• 示例工程
• 人工智能

本篇文章围绕 500-AI-Agents-Projects 仓库中的 Job Application Agent（agents/18-job-application-agent）展开，讲解如何用 CrewAI 多 Agent 协作流水线，将一段职位描述（Job Description）与候选人简历摘要作为输入，自动产出定制化求职信、重点简历条目、面试预演题目及薪资谈判区间。读完本文，你将掌握该 Agent 的完整安装运行流程、双 Agent + 顺序流程的源码级实现原理，以及如何替换为自己的求职材料复用它。

一、Agent 概览：它能产出什么

Job Application Agent 是一个基于CrewAI构建、默认使用GPT-4o-mini的多智能体应用，其定位在 README.md 中表述得很直接：输入「职位描述 + 候选人画像」，输出一整套完整的求职申请材料包（job application package）。根据 README 与 agent.py 中的任务定义，最终产出包含四类内容：

从仓库索引表（agents/README.md）可以看到，该 Agent 被归类为CrewAI 框架、HR 行业、⭐⭐ 难度（intermediate），属于「可独立运行的自包含 Agent」——每个 Agent 目录自带requirements.txt与.env.example，无需搭建 monorepo 即可单独跑起来。

二、环境准备：安装依赖与配置 API Key

Agent 目录中共有四个关键文件，各司其职：

• agent.py：主程序，包含全部 Agent/Task 定义与 CLI 入口；
• requirements.txt：Python 依赖清单；
• .env.example：环境变量模板，核心是OPENAI_API_KEY；
• metadata.yaml：Agent 元信息（框架、行业、难度、入口点、LLM 型号）。

2.1 安装依赖

pip install -r requirements.txt

requirements.txt 中锁定的依赖版本为：

crewai==0.80.0 langchain-openai==0.2.0 python-dotenv==1.0.1

这里可以看到 Agent 的技术底座由三部分组成：CrewAI（多智能体编排框架）、langchain-openai（通过 LangChain 的ChatOpenAI封装访问 OpenAI 模型）、python-dotenv（加载.env环境变量）。crewai==0.80.0这一版本锁定意味着运行行为以该版本 API 为准。

2.2 配置 API Key

cp .env.example .env

复制后编辑.env，填入你的 OpenAI API Key。模板内容即：

OPENAI_API_KEY=your_openai_api_key_here

程序启动时通过 agent.py 中的load_dotenv()自动读取.env文件，因此不配置 Key 直接运行会在调用 OpenAI 时报认证错误。

三、运行方式：内置示例与自定义输入

3.1 使用内置示例直接运行

python agent.py

这是 README 推荐的最快验证方式。程序内置了一份真实的模拟数据：

• SAMPLE_JOB（agent.py）：一段「Stripe API Platform 团队招聘 Senior Python Engineer」的职位描述，包含 5+ 年 Python 经验、分布式系统、REST API 与微服务、PostgreSQL/Redis、Kubernetes 优先、沟通能力等硬性要求，以及设计高并发 API、技术设计评审、指导初级工程师、与产品协作等职责；
• SAMPLE_CANDIDATE（agent.py）：候选人「Jane Doe」的画像——7 年 Python 经验、当前在 DataCorp 任 Senior Software Engineer、技能栈覆盖 Python/FastAPI/Django/PostgreSQL/Redis/Docker/Kubernetes/AWS，并有「日处理 500 万请求的 API 平台」「带领 4 人团队」「API 延迟降低 40%」「指导 3 名初级工程师」等成就。

运行后终端会先打印准备提示，然后以分隔线包裹输出完整的JOB APPLICATION PACKAGE（对应 agent.py 的主流程输出逻辑）。

3.2 传入你自己的职位与简历

python agent.py \ --job-desc "$(cat job_posting.txt)" \ --candidate "$(cat my_profile.txt)"

两个 CLI 参数的语义（定义于 agent.py）：

• --job-desc：职位描述文本，默认值即内置的SAMPLE_JOB；
• --candidate：候选人简历/技能摘要文本，默认值即内置的SAMPLE_CANDIDATE。

用法上与 README 一致：$(cat job_posting.txt)将文本文件内容作为命令行参数传入，适合把职位描述和简历摘要分别存成job_posting.txt、my_profile.txt后批量处理。你也可以直接传字符串字面量，例如：

python agent.py --job-desc "Senior Python Engineer at Stripe..." --candidate "7 years Python, FastAPI..."

四、源码级解析：双 Agent 顺序协作流水线

Job Application Agent 的核心价值不在于单次 prompt 调用，而在于将「分析岗位」和「撰写材料」拆成两个角色分工的 Agent，并通过 Crew 的顺序流程（sequential process）串联。整体调用链为：main()→run_job_application_crew(job_desc, candidate_profile)→ 构建 LLM → 定义两个 Agent → 定义两个 Task → 组装 Crew →crew.kickoff()执行。

4.1 共享 LLM：统一模型与采样参数

agent.py 中，两个 Agent 共用同一个 LLM 实例：

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.4)

• model="gpt-4o-mini"：与 README 声明及 metadata.yaml 中的llm: gpt-4o-mini一致；
• temperature=0.4：相对克制的随机度——求职材料既要保持语言自然，又不能过于发散，偏低的采样温度有助于输出更稳定、贴合岗位要求的文字。

