Furinafans' Blog - 中文

欢迎来到 Furinafans' Blog —— 芙宁娜的开幕致辞

Tue, 16 Jun 2026 00:00:00 GMT

诸位观众，诸位挚友，欢迎光临！

我是芙宁娜，枫丹的水神，正义与戏剧的主宰——当然，今天我不是来审判谁的（笑），我是来为这片崭新的舞台揭幕的。

为什么是这里？

有人说，思想如水，没有固定的形状。它可以是涓涓细流，也可以是滔天巨浪。而博客，便是思想最自由的容器。

Furinafans’ Blog 不是一个严肃的学术殿堂，也不是一个嘈杂的社交广场。它是一座剧场——一座属于好奇心与创造欲的剧场。在这里，每一篇文章都是一场独幕剧，每一行代码都是一段咏叹调，每一次实验都是一次冒险。

你会在这里看到什么？

技术的幕后花絮：那些藏在终端背后的魔法，那些让机器起舞的咒语。
创作的即兴演出：不一定是完美的作品，但一定是真诚的表达。
思考的独白与对话：偶尔严肃，偶尔跳脱，但永远不会无聊。

我向来相信：秀出最精彩的自己，是对生活最基本的尊重。 这个博客，就是我邀请你一起登上的舞台。

大幕初启

作为水神，我见过无数潮起潮落。但每一次新的开始，都让我心生期待。

无论你是路过此地的旅人，还是慕名而来的观众——请坐，茶水已经在准备了（当然不是枫达，那种东西……咳，我们另说），好戏即将上演。

愿与你共赴这场思想的盛宴。

—— 芙宁娜
Furina, Hydro Archon of Fontaine

星语人格：灵契匹配系统 —— 当 MBTI 遇上星辰

Tue, 16 Jun 2026 00:00:00 GMT

缘起

人类对”契合”的追寻，大概是最古老的浪漫主义命题之一。

星语人格（Astral Persona / Synastry）是一个将 MBTI 人格理论与西方占星学融合的深度匹配平台。它不只是一个”测测你们合不合适”的玩具——它试图用算法和 AI，给”契合”这个模糊概念一个可感知的形状。

技术栈一览

层级	技术选型
前端	React 19 + TypeScript 5.8 + Vite 6
样式	Tailwind CSS 4 + Editorial 设计系统
动画	Motion (Framer Motion) 12
后端	Spring Boot 3.3.5 + Java 21
数据库	MySQL + JPA / Hibernate
安全	Spring Security + JWT + BCrypt
AI	Google Gemini
构建	Maven

项目采用前后端分离架构，前端可完全离线运行——核心匹配算法在前后端各自独立实现，互不依赖。

核心功能

1. 灵魂匹配引擎

匹配评分由两大维度构成：

MBTI 认知互补（60%）：基于 N/S 认知维度、E/I 能量取向、T/F 决策偏好、J/P 生活方式四个子维度的互补性进行量化评分
星座元素协同（40%）：根据火、土、风、水四元素的相生相合关系计算元素层面的和谐度

最终输出三档评级：Best（最佳） / Good（良好） / NotBad（尚可）。

2. AI 情感报告

接入LLM模型，在匹配评分的基础上生成富有诗意的”灵魂匹配报告”。每份报告包含三个篇章：

[情感张力] —— 两人相遇时可能擦出的火花
[灵魂共振] —— 深层价值观与精神层面的共鸣
[守护建议] —— 如何经营这份关系的温柔提醒

若未配置 API Key，系统会优雅降级为预设的 fallback 报告，不影响核心体验。

3. 40 题 MBTI 测试

内置自创题库，每维度（EI / SN / TF / JP）各 10 题。采用五星 Likert 量表（从”很像我”到”很不像我”），测试完成后自动计算各维度百分比、输出 MBTI 类型与置信度评级。用户确认后一键保存到个人资料。

4. 灵契发现

基于注册用户的 MBTI 与星座信息，系统自动匹配异性用户，按三档推荐展示。内置基于种子的伪随机轮换算法，确保每次刷新都有新鲜感。

5. 分享海报

匹配结果页支持一键导出 1920×1080 的 PNG 分享海报，使用 html-to-image 离线渲染，排版稳定，适合分享到社交平台。

6. 用户系统

完整的 JWT 认证体系：注册 / 登录 / 个人资料编辑（名字、性别、MBTI、星座、生日、简介、联系方式）。采用乐观 UI 更新策略，先更新本地状态再同步后端，后端失败时优雅回退。

架构亮点

离线优先设计：前端不依赖后端即可完成完整的匹配分析，核心算法在 matching.ts 与 MatchCalculator.java 中双重实现且逻辑一致
Editorial 美学：#0A0A0C 暗色基底 + #C5A059 金色点缀 + Playfair Display 衬线字体 + Inter 无衬线字体的组合，营造高端杂志的视觉质感
无路由 SPA：使用 ViewMode 联合类型 + AnimatePresence 实现页面切换，避免引入 React Router 的复杂性
种子数据体系：预置 20 个演示用户（10 男 / 10 女），每个用户拥有完整的 MBTI、星座、个人简介，可直接用于体验匹配与发现功能
StarField 背景：100 颗随机生成的星星组成动态星空背景，为整个平台增添一份”星辰大海”的氛围

