model: AI简历关键词提取Data │ │ │ │ │ │ │ └──────────────────────────────────────────────┘ │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ 核心方法 │ │ │ │ │ │ generateData(input: Recordstring, Object) │ │ │ │ │ │ ├── 输入参数校验 │ │ │ │ │ │ ├── Mock数据生成当前阶段 │ │ │ │ │ │ │ └── 后续替换为AI API调用 │ │ │ │ │ │ │ ├── HTTP请求封装 │ │ │ │ │ │ │ ├── Prompt模板构建 │ │ │ │ │ │ │ ├── 响应解析与数据映射 │ │ │ │ │ │ │ └── 异常处理与降级策略 │ │ │ │ │ │ └── 返回结构化数据 │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ └───────────────────────────────────────────────────────────┘ │ ├─────────────────────────────────────────────────────────────────┤ │ Model 层 │ │ ┌───────────────────────────────────────────────────────────┐ │ │ │ AI简历关键词提取Data │ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ ├── match_rate: string │ │ │ │ │ │ ├── matched_keywords: string[] │ │ │ │ │ │ ├── keyword: string │ │ │ │ │ │ ├── in_resume: string │ │ │ │ │ │ ├── weight: string │ │ │ │ │ │ ├── missing_keywords: string[] │ │ │ │ │ │ ├── importance: string │ │ │ │ │ │ ├── how_to_add: string │ │ │ │ │ │ ├── industry_terms: string[] │ │ │ │ │ │ ├── ats_optimization: string │ │ │ │ │ │ ├── rewrite_suggestions: string[] │ │ │ │ │ │ ├── section: string │ │ │ │ │ │ ├── original: string │ │ │ │ │ │ └── suggested: string │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ └───────────────────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────────────┘3.1.1 各层职责详细说明Model层数据模型层Model层是整个应用的数据基础定义了所有业务数据的结构和类型约束。其核心职责包括数据结构定义明确定义AI分析结果的每个字段及其类型类型安全保障通过TypeScript的类型系统确保数据在编译时即被正确使用默认值提供所有字段在声明时
基于HarmonyOS的AI简历关键词提取——从对齐到评估的全流程技术实践一、引言在当今竞争激烈的求职市场中一份精心优化的简历是求职者脱颖而出的关键。然而大量求职者面临一个共同的难题如何让自己的简历在成百上千份申请中通过ATSApplicant Tracking System申请人追踪系统的初筛并吸引招聘经理的目光AI简历关键词提取工具应运而生它利用人工智能技术自动分析目标岗位描述JD提取关键技能和资质要求并与求职者简历进行匹配度分析从而提供精准的优化建议。本文以HarmonyOS平台上的AI简历关键词提取应用为实践案例详细阐述从需求对齐、架构设计、任务分解、审批确认、自动化执行到最终评估的全流程技术实践。项目源码位于entry/src/main/ets/apps/AI简历关键词提取/目录下采用ArkTS语言和ArkUI框架进行开发完整展示了HarmonyOS原生AI应用的标准开发范式。本博客将深入探讨以下核心内容对齐阶段如何将模糊的做一个简历关键词提取工具转化为精确的需求规格和验收标准架构阶段如何设计三层MVVM架构定义清晰的模块职责和接口契约原子化阶段如何将开发任务分解为7个可独立执行的原子任务审批阶段如何建立质量门控机制确保每个阶段的产出物符合预期自动化执行阶段如何通过标准化代码模板和规范化流程高效完成代码实现评估阶段如何系统化评估项目成果总结经验教训规划未来方向二、对齐阶段Align对齐阶段的目标是将模糊的需求转化为精确的规范。这是整个开发流程的基石任何在此阶段被忽略的细节都会在后续阶段被放大导致返工和质量下降。对齐阶段的核心在于三对齐与项目上下文对齐、与用户需求对齐、与技术规范对齐。2.1 项目上下文分析2.1.1 项目整体架构分析在开始开发之前我们首先对现有项目结构进行了全面分析。本项目是一个HarmonyOS AI应用聚合平台包含多个 AI 应用覆盖健康生活、工作效率、创意娱乐、学习成长、职业发展五大分类。