4.2 Agent 一：岗位需求分析师（Job Requirements Analyst）

定义于 agent.py，其角色设定为：

• Role：Job Requirements Analyst（岗位需求分析师）；
• Goal：分析职位描述，识别关键要求、价值观与文化信号（key requirements, values, and culture signals）；
• Backstory：曾任 FAANG 招聘经理、拥有 10 年招聘经验、擅长解码职位描述的专家。

这个 Agent 的职责是「阅读理解」，它负责从职位描述中抽取出：Top 5 必备技能、文化信号、公司最看重的价值、潜在红旗（red flags），以及需要在申请材料中镜像复刻的关键词（key phrases to mirror）。

4.3 Agent 二：职业教练与申请撰写者（Career Coach and Application Writer）

定义于 agent.py，角色设定为：

• Role：Career Coach and Application Writer（职业教练与申请撰写者）；
• Goal：创作定制化申请材料，最大化面试机会；
• Backstory：已帮助 500+ 候选人入职顶级科技公司的职业教练。

这个 Agent 的职责是「写作生成」，它在上游分析结果的基础上，结合候选人画像完成四类产出的撰写。

4.4 Task 编排：分析任务 → 应用材料任务

两个 Agent 分别挂载一个 Task，形成数据依赖链：

1. 分析任务（analyst_task，agent.py：将职位描述注入任务描述，要求输出「岗位分析：关键要求、文化信号、重要关键词」。该任务挂在 analyst Agent 上，expected_output为结构化的岗位分析结果。

2. 应用材料任务（application_task，agent.py：将候选人画像注入任务描述，并按 1–4 的编号明确要求产出求职信（250-300 词、三段式）、Top 5 简历要点、10 个面试问题（5 行为 + 5 技术，附答题框架）、薪资谈判区间。关键点在于context=[analyst_task]——它显式声明本任务依赖分析任务的输出，CrewAI 会把分析师的结果作为上下文提供给撰写者 Agent。

4.5 Crew 组装与执行

crew = Crew( agents=[analyst, writer], tasks=[analyst_task, application_task], process=Process.sequential, verbose=False, )

Crew 定义 中有三点值得注意：

• process=Process.sequential：顺序流程，严格按「先分析、后撰写」执行，保证写作任务拿到的是已完成的分析结论；
• 两个 Task 的先后顺序与agents列表一致，context引用关系又进一步强化了依赖；
• verbose=False：不输出中间调试信息；排错时可改为True查看每一步的详细日志。

最终return str(crew.kickoff())（agent.py）将 Crew 的最终执行结果转成字符串返回，再由main()打印输出。

五、四类产出的撰写规范详解

结合 README.md 的 Output 清单与 agent.py 的任务描述，四类产出的生成要求如下：

1. 定制求职信：250–300 词，固定三段结构——hook 段用一句有冲击力的开场抓住招聘方注意力；evidence 段用与岗位直接相关的量化成就作为证据；close 段收束并表达意愿。字数与段落结构都被硬编码进任务描述，保证输出格式稳定。

2. Top 5 简历条目：不是把候选人所有经历罗列出来，而是从「与目标岗位匹配度」角度精选 5 条，聚焦岗位关键词（如该示例中的分布式系统、高并发 API、团队领导力）。

3. 10 个面试问题：刻意拆分为 5 个行为面试问题（behavioral，考察软技能与过往行为，如团队协作、冲突处理）+ 5 个技术面试问题（technical，考察岗位硬技能），并逐题给出答题框架（answer framework），让候选人不只看到题目，还知道怎么组织答案。

4. 薪资谈判区间：根据岗位职级（seniority）与公司类型（company）估算合理区间，为面试后的谈判环节提供参考锚点。

六、扩展与实战建议

• 替换 LLM：修改 agent.py 中的ChatOpenAI(model=...)即可切换模型；若使用其他兼容 OpenAI 协议的供应商，可通过base_url参数接入（需自行确认供应商支持）。
• 批量投递：把多份job_posting.txt与my_profile.txt循环传入--job-desc/--candidate，即可为不同岗位批量生成定制材料。
• 微调温度：若觉得求职信语言过于模式化可适当调高temperature；若希望严格贴合岗位关键词则可调低。
• 调试输出：将 Crew 的verbose设为True，可以观察分析师与撰写者各自的中间产出，便于排查任务依赖是否生效。
• 依赖版本：当前锁定crewai==0.80.0，若升级 CrewAI 大版本，Agent/Task/Crew的 API 参数可能有变动，升级后需回归验证。

七、小结

Job Application Agent 是 500-AI-Agents-Projects 仓库中一个典型的CrewAI 多 Agent 顺序协作实战样例：通过「分析师 → 撰写者」的双角色分工与context任务依赖，把一份职位描述加工成包含求职信、简历要点、面试题库与薪资区间的完整申请材料包。阅读源码可以发现，它的全部智能逻辑都封装在两个 Agent 的角色设定与两个 Task 的 prompt 描述中——这正是 CrewAI 面向业务场景快速搭建 Agent 团队的核心方式：不用写复杂的状态机，只需要定义好角色、目标与任务上下文，框架负责编排执行。对开发者而言，这套「岗位分析 + 内容生成」的流水线模式稍加改造（更换输入、拆分任务、增加工具），即可复用到简历解析、候选人筛选、招聘文案生成等更多 HR 场景。

• 示例工程
• 人工智能