企业官网建设流程全解析

1. 项目概述：当求职自动化遇见AI智能体

最近在折腾一个挺有意思的东西，我把它叫做“AI求职匹配智能体”，核心是跑在n8n这个自动化工具里的。起因很简单，我自己和身边不少朋友都经历过海投简历的煎熬：每天花大量时间刷招聘网站，复制粘贴职位要求，再对着自己的简历修修改改，效率低不说，还经常投了不匹配的岗位，石沉大海。我就琢磨，能不能让机器把这事儿给干了，而且干得更聪明？

这个项目的核心思路，就是把整个求职的初期筛选和匹配流程自动化。它不再是简单的关键词匹配，而是通过一个大语言模型（比如GPT-4、Claude或者开源的Llama）来扮演一个“资深HR助理”的角色。这个智能体会自动从你指定的渠道（比如招聘网站的RSS、API，或者你手动导入的职位列表）抓取新的职位信息。然后，它不会机械地比对关键词，而是去“理解”职位描述（JD）里隐含的技能要求、团队文化、项目挑战。同时，它也会“深度阅读”你的简历，提炼出你的核心技能、项目经验、职业期望甚至软技能。最后，由这个AI来做一个双向的、基于语义的匹配度打分，并生成一份详细的匹配分析报告，告诉你这个职位为什么适合（或不适合）你，你的简历有哪些亮点可以针对性突出，哪些地方是潜在的短板。

整个流程完全在n8n里搭建，这意味着它高度可定制、可扩展，并且能和你现有的工具链（如Notion数据库、Google Sheets、钉钉/飞书机器人、邮箱）无缝集成。你不再需要手动操作，设置好后，它就像个不知疲倦的私人求职顾问，每天自动为你扫描机会、精准评估、推送报告。对于正在找工作的朋友、想观望机会的职场人，甚至是负责招聘的HR用来初步筛选海量简历，都非常实用。

2. 核心架构与工具选型解析

2.1 为什么选择n8n作为自动化基石？

首先得说说为什么是n8n。市面上自动化工具不少，Zapier、Make（原Integromat）名气很大，但n8n有个无法比拟的优势：开源和自托管。求职信息涉及个人简历、职业偏好，属于敏感数据。用SaaS服务虽然方便，但总担心数据安全。n8n可以部署在你自己的服务器或电脑上，所有数据流转都在本地或你可控的环境里，隐私性满分。

其次，n8n的节点（Node）式可视化编程对这类多步骤、条件判断复杂的流程特别友好。你可以清晰地看到“触发 -> 获取职位 -> 解析JD -> 读取简历 -> AI分析 -> 判断打分 -> 存储/通知”整个链条。调试的时候，每个节点的输入输出都一目了然，哪里出问题一眼就能定位。它的扩展性也极强，社区有大量现成节点，没有的也可以自己用HTTP Request等通用节点对接，或者写自定义代码节点。

最后是成本。n8n社区版完全免费，对于个人项目来说功能绰绰有余。相比于按操作次数收费的云服务，长期运行一个高频扫描的求职机器人，n8n几乎是零成本。

2.2 AI模型的选择与考量

AI是这个智能体的“大脑”，选型直接决定匹配质量。这里有几个主流选择：

1. OpenAI GPT系列（如gpt-4o-mini, gpt-4）：这是最省事、效果通常也最好的选择。通过n8n的OpenAI节点或HTTP Request节点调用其API即可。优点是理解能力强、输出格式稳定、支持长文本。缺点是会产生API费用，且需要处理网络访问问题。对于求职匹配这种需要深度理解文本的任务，GPT-4系列在准确性和逻辑性上表现更佳。

2. Anthropic Claude系列（如claude-3-haiku, claude-3-sonnet）：通过Anthropic的API调用。Claude在长文本处理和遵循复杂指令方面有独特优势，非常适合解析大段的职位描述和简历内容。成本与OpenAI类似，是另一个可靠的闭源选择。

3. 开源模型本地部署（如Llama 3.1, Qwen2.5, DeepSeek）：这是追求极致隐私和零API成本的选择。你可以在本地或自己的云服务器上部署Ollama、vLLM等推理框架，然后让n8n通过本地API调用。优点是数据完全不出私域，无限次调用。缺点是对硬件有要求（需要GPU或足够的内存），并且需要一定的运维知识来部署和优化。在匹配精度上，顶尖的开源模型（如400B参数的）已经非常接近第一梯队闭源模型，70B参数的模型在精心设计提示词后也能达到可用水平。

