简历计划

面试前端简历AgentATS

所有简历都在关键信息进行了打码, 请放心观看

1

image.png

2

image.png

3

cb5dc577b817d8d43f7d5a32a158637d.png

2026-08-05 | 三份简历 OCR 提取 + 前端 vs Agent 前端写法对比 + ATS 机制

说明：下方简历 1-3 的正文为图片 OCR 提取（macOS Vision 框架），个别字符可能有识别误差，数字与专有名词已尽量保留。原始图片见上方。

一、简历 1：纯前端方向（27 届，两段中大厂实习）

  • 教育：2023.09-2027.06 计算机科学与技术；CET6 622；GPA 专业前 30%；省服务外包大赛三等奖、挑战杯人工智能+专项赛全国二等奖
  • 实习 A：海康威视（2025.11-2026.03）协议管理平台 PMP2.0 前端开发
    • 设计双栈（idStack/pathStack）高亮引用，JSONPath 路径追踪与整块锁定高亮，MutationObserver 支持虚拟滚动动态同步
    • 双式大数据树渲染：<1300 行用 el-table，超阈值切换 xntree 虚拟树，treeToList 扁平化 + 深拷贝隔离响应式
    • Vite 构建优化：按需加载 + Tree Shaking，首屏 LCP 缩短 1.7s
    • 工业协议业务组件：Modbus 寄存器动态映射、协议导入自动化、树形表格递归级联，跨系统操作耗时降约 70%
  • 实习 B：杭州聚数智创（2025.03-2025.06）实验室安全准入系统
    • qiankun 微前端架构，模块拆分与子应用协作
    • 富文本编辑器调研对比，WangEditor v5 二次封装（题库图文混排、多媒体）
    • vue-i18n 国际化，主应用下发语言上下文动态切换文本/日期/数字格式
    • 大文件分片上传：MD5 校验、断点续传、失败重试

点评：典型传统前端简历。技术栈全、性能数字多（LCP、耗时降 70%），但技能栏零 AI 关键词，投 Agent 岗会被 ATS 过滤；且每条职责偏”做了什么”，少数有量化但缺口径说明。

二、简历 2：前端 + AI 萌芽（26 届，React Native 交易所）

  • 技能栏：前端基础（HTML5/CSS3/ES6+/TS）、框架生态（React/Next.js/React Native/Zustand/Tailwindcss/Vue）、工程化（Vite/Webpack/Turborepo/npm/pnpm/ESLint/Prettier）、服务端（Node.js/NestJS/MongoDB）、AI 应用落地（LangChain.js/RAG 架构实践）
  • 实习：Hibit 加密货币交易所 App（Android/iOS）双端开发（2025.02-2025.08）
    • 行情展示、资产信息等核心模块交互与性能优化
    • 独立负责 RN 旧版升级至最新稳定版并迁移新架构，解决依赖兼容性
    • 分模块验证 + 回滚机制，升级对线上用户无感
  • 另一段经历技术栈：TypeScript / Web Performance API / Web Vitals / React Native / Vue2

点评：过渡形态。技能栏已带一行 AI（LangChain.js/RAG），但项目主体仍是纯前端（RN 升级），AI 没有项目证据支撑——是”写了关键词但面试撑不住追问”的典型。

三、简历 3：Agent 前端向（中南大学 985，28 届）

  • 教育：2024.09-2028.06 计算机科学与技术；天梯赛全国三等奖、湖南省程序设计大赛二等奖、蓝桥杯省一等奖
  • 技能栏（精选）：前端 React/Vue3/Next.js；客户端 Electron/Tauri/Flutter；后端 Node.js(Express)/Spring Boot；AI：了解 LLM、Agent、RAG、MCP、Skill 和 Harness 等内容，熟悉 Codex 和 Claude Code 的使用；工程化 Webpack/Vite/Rollup；性能优化（SSR/SSG、FCP/LCP 实践）；Git/Docker/Linux/Nginx/CI/CD
  • 项目 1：CSU Star 一站式平台（团队负责人，Next.js+App Router+Zustand+Axios+Tailwind+TS+COS）
    • Axios 拦截器双 Token 无感刷新；RBAC+Zustand 多角色鉴权
    • 腾讯云 COS+CDN：防盗链、QPS 限流、Header 安全配置，防 XSS/CSRF/DDOS，异常请求拦截率 89%
    • 分页请求/懒加载/骨架屏/静态缓存，LCP 降至 0.26s；GitHub Actions CI/CD 四端同步迭代
  • 项目 2：FaceIt 模拟面试（前端开发，React19+TS+React Router+Zustand+SSE+TTS）
    • 封装 useStreamResponse / useTypewriterText 实现打字机 SSE 流式输出
    • react-markdown + remark-gfm + react-syntax-highlighter，白名单安全清洗
    • 讯飞 ASR + Bilibili TTS → 浏览器 TTS 降级策略，纯语音链路面试
    • Zustand 原子化状态，持久化认证缓存与对话上下文
  • 项目 3：World Echo AI 音乐生成（客户端开发，Flutter+Dart+Provider+Dio+SSE+socket.io+just_audio）
    • 文字/图片/声音多模态输入生成歌曲；Dio 请求层封装 Token 注入、SSE 流式响应解析
    • SSE 实时展示生成阶段/进度/结果，优化长耗时等待
    • socket.io 广场歌曲无感推送；just_audio 全局播放器

