ResumeMind v1.0.0 — 让简历会说话

ResumeMind 的首个公开版本 🎉

ResumeMind 是一个面向 「面试官 × 简历主人公」 场景的个人简历 RAG 问答 Agent。

它可以将简历、项目介绍、证书和个人经历整理为可检索的个人知识库，让面试官直接通过自然语言继续追问简历中的内容——从自我介绍、项目深挖，到技术问题和 HR 行为问题。

相比普通的「上传 PDF → RAG 问答」，ResumeMind 更关注一个问题：

如何让 AI 在替一个人回答问题时，既足够自然，又不编造这个人的经历？

✨ Highlights
🧠 Resume RAG Agent

支持围绕个人简历进行多轮问答，包括：

个人经历与教育背景
项目技术细节深挖
技术栈与技术选型
HR / 行为面试问题
简历细节追问
多轮指代与上下文理解
🔍 Hybrid Retrieval

采用：

Dense Retrieval + Keyword Retrieval + RRF Fusion + BGE Reranker

在语义召回之外保留对项目名、技术名词、数字等信息的精确匹配能力，并根据检索置信度决定是否执行 Rerank。

🛡️ Grounding + Fact Ledger

针对简历问答中最容易出现幻觉的内容进行额外校验：

数字
日期
项目名称
证书 / 荣誉
合作单位
项目指标

系统会检查生成答案中的关键事实是否能够在知识库中找到依据，并通过 Fact Ledger 约束事实所属对象，降低不同项目之间事实串用的问题。

证据不足时，不会强行补全经历，而是进行 hedged / refused 回答。

🧩 Skill-driven Material Processing

提供 resume-materials-workshop Agent Skill，将：

Resume / Project Docs / Personal Materials

自动整理为：

Markdown Knowledge + Persona + Structured Facts

并支持进一步导出独立的人物 Skill，使整理后的人物知识可以迁移到其他支持 Skills 的 Agent 环境。

💬 Multi-turn Interview

针对：

「这个项目呢？」
「为什么这么设计？」
「最后怎么解决的？」

等面试中的连续追问进行上下文补全，使问答更接近真实面试交流，而不是彼此独立的 RAG Query。

🛠 Tech Stack
Python 3.13
FastAPI
React 19 + TypeScript
Qdrant
BGE Embedding / Reranker
OpenAI-compatible LLM API
Docker / Docker Compose