專案介紹
結合 AI Agent 與 Next.js 的全端應用，只需提供一個職缺連結，透過 Claude Code（或 GitHub Copilot）的 /cv 指令，系統便能自動抓取 JD、分析關鍵需求，並根據個人資料來源生成量身定做的中英文雙語履歷網頁。
每份履歷以 UUID 為獨立路由，可直接瀏覽器列印成 PDF。首頁附有履歷管理後台，支援搜尋、行內編輯、一鍵複製連結等功能。
技術亮點
- 01
Next.js 16 App Router + Standalone Output
採用最新 App Router 架構，搭配 standalone 模式打包為輕量 Docker Image
- 02
AI Agent 自動化 SOP
透過 Chrome DevTools MCP 自動爬取 JD，結合為 Claude Code 定義的結構化 skill／Prompt SOP（copilot-instructions），實現端到端的履歷生成流程
- 03
由 Claude Code skill 組成的工作流
整套流程由多個 skill 組成——
/cv生成客製化履歷、/update同步基礎範本、/cover-letter撰寫求職信、/job:sg／/job:remote搜尋並評估職缺；pnpm cv僅負責建立履歷資料夾骨架與資料庫記錄，另撰寫check-cv腳本自動檢查產出的履歷是否符合 skill 規範（自我介紹字數、弱動詞等）；規則檢查通過後，再依加權公式（Required／Nice-to-have 覆蓋率、成果量化率、區塊完整度、關鍵字分布）做 ATS 計分，未達 85% 即迭代優化，兩者共同作為 AI 產出履歷的質量門禁 - 04
每個環節都有計分門禁
職缺搜尋階段，每個職缺都依 100 分計分總表（技術契合、職級、工作型態、產品領域、薪資、公司評價等）評分並分級，排程只替高分級職缺自動產生履歷；履歷生成後先過 check-cv 規則檢查，再以加權公式計分達 85% 才進入下一步
- 05
不同模型 reviewer 的對抗式生成
履歷生成後平行啟動兩個唯讀 reviewer，模型固定指定 Opus，與生成方的模型分開指定：人資 reviewer 只看得到 JD 與履歷（資訊隔離，模擬招募方視角），規則 reviewer 對照 skill 規範與 source 逐條檢查；生成方依回報修正或標記為真實缺口，最多 2 輪，且每輪都換新的 reviewer。技術文章 skill 另以 Haiku（小白讀者）與 Opus（懂原理的讀者）兩種模型審稿
- 06
依環節分配模型
抓取職缺列表等不需判斷的步驟用 Haiku、公司評價蒐集用 Sonnet、JD 判讀與計分用 Opus，兼顧成本與判斷品質
- 07
完整求職流程
透過不同 agent 分工、skill 與不同模型配合，加上對抗式生成，串起「找職缺 → 判斷匹配 → 生成客製化履歷 → 投遞」的完整流程，投遞由 agent 操作瀏覽器填寫申請表單
- 08
Serverless 部署架構
Docker Image 推送至 AWS ECR，透過 Lambda Web Adapter 運行 Next.js SSR，靜態資產由 S3 + CloudFront CDN 分發，CI/CD 透過 GitHub Actions 全自動化
- 09
Neon Serverless PostgreSQL + Drizzle ORM
使用 Neon 無伺服器資料庫搭配 Drizzle ORM 實現 type-safe 的資料存取
- 10
TailwindCSS 4 + Framer Motion
響應式設計搭配流暢動畫
- 11
Vibe Coding 實踐
整個專案從零到上線僅花費 2 天，全程以 Claude Code 輔助開發（Vibe Coding）完成