Career Break Resilience MCP

🚀 簡歷優化器MCP服務器

這是一個基於AI的簡歷優化的模型上下文協議（MCP）服務器，它是一個工作原型，展示了與Claude集成的MCP架構，為簡歷優化提供了創新的解決方案。

🚀 快速開始

前提條件

• Node.js 18 或更高版本
• Anthropic API密鑰（用於Claude）

安裝

# 克隆倉庫
git clone https://github.com/YOUR_USERNAME/resume-optimizer-mcp.git
cd resume-optimizer-mcp

# 安裝依賴
npm install

# 設置環境變量
cp .env.example .env
# 編輯.env文件並添加你的ANTHROPIC_API_KEY

# 啟動MCP服務器
node server.js

在Claude桌面版中使用

1. 更新Claude桌面版的MCP配置：

{
  "mcpServers": {
    "resume-optimizer": {
      "command": "node",
      "args": ["/path/to/resume-optimizer-mcp/server.js"]
    }
  }
}

2. 重啟Claude桌面版
3. 工具將在Claude中可用！

✨ 主要特性

• ✅ MCP服務器實現：使用模型上下文協議的自定義工具。
• ✅ Claude集成：作為MCP客戶端進行編排。
• ✅ 工具組合：多個工具協同工作。
• ✅ 實際用例：簡歷優化工作流。

狀態：核心架構已實現，計劃開發生產特性（見路線圖）

📦 安裝指南

前提條件

• Node.js 18 或更高版本
• Anthropic API密鑰（用於Claude）

安裝步驟

# 克隆倉庫
git clone https://github.com/YOUR_USERNAME/resume-optimizer-mcp.git
cd resume-optimizer-mcp

# 安裝依賴
npm install

# 設置環境變量
cp .env.example .env
# 編輯.env文件並添加你的ANTHROPIC_API_KEY

# 啟動MCP服務器
node server.js

💻 使用示例

基礎用法

在Claude中使用fetch-data工具：

"Can you fetch the job description data for this role?"

使用heap-filter工具：

"Filter the top skills from this data set"

📚 詳細文檔

核心文檔

• TRADEOFFS.md 💎 - 解釋每個架構決策的原因。
• ARCHITECTURE_PLAN.md - 完整的生產系統設計。
• MCP_TOOLS.md - 工具規範和示例。

關鍵見解

• MCP與LangChain：選擇協議標準化而非框架便利性。
• Node.js與Python：在工具層選擇Node.js以實現異步I/O性能。
• 模塊化工具：每個工具都可獨立測試和重用。

🔧 技術細節

當前架構

已實現部分 ✅

┌─────────────────────────────────────┐
│         Claude (MCP Client)         │  ← 編排
└──────────────┬──────────────────────┘
               │ MCP協議
┌──────────────▼──────────────────────┐
│       MCP Server (Node.js)          │
│  ┌─────────────────────────────┐   │
│  │  工具層:               │   │
│  │  • fetch-data.js            │   │  ← 已實現
│  │  • heap-filter.js           │   │
│  │  • heap.js                  │   │
│  └─────────────────────────────┘   │
└─────────────────────────────────────┘

生產架構（設計中） 📋

用戶 → MCP服務器 → Claude → 數據庫層 (向量數據庫, Neo4j, Redis)
                              ↓
                        RAG管道 → 優化後的簡歷

完整架構文檔：docs/ARCHITECTURE_PLAN.md

技術棧

目前已實現 ✅

• Node.js 18+ - 服務器運行時
• MCP協議 - 工具標準化
• Claude API - 通過MCP客戶端進行大語言模型編排
• JavaScript - 核心實現

計劃用於生產 📋

• 向量數據庫 (Pinecone/FAISS) - 用於語義搜索
• Neo4j - 技能關係映射
• Redis - 緩存層
• Docker - 容器化
• GCP Cloud Run - 無服務器部署
• GitHub Actions - CI/CD管道

為什麼選擇MCP？

關鍵優勢：

• 🔧 標準化協議 - 可與任何MCP客戶端配合使用。
• 🧪 可測試性 - 工具可以獨立進行單元測試。
• 🎯 關注點分離 - 業務邏輯與AI編排分離。
• 📦 可組合性 - 易於添加新工具。