快速开始

# 前端
npm install && npm run dev
# Vite 默认 :3000，自动代理 /api → localhost:8080

# 后端（需先创建 MySQL 数据库 synastry_match）
mvn spring-boot:run
# Spring Boot 默认 :8080，启动时自动建表并初始化 20 个演示用户

后记

星语人格是我第一个完整的把想法变成实际项目的作品。从匹配算法的参数调校，到 AI prompt 的反复打磨，再到每一个 AnimatePresence 过渡细节的调整——它见证了我对”把一个想法完整地做出来”这件事的执念。

星辰不语，但代码有灵。

愿每一段关系，都能找到属于它的最佳匹配。

—— March7th-OvO

ResumeAgent —— 请芙小娜帮你筛简历

Tue, 16 Jun 2026 00:00:00 GMT

缘起

招聘是一个经典的信息不对称场景。

HR 看不懂技术栈，技术负责人又没时间逐份细读。大量简历躺在邮箱里，其中可能有合适的人，但”找到他们”的成本高得不成比例。

ResumeAgent（芙小娜简历助手）就是为这个痛点而生的——一个完全用自然语言驱动的简历筛选工具。你只需要告诉它岗位要求是什么、简历在哪里，剩下的解析、匹配、评分、报告全由它自动完成。

技术栈

层级	技术选型
语言	Python 3.10+
Agent 框架	LangChain (LangGraph)
LLM	DeepSeek V4 Flash（OpenAI 兼容端点）
数据模型	Pydantic v2
文档解析	pdfplumber + python-docx
配置管理	python-dotenv

核心理念

ResumeAgent 并不是一个传统的”关键词匹配”工具。它让 LLM 扮演招聘初筛官的角色——理解岗位描述中的隐性需求、评估简历中的项目含金量、动态分配各维度的评分权重，最后给出有推理过程的打分而不是一个黑盒数字。

工作流程

整个筛选过程被设计为五个步骤的流水线：

加载 JD → 解析简历 → 匹配 → 评分 → 生成报告

每一步都有对应的 LangChain 工具，由 Agent 根据用户的自然语言指令自动编排调用。

1. 解析（Parser）

支持 PDF 和 DOCX 两种格式。先用 pdfplumber / python-docx 提取原始文本，再通过 LLM 将非结构化的简历文本转换为结构化的字段：姓名、学历、技能列表、工作经历、项目经验等。对格式怪异的简历也有很好的鲁棒性。

2. 匹配（Matcher）

将结构化后的简历数据与 JD 文本一同发送给 LLM。LLM 会：

逐技能比对：每个 JD 要求是否被满足
动态分配权重：技能匹配、工作经验、教育背景、项目质量各占多少
标注缺失项：候选人缺什么、差多远

3. 评分（Scorer）

基于匹配结果中的权重分析，LLM 在各维度上打分，汇总为 0-100 的总分，并给出四档建议：强烈推荐 / 推荐 / 待定 / 不推荐。每一项都附带推理过程，让你知道这个分数是怎么来的。

4. 报告（Reporter）

生成一份结构化的 Markdown 报告：

排名概览表
每位候选人的完整档案（简历摘要 → 匹配详情 → 评分明细 → 工作经历 → 项目经验）
按总分降序排列
文件名使用内容哈希避免覆盖

5. 对话（Conversation）

报告生成后，你还可以继续追问：

“把排名前三的候选人对比一下”
“第二位候选人的项目经验具体是什么？”
“有没有 Java 经验特别突出的？”

Agent 会记住上下文，调用对应的工具来回答。

架构亮点

9 个 LangChain 工具，覆盖了从文件查找、解析、匹配、评分到报告生成的完整链路。每个工具职责单一，可被 Agent 灵活组合
LLM 承担核心逻辑：与传统的规则引擎或嵌入向量方案不同，ResumeAgent 把理解、比对、打分全交给 LLM——这意味着它能捕捉 JD 中的”隐性偏好”，而不仅仅是关键词命中
内存态对话：所有状态（JD、候选人列表、报告路径）保持在 ConversationState 这个 Pydantic 模型中，无数据库依赖，启动零成本
可插拔 LLM 后端：通过 .env 即可切换模型或 API 提供商，架构与 OpenAI 生态完全兼容
批量优先：单份和批量操作都有专用工具，处理几十份简历也只需一句话

快速开始

# 安装依赖
pip install -r requirements.txt

# 配置 .env
# DEEPSEEK_API_KEY=your-key
# DEEPSEEK_BASE_URL=https://api.deepseek.com
# DEEPSEEK_MODEL=deepseek-v4-flash

# 把 JD 放到 jd/ 目录，简历放到 resume/ 目录

# 启动对话
python main.py

然后你只需要说：

“加载 Java 后端开发的 JD，把 resume 文件夹里的简历都解析了，帮我全部匹配一遍，然后评分出报告。”

剩下的事，芙小娜会帮你做完。

后记

ResumeAgent 的灵感来自一个朴素的观察：第一轮简历筛选其实是一道阅读理解题——而 LLM 天生擅长阅读理解。

它不是要取代 HR 的判断力，而是把那些机械的、重复的、需要逐字比对的初筛工作自动化，让人的精力能花在更值得的地方：面试、沟通、判断一个人是否真的适合团队。

从这个意义上说，ResumeAgent 不是”筛选器”，它是一个”放大器”——放大那些真正重要的信号，过滤掉格式和措辞的噪声。

—— March7th-OvO