整体结构如下MyApplication/ ├── entry/ │ ├── src/main/ │ │ ├── ets/ │ │ │ ├── pages/ │ │ │ │ └── Index.ets # 主入口页面应用列表 │ │ │ ├── apps/ │ │ │ │ ├── AI简历关键词提取/ # 当前目标应用 │ │ │ │ │ ├── AI简历关键词提取Model.ets │ │ │ │ │ ├── AI简历关键词提取Service.ets │ │ │ │ │ ├── AI简历关键词提取Page.ets │ │ │ │ │ └── BLOG_AI简历关键词提取.md │ │ │ │ ├── AI简历诊断/ │ │ │ │ ├── AI面试模拟/ │ │ │ │ └── ... (共多个 AI 应用) │ │ │ ├── entryability/ │ │ │ │ └── EntryAbility.ets # Ability生命周期管理 │ │ ├── resources/ │ │ │ ├── base/profile/ │ │ │ │ └── main_pages.json # 页面路由配置 │ │ │ └── rawfile/apps/ │ │ │ └── apps.json # 应用元信息配置 │ │ └── module.json5 # 模块配置 │ └── oh-package.json5 # 依赖管理通过分析项目结构我们可以发现以下关键设计模式1. 插件化应用架构主应用Index.ets通过读取apps.json配置文件动态渲染应用网格每个子应用作为一个独立的页面模块注册在main_pages.json中。这种插件化架构具有以下优势新增应用无需修改主应用代码各应用之间完全解耦可以独立开发和测试支持动态加载减少首屏加载时间2. 标准化目录结构每个AI应用统一使用以下目录和文件命名规范apps/{应用名称}/ ├── {应用名称}Model.ets ├── {应用名称}Service.ets └── {应用名称}Page.ets这种标准化的目录结构大大降低了开发者的认知负担使得开发者可以在不同应用之间快速切换。3. 统一的路由注册机制路由注册分为两步首先在main_pages.json中注册页面路径然后在apps.json中注册应用的显示信息图标、标题、分类等。这种分离设计使得路由管理和UI管理清晰分离。2.1.2 技术栈深度分析在明确项目结构后我们对技术栈进行了深入分析确保所选技术方案与项目现有技术栈完全兼容。技术组件选型版本/API Level说明开发语言ArkTSAPI 12HarmonyOS原生应用开发语言基于TypeScript扩展增加了声明式UI和响应式编程的支持UI框架ArkUI声明式范式提供State/Component/Builder等装饰器支持响应式数据绑定路由框架kit.ArkUI router系统内置支持页面级路由跳转提供pushUrl/back等API构建工具DevEco Studio最新版官方IDE集成Hvigor构建系统支持实时预览和调试包管理oh-package.json5-HarmonyOS包依赖管理支持三方库引入资源管理resourceManager系统内置支持rawfile、resources等资源访问方式ArkTS语言特性说明ArkTS是HarmonyOS的官方应用开发语言它在TypeScript基础上进行了专门优化以适应HarmonyOS的静态类型系统和运行时环境。与标准TypeScript相比ArkTS有以下关键差异静态类型系统ArkTS要求在编译时确定所有类型不支持any和unknown类型也不支持运行时类型变更声明式UI通过Component装饰器定义UI组件使用build()方法声明式构建UI树响应式状态State装饰器标记响应式状态变量状态变化自动触发UI重建受限的JavaScript特性不支持with语句、eval、in运算符等动态特性增强的导入/导出支持export/import语法但不支持export 和require2.1.3 现有代码模式分析通过分析项目中已有的AI应用如AI简历诊断、“AI面试模拟”、AI品牌起名Slogan等我们总结出以下可复用的开发模式模式一三层架构模式Model-Service-Page每个AI应用统一采用三层架构各层职责明确Model层数据定义 ├── 定义数据结构类 ├── 所有字段显式声明类型 ├── 构造函数中初始化所有字段 └── 不包含任何业务逻辑 Service层业务逻辑 ├── 持有Model实例 ├── 实现数据生成方法 generateData() ├── 封装AI调用逻辑 ├── 输入数据预处理 └── 返回结构化数据 Page层UI展示 ├── State装饰状态变量 ├── build()方法构建UI树 ├── TextInput收集用户输入 ├── Button触发业务操作 ├── ForEach渲染列表数据 └── 条件渲染控制显示逻辑模式二数据驱动模式State驱动所有UI更新通过State装饰器驱动不直接操作DOM// 数据层StateresultData:AI简历关键词提取Data|nullnull// 业务触发this.resultDatathis.service.generateData(this.inputData)// UI自动更新——无需手动操作DOM模式三路由注册模式每个应用需要完成两个配置步骤步骤1在main_pages.json中添加页面路由{src:[pages/Index,apps/AI简历关键词提取/AI简历关键词提取Page,// ... 