用Gemini+NestJS搭建AI找工作助手，告别海投内耗，精准匹配

内容分享3小时前发布

0 0 0

全能 AI 聚合平台免费

一站式接入主流 AI 大模型，支持对话 · 生图 · 生视频，即开即用

ChatGPT Claude Gemini Grok DeepSeek 通义千问 Ollama

AI对话 AI生图 AI视频

免费使用 →

用Gemini+NestJS搭建AI找工作助手，告别海投内耗，精准匹配

一、海投300份简历，只收到1个真offer？AI早已帮人躺赢

每个求职者都经历过这样的内耗：每天花3小时刷招聘软件，翻几百条岗位，一半是不符合经验的资深岗，一半是看似匹配实则无关的岗位——后端工程师刷到前端开发，应届生收到总监岗邀请，忙活一周连个有效面试都没有。

有人吐槽“找工作比上班还累”，却很少有人想过，重复的筛选工作本就不该由人来做。开发者Jerlin Joy就抓住了这个痛点，用Google Gemini和NestJS搭建了一款名为JobHunt.ai的AI求职代理，能自动爬取岗位、匹配简历，只把“精准匹配”的机会推送给自己，彻底解放双手。

这款AI助手的出现，的确打破了传统求职的低效困境，让求职者从繁琐的筛选中解脱出来。但它真的能适配所有求职者？普通人没有编程基础，也能用上这样的工具吗？实则AI求职的核心从不是“替代人”，而是“帮人减负”，关键在于找对方法。

先给大家详细介绍下这款AI助手用到的核心技术，毕竟技术的可靠性，直接决定了求职匹配的精准度，也关系到我们普通人能否借鉴复用。

核心技术详情（开源+免费+GitHub星数，实测可查）：

1. NestJS：完全开源免费，截至2026年3月，GitHub星数达67k+，基于Node.js构建，融合了多种编程思想，结构清晰、规范性强，尤其适合中小型微服务项目，也是前端转后端开发者的首选框架，能为AI助手提供稳定的模块化后端支撑。

2. Google Gemini Pro：谷歌推出的AI大模型，支持免费使用（免费版有每日配额限制），也有付费版本（AI Plus每月约50元，AI Pro每月约125元），其中免费版足以满足个人求职助手的搭建需求，能实现语义匹配、领域验证等核心功能，其嵌入服务可将文本转换为高维向量，实现精准语义识别。

3. Tesseract.js：开源免费，GitHub星数达28.8k，支持超过100种语言的OCR识别，能解决扫描版简历无法解析的问题，是AI助手的“眼睛”。

4. pdf2pic：开源免费，可将PDF文件转换为图片格式，配合Tesseract.js实现扫描版简历的文字提取，完美解决传统简历解析工具的短板。

5. GitHub Actions：完全免费，公共仓库可不限时长使用，能实现定时任务触发，让AI助手每天自动运行，无需手动操作。

二、核心拆解：手把手教你搭建AI求职助手，代码可直接复制使用

JobHunt.ai的核心逻辑很简单：替代人工完成“爬取岗位—解析简历—精准匹配—推送通知”的全流程，核心优势在于摆脱了传统招聘平台的“关键词陷阱”，用语义智能实现真正的精准匹配。下面从技术架构、核心模块、具体代码三个方面，完整拆解搭建过程，新手也能跟着操作。

核心前提：环境准备

搭建前需准备好基础环境，确保所有工具能正常运行，步骤如下：

1. 安装Node.js（推荐16.x及以上版本），用于运行NestJS项目；

2. 注册Google账号，获取Gemini API Key（免费版即可），用于调用Gemini Pro模型；

3. 安装Git，用于管理代码和配置GitHub Actions；

4. 安装依赖包：打开终端，执行相应命令安装NestJS、Tesseract.js、pdf2pic等核心依赖。

第一步：搭建后端框架（NestJS）

NestJS作为整个AI助手的后端支撑，负责整合所有模块、处理请求和任务调度，具体操作和代码如下：

// 1. 全局安装NestJS脚手架
npm install -g @nestjs/cli

// 2. 创建新项目
nest new jobhunt-ai

// 3. 进入项目目录
cd jobhunt-ai

// 4. 安装核心依赖（Gemini、OCR相关）
npm install @google/generative-ai tesseract.js pdf2pic axios

创建完成后，项目结构会自动生成，无需手动配置基础架构，NestJS的模块化设计会让后续的功能扩展更便捷。

第二步：实现OCR识别模块（解决扫描简历解析问题）

传统简历解析工具无法识别扫描版PDF，这也是许多求职者的痛点。该模块通过Tesseract.js和pdf2pic实现“PDF转图片—图片识别文字”的自动 fallback，确保所有格式的简历都能正常解析，代码如下：

// src/ocr/ocr.service.ts
import { Injectable } from '@nestjs/common';
import { createWorker } from 'tesseract.js';
import { fromPath } from 'pdf2pic';
import * as fs from 'fs';