实操心得：对于大多数用户，我建议起步阶段使用gpt-4o-mini或claude-3-haiku。它们成本较低（每千次请求约几毛到一块钱），能力足够，能快速验证流程。等流程跑通、确信其价值后，如果对隐私有极高要求，再考虑迁移到开源模型本地部署。千万不要一开始就在本地模型调试上陷入泥潭。

2.3 数据源与目标系统的连接

智能体需要“输入”和“输出”。

输入侧（职位来源）：

• 招聘网站RSS：许多招聘网站（如LinkedIn, Indeed的特定搜索）提供RSS订阅链接。n8n的RSS Feed Read节点可以定时抓取。
• 招聘网站API（高级）：一些平台提供官方API（如Greenhouse, Lever），可以更结构化地获取职位信息。这需要申请API Key，并使用n8n的HTTP Request节点进行调用。
• 手动维护列表：最简单的方式，用n8n的Schedule Trigger定时触发，从一个Google Sheets或Airtable中读取你手动收集的职位链接和基本信息。
• 网页抓取（最后手段）：对于不提供RSS或API的网站，可以考虑使用n8n的HTML Extract节点或配合Puppeteer进行简单的抓取。但需注意遵守网站的robots.txt和服务条款。

输出侧（结果处理）：

• 数据库：将匹配结果（职位信息、匹配度、分析报告）存储到Notion Database、Airtable或自建的PostgreSQL中，便于后续查看和筛选。
• 通知：通过Email节点发送每日/每周摘要到邮箱；通过钉钉、飞书、企业微信或Slack的Webhook节点，将高匹配度的职位实时推送到你的聊天软件。
• 文档：为每个高匹配度职位，用AI生成一份定制化的求职建议或Cover Letter草稿，保存到Google Docs或本地。

3. 在n8n中构建AI求职匹配智能体

3.1 工作流整体设计与节点规划

一个完整的AI求职匹配工作流，可以拆解为以下几个核心阶段，每个阶段对应n8n中的一个或多个节点：

1. 触发阶段：使用Schedule Trigger节点，设置为每天上午9点自动运行一次，开始一天的职位扫描。
2. 数据获取阶段：
   • RSS Feed Read节点：从预设的多个招聘RSS源抓取最新职位。
   • HTTP Request节点（可选）：调用招聘平台API获取结构化职位数据。
   • Google Sheets节点：读取你手动维护的职位追踪表。
3. 数据预处理阶段：
   • Function节点或Set节点：清洗和标准化数据。例如，从抓取的内容中提取出纯文本的职位描述、公司名称、职位名称、地点等，并整理成统一的JSON格式，为后续AI分析做准备。
4. AI分析核心阶段：
   • OpenAI节点或HTTP Request节点（调用AI模型）：这是最关键的节点。我们将构建一个精心设计的提示词（Prompt），将标准化后的职位描述（JD）和你的简历文本一起发送给AI模型，要求它进行多维度分析和打分。
5. 结果判断与路由阶段：
   • IF节点：根据AI返回的匹配度分数（例如，高于80分）进行判断。
   • 高分路线：触发通知和存储。
   • 低分路线：可以记录日志或直接忽略。
6. 输出与通知阶段：
   • 高分路线下，并行或串行连接：
     • Notion节点：将职位信息和AI分析报告写入Notion数据库。
     • Email节点：发送邮件通知。
     • Webhook节点：推送消息到钉钉/飞书。

3.2 核心Prompt工程：如何让AI成为合格的“匹配官”

