01 · 背景与目标
招聘方往往只有很短时间了解候选人。简历适合快速筛选，却不方便继续追问项目细节。这个工具将脱敏的简历、个人介绍与项目资料变成知识来源，让访客按自己的关注点提问。
首版目标不是打造通用聊天机器人，而是严格回答“这个候选人是谁、做过什么、如何工作”，并让每个答案都能回到原始资料。
02 · 技术架构
针对少量固定资料，项目不部署向量数据库。Markdown 在发布前被切分并生成向量索引；提问时只检索相关片段，再把上下文交给模型生成回答。
访客问题Embedding余弦检索 Top 4Qwen Flash答案 + 来源
为什么选择轻量 RAG
- 资料规模小且更新频率低，无需常驻向量服务。
- 索引可版本化，便于公开展示和回滚。
- 2 GB 服务器只运行网站容器，资源更可控。
03 · 交互设计
首页直接提供聊天面板，不要求访客先进入独立工具页。快捷问题降低第一次使用成本，流式回答改善等待感，来源标签帮助访客核对信息。找不到知识时明确拒答，而不是依靠模型常识补充。
04 · 安全与费用
- API Key 只存在服务端环境变量中。
- 对话只保存在浏览器会话，不写入服务器数据库。
- 限制消息长度、请求频率、并发和全站每日调用数。
- 所有 Markdown 回答经过消毒，不渲染原始 HTML。
- 索引建立前先脱敏，公开仓库不包含私人电话和住址。
05 · 如何验证
项目通过切片和检索单元测试、模型接口集成测试、20 题 RAG 评测集、真实浏览器交互、生产构建和容器健康检查进行验证。AI Coding 用来加速实现，但不能替代这些证据。
06 · 复盘与下一步
这个项目优先证明完整度，而不是功能数量。下一阶段会在获得真实访客反馈后调整问题样本、切片策略和拒答阈值；只有资料规模和更新频率明显增长时，才考虑引入托管知识库或向量数据库。