@Injectable()
export class OcrService {
  // 解析PDF简历（支持扫描版）
  async parseResume(pdfPath: string): Promise<string> {
    try {
      // 先尝试读取PDF文本
      let text = '';
      // 此处省略简单PDF文本读取逻辑（可通过pdf-parse等依赖实现）
      
      // 如果文本为空，说明是扫描版，执行OCR识别
      if (!text || text.trim() === '') {
        // 1. PDF转图片（300 DPI，确保识别清晰度）
        const options = {
          density: 300,
          savePath: './temp',
          format: 'png',
          width: 1200,
        };
        const convert = fromPath(pdfPath, options);
        const page = await convert(1, { responseType: 'image' });
        
        // 2. 图片OCR识别
        const worker = await createWorker('eng+chi_sim'); // 支持中英文
        const { data: { text: ocrText } } = await worker.recognize(page.path);
        await worker.terminate();
        
        // 删除临时图片
        fs.unlinkSync(page.path);
        text = ocrText;
      }
      
      return text.trim();
    } catch (error) {
      console.error('简历解析失败：', error);
      throw new Error('简历解析失败，请检查文件格式');
    }
  }
}

第三步：实现Gemini语义匹配模块（核心功能）

这是AI助手的核心，摆脱传统关键词匹配的弊端，通过向量嵌入（Vector Embeddings）将简历和岗位描述转换为高维向量，用余弦类似度判断两者的语义匹配度，同时加入领域验证，避免跨领域匹配，代码如下：

// src/gemini/gemini.service.ts
import { Injectable } from '@nestjs/common';
import { GoogleGenerativeAI, Embedding } from '@google/generative-ai';

@Injectable()
export class GeminiService {
  private genAI: GoogleGenerativeAI;
  
  constructor() {
    // 初始化Gemini（替换为你的API Key）
    this.genAI = new GoogleGenerativeAI('你的Gemini API Key');
  }
  
  // 生成文本的向量嵌入
  private async generateEmbedding(text: string): Promise<number[]> {
    const model = this.genAI.getGenerativeModel({ model: 'embedding-001' });
    const result = await model.embedContent({
      content: text,
      taskType: 'retrieval_document',
    });
    return result.embedding.values;
  }
  
  // 计算余弦类似度（判断匹配度，0-1之间，越接近1匹配度越高）
  private calculateCosineSimilarity(vec1: number[], vec2: number[]): number {
    const dotProduct = vec1.reduce((sum, a, i) => sum + a * vec2[i], 0);
    const mag1 = Math.sqrt(vec1.reduce((sum, a) => sum + a * a, 0));
    const mag2 = Math.sqrt(vec2.reduce((sum, a) => sum + a * a, 0));
    return mag1 && mag2 ? dotProduct / (mag1 * mag2) : 0;
  }
  
  // 领域验证（避免后端匹配前端等跨领域情况）
  private async verifyDomain(resumeText: string, jobText: string): Promise<boolean> {
    const model = this.genAI.getGenerativeModel({ model: 'gemini-pro' });
    const prompt = `
      请分析以下简历和岗位描述的领域是否匹配：
      简历：${resumeText.substring(0, 500)}（截取前500字符，避免上下文溢出）
      岗位描述：${jobText.substring(0, 500)}
      要求：1. 判断简历对应的职业领域（如后端开发、前端开发、产品经理等）；
            2. 判断岗位对应的职业领域；
            3. 若两者领域一致或高度相关，返回true，否则返回false。
      仅返回true或false，不要多余内容。
    `;
    const result = await model.generateContent(prompt);
    const response = await result.response;
    return response.text().trim().toLowerCase() === 'true';
  }
  
  // 核心匹配方法（返回匹配分数，0-1）
  async matchResumeAndJob(resumeText: string, jobText: string): Promise<number> {
    // 1. 生成向量嵌入
    const resumeEmbedding = await this.generateEmbedding(resumeText);
    const jobEmbedding = await this.generateEmbedding(jobText);
    
    // 2. 计算基础匹配分数
    let score = this.calculateCosineSimilarity(resumeEmbedding, jobEmbedding);
    
    // 3. 领域验证，不匹配则扣除50%分数
    const isDomainMatch = await this.verifyDomain(resumeText, jobText);
    if (!isDomainMatch) {
      score *= 0.5; // 惩罚机制，确保不推送跨领域岗位
    }
    
    return score;
  }
}

第四步：实现岗位爬取与通知模块

该模块负责爬取招聘平台岗位（以LinkedIn为例），筛选出匹配分数高于阈值（如0.7）的岗位，通过Discord Webhook推送给用户，同时加入Token优化，避免超出Gemini免费额度，代码如下：

// src/job/job.service.ts
import { Injectable } from '@nestjs/common';
import axios from 'axios';
import { GeminiService } from '../gemini/gemini.service';
import { OcrService } from '../ocr/ocr.service';

@Injectable()
export class JobService {
  constructor(
    private readonly geminiService: GeminiService,
    private readonly ocrService: OcrService,
  ) {}
  