AI分析节点的效果，90%取决于提示词的设计。一个糟糕的提示词会让AI胡言乱语，一个好的提示词能让它像资深猎头一样思考。

以下是一个我经过多次迭代后，效果比较稳定的提示词结构：

你是一位资深技术招聘专家和职业顾问。请仔细分析以下“职位描述”和“候选人简历”，并从公司、职位、团队、技术栈、项目经验、文化匹配度、职业发展等多个维度，进行综合匹配度评估。 **职位描述 (Job Description):** {这里用n8n的上游节点变量，如 `{{$json.jd_text}}` 填入} **候选人简历 (Candidate Resume):** {这里可以写死一份你的简历核心摘要文本，或者从另一个文件/数据库节点读取。建议用写死的方式起步，例如：`{{$resume}}`，并在n8n中定义一个常量} **请按以下步骤和格式进行分析：** 1. **核心要求提取**：列出该职位最硬性的3-5条要求（如“必须精通Python”、“需要5年以上后端经验”）。 2. **候选人匹配度分析**：逐条对照上述核心要求，说明候选人的简历是否满足，并给出具体证据（如简历中的某段经历、某个项目）。 3. **潜在优势挖掘**：找出候选人简历中超出职位要求的亮点技能或经验，这些可能是加分项。 4. **风险与差距提示**：指出候选人明显不符合或缺失的要求，以及可能存在的潜在风险（如技术栈版本差异、行业经验不足）。 5. **文化与发展评估**：根据JD中的团队描述、公司业务，评估与候选人职业期望、工作风格的契合度。 6. **综合匹配度评分**：给出一个0-100分的整数评分，并简要说明主要评分依据。 7. **行动建议**：针对这个职位，候选人应在简历修改或面试准备中重点突出哪1-2点？需要提前补足哪方面的知识？ **最终输出必须是严格的JSON格式，包含以下字段：** { “hard_requirements”: [“要求1”, “要求2”, ...], “match_analysis”: “逐条匹配的详细文本分析”, “advantages”: “优势挖掘文本”, “gaps”: “差距与风险文本”, “culture_fit”: “文化匹配评估文本”, “overall_score”: 85, “actionable_advice”: “具体的行动建议文本” }

在n8n的OpenAI节点中，你将这个提示词模板化，把{jd_text}和{resume}替换成实际的变量。将Response Format设置为JSON，这样AI就会返回一个可以直接被n8n后续节点解析的结构化数据。

注意事项：简历文本不宜过长，最好提炼一份包含核心技能、工作经历、项目成就、教育背景的“摘要版”简历（控制在800字内），以保证AI能在上下文窗口内有效处理，并聚焦重点。

3.3 关键节点配置详解与避坑指南

1. Schedule Trigger节点：这是工作流的起点。配置一个合理的时间很重要，建议设置在工作日上班后的一小时，如上午9点。这样抓取到的是最新发布的职位。避免设置在深夜，因为可能触发网站的反爬机制。

2. 数据抓取节点（以RSS为例）：在RSS Feed Read节点中，可以添加多个招聘搜索的RSS URL。一个常见的技巧是，在招聘网站进行精细化的关键词搜索（如“Python 远程 高级工程师”），然后使用其生成的RSS订阅链接。这样抓取到的职位本身就是经过一轮筛选的，能大幅提升后续AI分析的效率和质量。

3. OpenAI节点配置：

• Model：选择gpt-4o-mini（性价比高）或gpt-4（分析更深度）。
• Prompt：粘贴上述精心设计的提示词模板，并使用变量替换功能，例如：...职位描述：{{$json.description}}...候选人简历：{{$env.RESUME_TEXT}}...。这里$env.RESUME_TEXT是我在n8n的环境变量中存储的简历文本，方便统一管理。
• Temperature：设置为0.2或更低。匹配分析需要高度的确定性和一致性，低温度值可以减少AI的“胡编乱造”。
• Max Tokens：根据你提示词和输入的长度，设置一个足够大的值，如2000，以确保能收到完整的JSON回复。

4. IF节点判断逻辑：从OpenAI节点输出的JSON中，提取overall_score字段。在IF节点中设置条件：{{$json["analysis"].overall_score}} > 80。这里假设analysis是OpenAI节点输出JSON的根字段。这个阈值可以根据你的求职紧迫度调整，越紧迫阈值可以适当调低。

5. 通知节点（以Webhook为例）：在IF节点为true的分支后，连接一个HTTP Request节点，配置为你钉钉/飞书机器人的Webhook地址。方法为POST。在Body里，构建一个富文本消息，例如：

{ “msgtype”: “markdown”, “markdown”: { “title”: “🚀 发现高匹配度职位！”, “text”: “**职位名称：** {{$json.title}}\n**公司：** {{$json.company}}\n**AI匹配度：** {{$json.analysis.overall_score}}\n**核心匹配点：** {{$json.analysis.match_analysis}}\n**行动建议：** {{$json.analysis.actionable_advice}}\n[查看详情]{{$json.link}}” } }

这样，每当有高分职位出现，你的手机就会立刻收到一条清晰的通知。

4. 高级优化与个性化定制

4.1 实现多轮筛选与优先级排序

基础版本是“一票通过制”（分数>阈值即通知）。但现实中，我们可能每天收到多个高分职位，需要进一步区分优先级。

可以在AI分析节点之后，增加一个Sort节点。排序规则可以更复杂，例如：

• 主排序：overall_score（降序）。
• 次排序：可以引入其他权重。例如，在Prompt中让AI额外输出一个interest_level（基于公司知名度、技术前沿性等），或者根据职位地点（location）与你偏好地的匹配程度来赋予权重。 最终，你可以设置只将排名前3-5的职位发送通知，避免信息过载。

