一、 产品设计
1. 目标用户与场景
- 目标用户：（1）求职者，（2）HR / 猎头
- 核心场景：（1）招聘人上传JD，快速判断候选人是否值得继续聊；（2）用自然语言追问细节
2. 痛点与产品价值
- 痛点：传统简历信息密度低、缺少细节，进入面试阶段才能了解更多，时间和招聘资源浪费。
- 价值：（1）候选人侧减少重复自述、统一职业叙事；（2）招聘方获得可追溯证据与结构化判断依据，快速决定是否进入下一轮沟通。
- 边界：不可替代背调与合规流程。敏感信息由求职者控制是否展示。
3. 产品目标（Demo）
- 验证：对话式采集是否真的能提高「可检索信息」的完备性。
- 验证：在真实 JD 文本下，检索 + 生成能否稳定输出结构化匹配结论。
二、 流程图
以下为 Demo 阶段主链路示意，便于对齐模块边界与数据流。
Step 1用户输入含多轮上下文
Step 2意图识别相关 or 闲聊
Step 3查询改写提高RAG检索效率
Step 4证据召回Top-5 证据片段
Step 5生成回答流式输出
三、 AI 落地设计
意图识别（低成本模型）：先判断当前输入是寒暄、与档案无关的闲聊，还是与经历/项目/匹配相关的问题。相关才触发向量检索与较重的生成链路，避免无意义调用与上下文稀释。
检索前查询改写：将用户口语（含省略主语、指代「上一家」「那个项目」等）改写成更贴近档案分块的短查询，再送入 embedding；失败时回退原句。目标是把 RAG 召回率 从「问法变化」里拉回来，而不是只靠 Markdown 里堆同义词。
检索与生成解耦：检索只负责「证据片段」，生成阶段显式要求引用边界与「不确定」表述，减少把多段经历拼错公司主体的情况。
四、 Demo → 产品化 / 规模化
从可演示到可交付，还需要补齐以下维度。
- 安全性：按访问者角色脱敏、操作留痕、导出与水印策略。
- 多租户：向量库隔离、调用限流与滥用检测。
- 合规性：个人信息处理告知、删除权、第三方模型数据处理协议。
- 稳定性：长会话、大 PDF、embedding 批大小与网关限流等边界条件压测。