点评：方向正确的 Agent 前端简历——技能栏点名 LLM/Agent/RAG/MCP/Skill/Harness，三个项目两个是 AI 应用（SSE 流式、RAG、语音链路、安全清洗全都有）。缺口：AI 链路缺 Agent 特有量化（任务完成率、工具调用成功率、端到端延迟、token 成本），且未写统计口径；面试官对 SSE 打字机、markdown 清洗、TTS 降级每个点都可以连续追问（见[[面试题]] 的 AI 面经高频考点）。

四、前端 vs Agent 前端简历：四个维度差异

维度纯前端Agent 前端依据
技能栏框架/工程化/网络/测试，按工具名分类写能力不写框架名：ReAct 推理循环、工具编排、错误恢复/降级、Agent 与 Workflow 选型边界卡码笔记四方向写法
项目结构功能清单 + 性能数字四要素：一句话总结+业务场景+核心能力；技术决策+量化结果；难点=问题+方案+效果手把手改简历帖（浏览 8666）
量化指标LCP/FCP、首屏耗时、包体积追加：任务完成率、工具调用成功率、幻觉率、推理延迟、首 Token 延迟、QPS、Token 成本、显存卡码笔记指标分类
JD 关键词React/Vue/TS/Webpack/性能/微前端SSE/WebSocket、RAG、MCP、Function Calling、LangChain、Prompt、向量库、Memory、Eval/HarnessBOSS JD 对比（薪资 20-40K vs 40-150K+）

核心洞察（BOSS JD 帖）：AI Agent 工程师不是替代前端，而是在前端之上的能力叠加——“传统前端基础（必备）”。

常见减分项（多帖交叉）：

  1. 周期短却堆 RAG/流式/鉴权/复杂治理 → 深度存疑
  2. Agent 只写”调模型、接工具”，不触及运行时、状态机、评测、观测与人在回路
  3. 每个技术名词都是追问入口：写「基于 RAG 优化问答」就要能答为什么用 RAG、文档怎么切、召回怎么做、准确率怎么评估、知识怎么更新
  4. 技术栈罗列与”把 package.json 打印出来”无异
  5. 性能数字无统计口径与复现方式

五、ATS 机制详解（2026）

1. ATS 是什么

ATS（Applicant Tracking System）自动收集、解析、评分、排序简历。流程：接收 → 解析文本 → 与 JD 关键词匹配 → 评分排序（只推荐前 10-20%）→ 人工审核。

反传言：92% 招聘者称自家 ATS 不会自动拒人；真实机制是 99.7% 用关键词/Boolean 搜索排序——匹配差的简历沉到后台第 5 页，不是被拒而是没人看到。

2026 变化：主流 ATS 在经典解析器上加 LLM 语义打分（Oracle 提交即打 0-5 分），能判断经历含义与 JD 对齐度，非纯关键词。

2. 各家 ATS 打分差异

系统打分方式
Workday重关键词匹配 + 严格日期解析
Greenhouse不做算法评分，拒绝均为人工决定
LeverAI 语义匹配，认可同义词
iCIMSBoolean 式技能匹配
Taleo最老精确匹配，最严格

3. 关键词策略

  • 目标匹配度 75-85%（Jobscan 推荐 75%，严格 JD 要 90%）；100% 通常=堆砌，过不了人工关
  • 关键词嵌进真实 bullet，不平铺
  • 国内（AI 筛简历帖）：NLP 语义理解已替代 70% 基础人筛；能区分「优化了接口速度」vs「延迟 500ms→50ms」；写 RAG 必须配套向量库/Embedding/LangChain，技术栈不闭环会降分
  • 按 JD 定制两个版本：投 Agent 岗缺 AI 关键词直接沉底；投纯前端岗堆 RAG/MCP 反被判不相关

4. 格式规则

标准字体（Arial/Calibri）、11-12pt、简单项目符号、标准板块标题、单栏布局、.docx 或简单 PDF；避免图片/表格/文本框/分栏。约 35% 淘汰与能力无关，纯格式/关键词问题。

六、来源