4.2 构建动态简历库与职位历史

更智能的系统应该能“记忆”。

• 简历库：不要在Prompt里写死一份简历。可以创建一个简单的数据库（如SQLite或Airtable），存储你针对不同岗位方向（如“后端开发”、“机器学习”、“技术管理”）定制的多份简历摘要。在AI分析前，先根据职位类别，用IF节点或另一个简单的AI分类节点，选择最相关的一份简历摘要进行匹配。
• 投递历史：在Notion或数据库中，为每个分析过的职位创建一条记录，包含原始JD、AI分析结果、匹配分数、以及你后续手动添加的“已投递”、“已面试”、“已拒绝”等状态。这不仅能避免重复分析同一职位，长期积累的数据更能让你复盘：AI认为匹配度高的职位，实际面试反馈如何？从而反向优化你的简历和AI的评估模型。

4.3 成本控制与性能调优

如果每天扫描数百个职位，API成本需要注意。

• 频率控制：Schedule Trigger不要设置得太频繁，每天1-2次足够。
• 前置过滤：在调用昂贵的AI API之前，先用简单的规则进行过滤。例如，在Function节点里写几行代码，过滤掉明显不符合地点要求（如“仅限本地”而你要求远程）、或包含你明确排斥的关键词（如“996”、“大小周”）的职位。
• 模型选择：对于初步的摘要生成或简单分类，使用更便宜的模型（如gpt-3.5-turbo或claude-3-haiku）。只在最终的综合匹配分析时使用更强的模型。
• 缓存机制：对于相同的公司-职位名，可以将其MD5值作为键，将AI分析结果暂存到n8n的Binary Data或一个外部缓存（如Redis）中，短期内避免重复分析。

5. 常见问题排查与实战心得

5.1 AI分析结果不稳定或偏离预期

• 症状：同样的职位，两次运行分数差异很大；AI给出的匹配理由牵强附会。
• 排查：
  1. 检查Temperature：确保设置为较低值（0.1-0.3）。
  2. 优化Prompt：指令不够清晰。在Prompt中更明确地强调“基于简历中的具体证据”、“避免主观臆断”。可以要求AI在分析中必须引用简历原文的片段。
  3. 简化输入：简历文本可能太长或格式杂乱，干扰了AI。确保输入AI的是清洗后的纯文本核心摘要。
  4. 上下文示例（Few-Shot）：在Prompt中给出一两个完美的分析示例，告诉AI你期望的输出格式和深度。

5.2 n8n工作流意外中断或报错

• 症状：工作流执行到一半停止，某个节点显示红色错误。
• 排查：
  1. 查看节点日志：点击错误节点，查看详细的错误信息。最常见的是API调用失败（网络问题、额度不足）、JSON解析错误（AI返回格式不对）、或变量引用错误（{{$json.xxx}}中的xxx字段不存在）。
  2. 检查变量路径：使用n8n的“测试步骤”功能，逐步运行，查看每个节点实际的输入数据，确保你引用的变量名和路径完全正确。AI返回的JSON结构可能微调，需要用{{$json[“analysis”][“overall_score”]}}这样的方式安全访问。
  3. 处理空值：在IF节点或Function节点前，使用IF或Merge节点处理可能为空的数据流，避免整个工作流因单个职位信息缺失而崩溃。

5.3 匹配度阈值设置与效果评估

• 问题：阈值设80分，感觉推送的职位还是太多或太少。
• 心得：阈值不是固定的。在项目运行初期，可以将阈值设低一点（如70分），让更多职位进入你的视野。然后人工复核AI的分析报告。记录下哪些职位你看了分析后觉得确实不错（真阳性），哪些觉得AI判断有误（假阳性）。运行一两周后，你就能对AI的“评分标准”有个感性认识，再据此调整阈值。本质上，你是在校准这个AI助手。

5.4 从自动化到半自动化：人的角色不可替代

这是我最重要的一个心得：这个智能体是强大的“过滤器”和“分析员”，但绝不是“决策者”。它帮你从100个职位中筛选出10个匹配度最高的，并附上详细的分析报告。但你仍然需要花时间阅读这10个职位的原始JD和AI报告，结合你的直觉、职业规划、对公司背景的私下了解，做出最终是否投递的决策。AI可以指出你的技能与JD的匹配点，但无法判断团队氛围是否合拍、老板是否靠谱。它极大地提升了信息处理的效率和深度，但将宝贵的注意力和决策权留给了你。