接受的權衡：

• 2周的學習曲線（MCP是新技術）
• 新興的生態系統（示例較少）
• 為了可維護性和標準化，這是值得的。

完整分析：docs/TRADEOFFS.md

🗺️ 路線圖

階段1：原型 ✅（當前）

• [x] MCP服務器實現
• [x] 基本工具結構
• [x] Claude集成
• [x] 架構文檔

階段2：核心功能 🚧（下一步）

• [ ] 完成6段工作流
  • [ ] 職位描述解析器
  • [ ] 市場情報分析器
  • [ ] ATS掃描器
  • [ ] 技能差距檢測器
  • [ ] 學習路徑生成器
  • [ ] 簡歷優化器
• [ ] 所有工具的單元測試
• [ ] 集成測試

階段3：數據層 📋（計劃中）

• [ ] 向量數據庫集成 (FAISS)
• [ ] 技能圖數據庫 (Neo4j)
• [ ] 緩存層 (Redis)
• [ ] RAG管道實現

階段4：生產 📋（計劃中）

• [ ] Docker容器化
• [ ] 使用GitHub Actions進行CI/CD
• [ ] GCP Cloud Run部署
• [ ] 監控和可觀測性
• [ ] 安全強化

🎓 學習收穫

技術技能

• MCP協議 - 深入理解標準化AI工具接口。
• Claude集成 - 作為MCP客戶端與Claude協作。
• 工具設計 - 創建可組合、可測試的工具。
• 架構思維 - 設計可擴展的系統。

設計原則

1. 從協議開始，而非框架 - 標準比框架更持久。
2. 為可測試性設計 - 關注點分離實現單元測試。
3. 記錄權衡 - 每個決策都有優缺點。
4. 為生產做計劃 - 在原型設計時考慮生產架構。

關鍵見解

"我選擇MCP服務器而不是LangChain，因為協議標準化使工具能夠在任何MCP客戶端上重用。2周的學習曲線對於長期可維護性來說是值得的。這就是構建演示和架構系統之間的區別。"

🧠 架構亮點

對生產的重要性

此原型展示了：

• ✅ 對工具抽象的理解
• ✅ 協議優先思維（不依賴框架）
• ✅ 關注點分離
• ✅ 擴展基礎

邁向生產的下一步：

1. 添加數據持久層
2. 實現RAG管道
3. 添加身份驗證
4. 部署到雲端
5. 設置CI/CD

預計生產時間：4 - 6周
詳細計劃：docs/PRODUCTION_PLAN.md

🤝 貢獻

這目前是一個原型/學習項目，歡迎反饋和建議！

我正在探索的領域：

• MCP工具設計的最佳實踐
• RAG管道架構
• 生產部署策略
• 成本優化技術

📝 項目狀態

當前狀態：展示MCP架構的工作原型
代碼行數：約500
已實現工具：3
測試覆蓋率：待定（下一階段）

正常運行的部分：

• ✅ MCP服務器運行並註冊工具
• ✅ Claude可以發現和使用工具
• ✅ 基本工具功能已實現

下一步計劃：

• 🚧 完成所有6個工作流段
• 🚧 添加數據庫集成
• 🚧 實現測試框架
• 🚧 生產部署

📧 聯繫信息

Krithika Rajendran

• 📧 郵箱: rkrithika1993@gmail.com
• 💼 LinkedIn: linkedin.com/in/krithika-rajendran
• 🐱 GitHub: github.com/krithika93

🎯 給招聘經理的信息

此項目展示了：

1. 架構思維 - 設計了完整的生產系統（見TRADEOFFS.md）
2. 協議理解 - 選擇MCP進行標準化，而非追求便利。
3. 務實方法 - 構建了工作原型，並記錄了完整願景。
4. 生產思維 - 考慮了擴展、測試和部署。

我可以討論的問題：

• 為什麼選擇MCP而不是LangChain？
• 如何將此係統擴展到10萬用戶？
• RAG與微調的權衡是什麼？
• 如何測試MCP工具？

我渴望學習的內容：

• 大規模生產生成式AI模式
• 實際RAG挑戰
• 成本優化技術
• AI安全與治理

📊 項目統計

• 開始時間：2024年10月
• 狀態：活躍的原型
• 主要焦點：學習MCP協議和生產AI架構
• 下一個里程碑：完成6工具工作流