用MCP让AI Agent按需查询你的PDF简历

从 PDF 到 MCP：让 AI Agent 按需查询你的简历

如今，越来越多的企业借助 AI 进行简历初筛——HR 将职位描述（JD）交给 AI Agent，由它自动匹配候选人。听起来高效，但一个尴尬的现实是：简历通常以 PDF（或网页）形式存在，AI 处理起来并不顺畅。排版杂乱、信息零散，想要精准查询某个细节？基本只能靠猜测。

那么，为什么不直接把简历做成 AI 原生可读的格式？不是那种空洞的“AI 友好”说辞，而是真正让 AI Agent 能够连接、按需查询、进行结构化分析。

于是有了这个项目：给个人简历增加一个 MCP Server。当招聘方访问公开页面时，AI Agent 会自动发现该端点，连接后可以搜索经历、分析岗位匹配度、查询技能熟练度。整个项目已开源在 GitHub 上（文末附链接）。

本文不吹嘘技术实现有多厉害（说实话只是一个基础示例），重点聚焦 简历 + MCP 这个组合本身带来的价值。

什么是 MCP？

MCP（Model Context Protocol）是由 Anthropic 提出的开放协议，允许 AI Agent 以标准化方式连接外部数据源和工具。你可以把它理解为“AI 时代的 API”——区别在于 MCP 是自描述的：每个工具自带 name、description、inputSchema，AI Agent 能自动理解如何使用，无需编写对接文档。

先看效果

招聘方的 AI Agent 连接后能做什么？直接看几个实际交互示例：

问：搜索一下大数据相关的经历

search_resume({ query: "大数据" })
→ 返回：相关经历片段 + 来源模块 + 相关性评分

问：这个候选人适合我们这个岗位吗？

evaluate_fit({job_description: "高级全栈工程师，5年+经验，React/Node.js，有大数据平台开发经验，熟悉 DevOps"})
→ {score: 82,matched: ["react", "node", "big data", "devops", ...],missing: ["Kubernetes"],recommendation: "Strong match! ..."}

问：给我一个全面评估

get_career_summary({})
→ {seniority: "senior",totalYears: 6,domains: ["大数据云服务", "跨端应用开发", "独立产品开发"],coreStrengths: ["多技术栈适应能力", "独立产品交付", "AI 协议设计"],topSkills: [{ name: "React", level: 4, yearsUsed: 5 }, ...]}

这些都是结构化 JSON，AI Agent 可以直接程序化处理，无需再去解析 PDF 或网页。

关键不是技术，是产品逻辑

投简历的方式变了

传统流程：投 PDF → HR 人工筛选 → 可能转给 AI 辅助判断
新的流程：给 HR 一个链接 + 邀请码 → HR 的 AI Agent 连接 MCP → Agent 自主决定查询什么、如何分析

区别在哪里？信息查询的主动权从 HR 转移到了 AI Agent。Agent 可以根据自身关注的问题动态查询，而不是被动阅读一份固定格式的文档。

邀请码 = 反向筛选

这个设计最为巧妙。

投简历时给 HR 提供「链接 + 邀请码」。HR 需要将邀请码配置到 AI 客户端，Agent 才能查询到深度信息。

这个流程本身就是一道筛选：AI 素养不足的团队根本走不通。能走通说明该团队已经在用 AI Agent 进行招聘，大概率是一个更现代化的团队。

此外，邀请码支持追踪——你可以看到对方的 Agent 具体查询了哪些工具、什么时候查询。这比“简历被查看”这种通知更有价值，你能洞察对方真正关心什么。

隐私分级

公开页和 MCP 返回的信息是分级的：

并非所有信息都适合交给 AI。联系方式这类敏感信息应当留在人工沟通阶段。

三层发现机制

AI Agent 如何知道我的简历有 MCP 服务？这是整个设计中关键的一环——发现比连接更重要。

AI Agent 访问 https://your-domain.com
↓
解析 HTML，发现 
↓
请求 /.well-known/mcp 获取完整元数据（工具列表、认证方式）
↓
使用邀请码通过 Authorization header 连接
↓
开始查询

三层发现，由浅到深：

第一层：HTML 注入 — 公开页自动注入，零维护成本

第二层：/.well-known/mcp — 标准的 well-known 端点，机器可读的完整 MCP 配置

{"mcp": {"endpoint": "/mcp","transport": "http","auth": { "type": "bearer" },"tools": [...]}}

第三层：/llms.txt — 遵循 llms.txt 标准，Markdown 格式的 AI 友好描述

这三层均由服务端自动生成，数据来源于同一份 resume.json。修改简历后，所有发现信息自动更新。

架构设计

项目是一个自托管的全栈应用，非 SaaS 模式。单用户，部署在自己服务器上。

/   → 公开页（任何人可见，注入 MCP 发现信息）
/mcp → MCP endpoint（邀请码认证，给 AI Agent 用）
/edit→ 简历编辑器（认证码认证，给自己用）

核心原则：只有一份数据 resume.json，编辑器和 MCP 共享同一数据源。MCP 每次请求都实时读取最新数据，不存在缓存不同步问题。

技术栈没什么值得夸耀：React 19 + Vite 7 + Tailwind 4 做编辑器，Node.js 原生 HTTP 做服务端，MCP SDK 做协议层，Zod 做数据校验。搜索用的是自实现的 TF 评分 + 中英混合分词，够用但不算出色——仅限于关键词匹配，与真正的语义搜索还有差距。

工具一共 8 个：

每个工具支持 format: 'text' | 'json'，text 适合人阅读，json 供程序处理。

一些工程选择

不展开细说，列举几个值得关注的决策：

• 原子写入而非数据库 — 简历数据仅 2KB，用 SQLite 都嫌笨重。write-to-temp + rename 是原子操作，加上写队列防并发，完全够用。
• MCP 请求时实时创建 Server 实例 — 不是启动时建立一个常驻的 MCP Server，而是每次请求 createMcpServer(currentResume)。这样保证始终读取最新数据，编辑器保存后 MCP 立即反映变化。
• Zod schema 校验 — 读写数据前都进行验证。前端编辑器理论上也会校验，但后端不信任前端输入是基本安全原则。
• stdio 模式 — 除了 HTTP 还支持 start:stdio，可直接在 Claude Desktop 中配置，本地开发无需起服务器。

部署

# Docker 一键部署
cp config.example.json config.json # 设置 authCode
docker compose up -d

或者 Claude Desktop 直连：

{"mcpServers": {"resume": {"command": "npx","args": ["tsx", "server/stdio.ts"],"cwd": "/path/to/resume-maker"}}}

说点真话

这个项目的搜索和匹配算法确实一般。TF 评分就是关键词频率统计，技能标准化不过是个查表映射，evaluate_fit 的匹配逻辑本质上仍是字符串包含检测。这些距离“精准理解个人数据”还有很大距离。

但这个项目真正有趣的地方不在这里。

有趣的是 “简历 + MCP” 这个组合带来的新可能性：

1. 信息获取方式变了 — 从“阅读固定文档”变成“AI 按需查询结构化数据”
2. 筛选逻辑变了 — 邀请码机制反向筛选了招聘方的 AI 素养
3. 数据所有权变了 — 数据存储在你自己的服务器上，你控制谁能看到什么

这三个变化与技术实现复杂度无关，是 产品形态 层面的创新。

MCP 目前仍处于早期阶段，真正会用 AI Agent 去连接 MCP 的招聘方几乎还没有。但方向是对的——当 AI 越来越多地介入招聘流程，简历就应该从“给人看的文档”进化为“给 AI 查的数据源”。