基于Springboot3+SpringAI+MCP+Agent+RAG的AI Agent岗位匹配与求职规划系统

一、项目技术栈

前后端分离

后端：SpringBoot3 + Spring AI + MyBatis + PageHelper + Hutool + JWT + PDFBox / Apache POI
前端：Vue3 + Element-Plus + Vue-Router + Axios
AI 技术：Spring AI ChatClient + Spring AI Embedding 模型 + 模型配置数据库化 + Prompt 模板管理 + ReAct Agent + Tool Calling（本地 MCP 工具中心）+ 简历与 JD 结构化解析 + 用户能力画像生成 + RAG 向量检索 + Agent 执行步骤与工具调用日志
数据库：MySQL

版本要求： jdk 21，MySQL 5.7 或者 8，node.js 版本 18 以上，maven 版本建议 3.8 及以上，navicat 建议不低于 16

二、项目功能描述

1. 管理员

登录、个人信息、修改密码
后台首页：查看用户、岗位、知识库、Agent 运行和求职报告等统计数据
用户管理：维护系统账号，区分管理员和普通用户
AI 模型配置与 Prompt 模板管理：维护对话模型、向量模型和各类 AI 提示词模板
简历资料解析：查看用户上传的简历资料、解析文本和结构化结果，支持管理端清理异常数据
项目经历管理：查看用户维护的项目经历，辅助排查画像生成和报告生成素材
用户能力画像：查看用户画像、技能标签、优势、项目摘要和画像原文
岗位 JD 管理：维护平台岗位 JD，支持一键结构化解析，形成岗位画像和能力要求
技能标签库：维护岗位方向、技能分类、技能名称、难度等级和启用状态
岗位样本库：维护典型岗位样本，为 Agent 分析时提供岗位方向和岗位要求参考
求职知识库：维护求职方法、简历表达、面试准备等知识内容，支持切片和向量化
MCP 工具管理：维护本地 MCP 工具元数据和启用状态，工具会被包装成 Spring AI ToolCallback
MCP 调用日志：查看每次工具调用的入参、出参、状态、耗时和错误信息
求职分析任务：查看用户创建的岗位分析任务，确认任务状态、目标岗位和规划周期
Agent 运行记录：查看每次 ReAct Agent 运行状态、输入摘要、输出摘要和错误信息
Agent 执行步骤：查看模型工具调用过程，包括 Action、Observation、工具编码和执行耗时
结果报告：查看岗位匹配评分、能力差距诊断、求职提升计划和求职规划报告

2. 用户

登录、注册、个人信息、修改密码
求职首页：查看求职准备流程、近期可对标岗位和快捷入口
职位广场：浏览平台岗位 JD，按岗位关键词和城市筛选，查看岗位详情
简历中心：上传 PDF、DOCX、DOC 或 TXT 简历，系统自动提取文本并支持 AI 结构化解析
项目经历：维护自己的项目经历、技术栈、负责模块、项目介绍和项目周期
用户能力画像：基于结构化简历和启用项目经历生成求职能力画像，用于后续岗位分析
AI 岗位匹配：选择自己的能力画像和目标岗位，创建分析任务并启动 ReAct Agent
Agent 调用过程查看：分析运行中查看模型调用工具的过程，分析结束后可从入口查看完整调用轨迹
求职报告：选择已完成的 AI 分析生成完整求职规划报告，报告支持 Markdown 渲染

普通用户的核心闭环是先准备个人材料，再选择目标岗位做岗位对标分析：

上传简历
-> AI 解析简历
-> 维护项目经历
-> 生成用户能力画像
-> 浏览并选择目标岗位
-> 创建 AI 匹配分析任务
-> 启动 ReAct Agent
-> 查看岗位对标结论
-> 生成求职规划报告

用户端 AI 匹配不是简单推荐岗位，而是围绕用户自己选择的目标岗位做对标分析。系统会读取用户能力画像、目标岗位 JD、技能标签、岗位样本和求职知识库，对比用户当前能力与岗位要求之间的差距，最终沉淀为 Agent Run、Agent Step、匹配评分、差距诊断、提升计划和求职规划报告。

三、核心业务链路

登录后台
-> 维护 AI 模型配置和 Prompt 模板
-> 上传简历并执行 AI 解析
-> 维护项目经历
-> 用户在简历中心生成能力画像
-> 维护岗位 JD 并执行 AI 解析
-> 创建求职分析任务
-> 启动 Agent Run
-> 前台 AI 匹配页面启动 ReAct Agent
-> Spring AI 根据 ToolCallback 调用本地 MCP 工具
-> 工具结果写入 Agent Step 和 MCP 调用日志
-> Agent 输出岗位匹配分析结论
-> 用户查看评分、诊断、提升计划和求职规划报告

四、项目创新点

1. Spring AI 驱动的 ReAct Agent
   系统使用 Spring AI ChatClient 发起模型调用，并通过 ToolCallback 把本地 MCP 工具暴露给模型。模型围绕求职分析任务读取画像、读取岗位、查询技能标签、查询岗位样本、检索求职知识库，再输出最终分析结果。
2. 本地 MCP 工具中心
   mcp_tool 表保存工具编码、工具名称、工具说明、入参说明、出参说明和启用状态。工具执行仍然进入 McpToolExecutorService，工具调用过程继续写入 mcp_tool_call_log。
3. Agent Run / Agent Step 可追踪
   一次求职分析对应一条 agent_run。模型每调用一个工具，系统插入一条 agent_step，记录 Action、参数、Observation、状态和耗时。最终答案作为 Final Answer 步骤保存。
4. 简历与 JD 双向结构化
   简历资料上传后生成结构化简历结果；岗位 JD 维护后生成结构化岗位画像。求职分析任务以用户能力画像和岗位 JD 为核心输入。
5. RAG 求职知识检索
   求职知识库内容切片后调用 Spring AI Embedding 模型生成向量文本，检索时计算查询向量和知识分片向量的余弦相似度，返回相关知识分片供 Agent 使用。
6. 结果沉淀到业务表
   岗位匹配评分、能力差距诊断、求职提升计划和求职规划报告都有对应数据表、后端接口和前端页面，用户可以查看历史分析结果。项目包装建议由求职规划报告生成链路读取项目经历和差距诊断后写入，用于报告中的项目表达章节。

四、关键页面截图