其他页面]}步骤2在apps.json中添加应用元信息{icon:,title:AI简历关键词提取,subtitle:简历关键,color:#8B5CF6,bg:#F5F3FF,border:#DDD6FE,page:apps/AI简历关键词提取/AI简历关键词提取Page,cat:职业发展}模式四Mock优先模式在AI应用开发初期使用Mock数据模拟AI输出确保UI开发和AI模型开发可以并行进行generateData(input:Recordstring,Object):AI简历关键词提取Data{letresult:AI简历关键词提取DatanewAI简历关键词提取Data()// Mock数据——后续替换为真实AI API调用result.match_rate生成结果String(input[resume]||)result.matched_keywords[示例数据1,示例数据2,示例数据3]// ... 更多Mock数据returnresult}2.2 需求理解与确认2.2.1 原始需求分析原始需求描述为“构建一个AI简历关键词提取应用帮助求职者分析简历与目标岗位的匹配度。”这是一个典型的模糊需求需要我们在对齐阶段进行深入分析和细化。通过多轮沟通和场景分析我们将原始需求拆解为以下核心功能点核心功能一关键词匹配分析输入简历内容、目标岗位JD处理AI自动提取JD中的关键技能和资质要求输出匹配率、已匹配关键词列表、缺失关键词列表核心功能二关键词权重分析对每个关键词赋予权重高/中/低高权重关键词通常出现在JD的任职要求和岗位职责部分低权重关键词可能是辅助性要求或加分项核心功能三行业术语检查识别简历中是否包含目标行业的标准化术语检查术语使用是否准确、规范提供行业术语规范化建议核心功能四ATS优化建议分析简历格式是否满足ATS解析要求检查关键词密度和分布是否合理提供具体的优化建议核心功能五简历改写建议针对缺失的关键词提供具体的改写建议指明需要在简历的哪个模块项目经历、技能特长等补充提供原文到建议修改的对比2.2.2 核心痛点深度分析通过用户调研和场景分析我们识别出以下四个核心痛点并针对每个痛点进行了深入分析痛点一ATS系统筛选率低ATSApplicant Tracking System是企业用来管理招聘流程的软件系统据统计超过75%的简历在ATS初筛阶段即被淘汰。ATS系统的工作机制如下简历投递 → ATS解析简历 → 关键词匹配 → 评分排序 → HR筛选 ↓ 简历格式不兼容 → 解析失败 → 直接淘汰 ↓ 关键技能词缺失 → 匹配度低 → 排名靠后 ↓ 格式复杂表格/图片 → 信息丢失 → 匹配失败ATS系统的主要筛选逻辑包括关键词匹配将简历内容与JD中的关键词进行精确匹配技能权重评分不同技能有不同的权重分数工作年限匹配验证工作年限是否满足要求学历要求匹配验证学历是否符合要求求职者往往不了解目标公司的ATS系统偏好也无法准确判断哪些关键词是必选项、哪些是加分项。AI简历关键词提取工具的核心价值就在于帮助求职者看透ATS系统的筛选逻辑有的放矢地优化简历。痛点二关键词识别依赖经验传统的关键词匹配完全依赖求职者的行业经验和认知。对于转行者或应届生由于缺乏对目标岗位的深度了解往往无法准确识别JD中的关键技术要求和软技能关键词。例如以下是一份典型的前端工程师JD职位高级前端工程师 岗位职责 1. 负责公司核心产品的前端架构设计和开发 2. 参与技术选型和框架搭建 3. 优化页面性能和用户体验 任职要求 1. 5年以上前端开发经验 2. 精通JavaScript/TypeScript熟悉ES6语法 3. 熟练掌握React或Vue框架有大型项目经验 4. 了解Webpack/Vite等构建工具 5. 熟悉前端性能优化了解浏览器渲染原理 6. 有Node.js开发经验者优先 7. 良好的沟通能力和团队协作精神从这份JD中AI工具需要自动提取的关键词包括硬技能关键词JavaScript、TypeScript、React、Vue、Webpack、Vite、Node.js、ES6软技能关键词沟通能力、团队协作经验关键词5年以上、大型项目、前端架构设计工具关键词性能优化、浏览器渲染原理、构建工具对于经验不足的求职者可能会遗漏ES6、浏览器渲染原理等看似不太重要但实际被ATS系统重点匹配的关键词。痛点三简历优化缺乏针对性即便求职者认识到需要优化简历也难以确定具体优化方向——是补充项目经验、增加技术栈关键词还是调整描述方式缺乏数据驱动的精准建议。AI简历关键词提取工具通过以下方式解决这个问题量化匹配度给出具体的匹配率百分比让求职者了解差距优先级排序按重要性排序缺失的关键词指导求职者优先补充高权重关键词具体建议提供如何在简历中补充该关键词的具体操作建议改写示例给出原文到优化后的对比示例供求职者参考痛点四多版本简历管理困难求职者通常需要针对不同公司、不同岗位投递多版简历手动管理和维护关键词匹配度是一项繁琐且易出错的工作。