  // 爬取LinkedIn岗位（简化版，实际可优化爬取逻辑）
  private async scrapeLinkedInJobs(keyword: string): Promise<any[]> {
    const url = `https://www.linkedin.com/jobs/search/?keywords=${encodeURIComponent(keyword)}`;
    const response = await axios.get(url, {
      headers: {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) Chrome/120.0.0.0 Safari/537.36',
      },
    });
    
    // 此处省略HTML解析逻辑，提取岗位标题、描述、要求等信息
    // 实际开发中可使用cheerio等依赖解析HTML
    return [
      {
        title: 'Node.js Backend Engineer',
        description: '负责后端服务开发，熟练使用Node.js、NestJS，熟悉数据库设计...',
        company: '某科技公司',
      },
      // 更多岗位...
    ];
  }
  
  // Token & 上下文优化（避免超出Gemini免费额度）
  private async optimizeContext(text: string): Promise<string> {
    // 智能截断长文本（控制在700字符以内）
    if (text.length > 700) {
      return text.substring(0, 700) + '...';
    }
    return text;
  }
  
  // 延迟控制（12秒间隔，避免API调用过于频繁）
  private async delay(ms: number): Promise<void> {
    return new Promise(resolve => setTimeout(resolve, ms));
  }
  
  // 推送通知到Discord
  private async sendDiscordNotification(job: any): Promise<void> {
    const webhookUrl = '你的Discord Webhook URL';
    await axios.post(webhookUrl, {
      content: `找到精准匹配岗位：
标题：${job.title}
公司：${job.company}
描述：${job.description.substring(0, 200)}...`,
    });
  }
  
  // 核心执行方法
  async runJobHunt(resumePath: string, keyword: string): Promise<void> {
    try {
      // 1. 解析简历
      const resumeText = await this.ocrService.parseResume(resumePath);
      
      // 2. 爬取岗位
      const jobs = await this.scrapeLinkedInJobs(keyword);
      
      // 3. 逐一匹配，推送精准岗位
      for (const job of jobs) {
        // 优化岗位描述，避免上下文溢出
        const optimizedJobDesc = await this.optimizeContext(job.description);
        
        // 计算匹配分数
        const matchScore = await this.geminiService.matchResumeAndJob(resumeText, optimizedJobDesc);
        
        // 匹配分数高于0.7，推送通知
        if (matchScore > 0.7) {
          await this.sendDiscordNotification(job);
        }
        
        // 延迟12秒，避免超出API调用限制
        await this.delay(12000);
      }
    } catch (error) {
      console.error('AI求职助手执行失败：', error);
    }
  }
}

第五步：配置定时任务（GitHub Actions）

通过GitHub Actions设置定时任务，让AI助手每天自动运行，无需手动触发，配置文件如下（创建
.github/workflows/jobhunt.yml）：

name: JobHunt AI Auto Run
on:
  schedule:
    # 每天早上9点运行（UTC时间1点，北京时间比UTC快8小时）
    - cron: '0 1 * * *'
  workflow_dispatch: # 支持手动触发

jobs:
  run-jobhunt:
    runs-on: ubuntu-latest
    steps:
      - name: 拉取代码
        uses: actions/checkout@v4
      
      - name: 安装Node.js
        uses: actions/setup-node@v4
        with:
          node-version: '16'
      
      - name: 安装依赖
        run: npm install
      
      - name: 运行AI求职助手
        run: npm run start:dev
        env:
          GEMINI_API_KEY: ${{ secrets.GEMINI_API_KEY }}
          DISCORD_WEBHOOK_URL: ${{ secrets.DISCORD_WEBHOOK_URL }}

配置完成后，将代码推送到GitHub，在仓库设置中添加Gemini API Key和Discord Webhook URL作为密钥，AI助手就会每天自动爬取岗位、匹配简历并推送通知。

三、辩证分析：AI求职助手不是“万能药”，优势与局限并存

JobHunt.ai的出现，无疑为求职者提供了一种高效的求职方式，它解决了传统海投的低效、内耗问题，让精准匹配成为可能，这是它不可替代的优势。尤其是对于程序员、设计师等技术岗位，语义匹配能精准识别技能需求，避免因关键词遗漏而错过合适岗位，同时自动化流程也节省了大量时间，让求职者能专注于简历优化和面试准备。

但我们不能盲目神化AI求职助手，它也有自身的局限。第一，它的核心依赖编程能力，普通人没有基础，很难独立搭建，即便有现成的代码，也可能因环境配置、API调用等问题无法正常使用；其次，岗位爬取存在必定的局限性，部分招聘平台有反爬机制，可能导致爬取失败或岗位信息不完整；最后，AI匹配无法替代人工判断，列如岗位的隐性要求、公司文化适配度等，都需要求职者自己进一步筛选。

更值得思考的是，AI求职助手的普及，会不会让求职竞争变得更激烈？当所有人都能用AI精准匹配岗位，原本靠“海投碰运气”的求职者，会不会彻底失去机会？实则答案很简单：AI只是工具，它能帮你筛选机会，但不能帮你提升能力。真正能决定你能否拿到offer的，还是你的专业技能和综合素质，AI只是帮你更快地找到适合自己的舞台。