虽然当前版本的AI简历关键词提取工具主要聚焦于单次分析但在架构设计中已经考虑到后续扩展包括分析历史记录保存多版本简历对比关键词匹配度追踪2.2.3 需求规格详细定义经过多轮分析和确认我们最终定义了以下完整的需求规格用户输入规格字段类型说明必填长度限制校验规则resumestring简历内容纯文本是≤5000字符非空校验job_descriptionstring目标岗位JD纯文本是≤5000字符非空校验AI输出规格输出字段类型说明示例值match_ratestring整体匹配率格式为XX%“85%”matched_keywordsstring[]已匹配的关键词列表[“JavaScript”, “React”, “TypeScript”]keywordstring当前正在分析的关键词“React”in_resumestring关键词在简历中出现的位置/上下文“项目经验 → 电商平台前端开发”weightstring关键词权重等级“高” / “中” / “低”missing_keywordsstring[]缺失的关键词列表[“Node.js”, “Webpack”]importancestring缺失关键词的重要性说明“高频出现在JD中建议补充”how_to_addstring如何补充缺失关键词的建议“在项目经历中增加Node.js相关描述”industry_termsstring[]行业术语检查结果[“组件化开发”, “响应式布局”]ats_optimizationstringATS优化建议“建议使用标准标题格式避免使用表格”rewrite_suggestionsstring[]简历改写建议列表[“将’参与开发’改为’主导开发’”]sectionstring建议修改的简历模块“项目经历”originalstring原文内容“参与了某某项目的开发”suggestedstring建议修改后的内容“主导了某某项目的架构设计和核心模块开发”2.2.4 边界条件确认在需求确认过程中我们明确了以下边界条件确保开发范围清晰可控1. 输入边界单次输入文本长度不超过5000字符约800-1000个汉字超过部分将自动截断不支持图片、PDF、Word等格式的输入仅支持纯文本不支持批量输入每次只分析一份简历和一个JD2. 输出边界所有输出数据通过结构化数据模型AI简历关键词提取Data返回数组类型字段如matched_keywords最多返回20个元素匹配率以百分比字符串形式返回如85%不做数值计算3. 功能边界当前版本使用Mock数据展示功能不接入真实AI大模型不支持历史记录保存不支持简历版本管理不支持多语言仅支持中文4. 性能边界页面初始化时间不超过500ms数据生成和UI更新响应时间不超过100ms列表渲染支持100条数据的流畅显示5. 隐私边界用户输入的简历数据仅保存在本地内存中不持久化到本地存储不上传任何用户数据到云端Mock模式下无网络请求应用退出后所有数据自动清除2.2.5 目标用户群体分析我们将目标用户分为以下三类每类用户有不同的使用场景和需求第一类普通求职者占比约60%用户画像正在求职或准备求职的职场人士有一定行业经验但对ATS系统了解不多希望快速提升简历通过率技术能力参差不齐需要简单易用的工具核心需求输入简历和JD快速获得匹配度分析结果清楚地知道需要补充哪些关键词获得具体的优化建议第二类职业发展顾问/HR占比约25%用户画像职业规划师、简历优化顾问企业HR需要帮助候选人优化简历对ATS系统有较深了解需要批量分析和管理功能核心需求了解简历与目标岗位的匹配细节获得专业的优化建议为客户提供数据驱动的简历优化报告第三类学习爱好者占比约15%用户画像在校学生准备实习或求职转行者需要了解目标行业的关键技能希望通过工具学习简历优化技巧核心需求了解目标岗位的核心技能要求学习如何撰写高质量的简历内容通过反复练习提升简历撰写能力2.3 关键决策记录在对齐阶段我们做出了一系列关键决策这些决策直接影响后续阶段的设计和实现决策项备选方案选定方案决策理由状态管理State / 全局状态管理State项目统一采用应用内状态足够简单无需额外引入状态管理库数据流单向数据流 / 双向绑定单向数据流Service生成数据 → Page绑定渲染清晰可控易于调试代码生成手动编码 / 自动化脚本自动化脚本模板项目有多个类似应用代码模板化可以大幅提高效率测试策略自动化测试 / 手动测试代码审查手动测试代码审查项目规模较小每个应用代码量在200-300行之间手动测试成本更低AI集成策略直接接入API / Mock优先Mock优先UI开发不依赖AI模型可用性可并行开发主题风格浅色主题 / 深色主题深色主题符合AI应用科技感定位视觉统一输入组件TextInput / TextAreaTextInput当前输入量较小TextInput足够使用三、架构阶段Architect基于对齐阶段形成的共识文档我们进入架构设计阶段。本阶段的目标是设计一个清晰、可扩展、与现有系统高度一致的技术架构。架构设计遵循以下原则最小化原则只设计当前需求所需的架构不做过度设计一致性原则与项目现有架构保持一致不引入新的架构模式可扩展原则为后续功能扩展预留接口但不实现未规划的功能3.1 整体架构设计AI简历关键词提取应用采用经典的三层MVVMModel-View-ViewModel架构模式与项目中的其他AI应用保持完全一致┌─────────────────────────────────────────────────────────────────┐ │ View 层Page │ │ ┌───────────────────────────────────────────────────────────┐ │ │ │ AI简历关键词提取Page.ets │ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ State 状态管理 │ │ │ │ │ │ ┌─────────────────┐ ┌──────────────────────┐ │ │ │ │ │ │ │ inputData │ │ resultData │ │ │ │ │ │ │ │ Recordstring, │ │ AI简历关键词提取Data │null │ │ │ │ │ │ │ Object │ │ │ │ │ │ │ │ │ └─────────────────┘ └──────────────────────┘ │ │ │ │ │ │ ┌──────────────────────────────────────────────┐ │ │ │ │ │ │ │ showResult: boolean │ │ │ │ │ │ │ └──────────────────────────────────────────────┘ │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ build() UI 构建 │ │ │ │ │ │ ├── 顶部导航栏Row Text Blank │ │ │ │ │ │ ├── Scroll 内容区域 │ │ │ │ │ │ │ ├── 输入卡片Column TextInput │ │ │ │ │ │ │ ├── 扫描按钮Button │ │ │ │ │ │ │ └── 结果卡片条件渲染 ForEach列表 │ │ │ │ │ │ └── 背景色 #0F172A │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ └───────────────────────────────────────────────────────────┘ │ ├─────────────────────────────────────────────────────────────────┤ │ Service 层 │ │ ┌───────────────────────────────────────────────────────────┐ │ │ │ AI简历关键词提取Service.ets │ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ 私有成员 │ │ │ │ │ │ ┌──────────────────────────────────────────────┐ │ │ │ │ │ │ │ private model: AI简历关键词提取Data │ │ │ │ │ │ │ └──────────────────────────────────────────────┘ │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ 核心方法 │ │ │ │ │ │ generateData(input: Recordstring, Object) │ │ │ │ │ │ ├── 输入参数校验 │ │ │ │ │ │ ├── Mock数据生成当前阶段 │ │ │ │ │ │ │ └── 后续替换为AI API调用 │ │ │ │ │ │ │ ├── HTTP请求封装 │ │ │ │ │ │ │ ├── Prompt模板构建 │ │ │ │ │ │ │ ├── 响应解析与数据映射 │ │ │ │ │ │ │ └── 异常处理与降级策略 │ │ │ │ │ │ └── 返回结构化数据 │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ └───────────────────────────────────────────────────────────┘ │ ├─────────────────────────────────────────────────────────────────┤ │ Model 层 │ │ ┌───────────────────────────────────────────────────────────┐ │ │ │ AI简历关键词提取Data │ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ ├── match_rate: string │ │ │ │ │ │ ├── matched_keywords: string[] │ │ │ │ │ │ ├── keyword: string │ │ │ │ │ │ ├── in_resume: string │ │ │ │ │ │ ├── weight: string │ │ │ │ │ │ ├── missing_keywords: string[] │ │ │ │ │ │ ├── importance: string │ │ │ │ │ │ ├── how_to_add: string │ │ │ │ │ │ ├── industry_terms: string[] │ │ │ │ │ │ ├── ats_optimization: string │ │ │ │ │ │ ├── rewrite_suggestions: string[] │ │ │ │ │ │ ├── section: string │ │ │ │ │ │ ├── original: string │ │ │ │ │ │ └── suggested: string │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ └───────────────────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────────────┘3.1.1 各层职责详细说明Model层数据模型层Model层是整个应用的数据基础定义了所有业务数据的结构和类型约束。其核心职责包括数据结构定义明确定义AI分析结果的每个字段及其类型类型安全保障通过TypeScript的类型系统确保数据在编译时即被正确使用默认值提供所有字段在声明时
