Career Break Resilience MCP

🚀 简历优化器MCP服务器

这是一个基于AI的简历优化的模型上下文协议（MCP）服务器，它是一个工作原型，展示了与Claude集成的MCP架构，为简历优化提供了创新的解决方案。

🚀 快速开始

前提条件

• Node.js 18 或更高版本
• Anthropic API密钥（用于Claude）

安装

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

# 安装依赖
npm install

# 设置环境变量
cp .env.example .env
# 编辑.env文件并添加你的ANTHROPIC_API_KEY

# 启动MCP服务器
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. 重启Claude桌面版
3. 工具将在Claude中可用！

✨ 主要特性

• ✅ MCP服务器实现：使用模型上下文协议的自定义工具。
• ✅ Claude集成：作为MCP客户端进行编排。
• ✅ 工具组合：多个工具协同工作。
• ✅ 实际用例：简历优化工作流。

状态：核心架构已实现，计划开发生产特性（见路线图）

📦 安装指南

前提条件

• Node.js 18 或更高版本
• Anthropic API密钥（用于Claude）

安装步骤

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

# 安装依赖
npm install

# 设置环境变量
cp .env.example .env
# 编辑.env文件并添加你的ANTHROPIC_API_KEY

# 启动MCP服务器
node server.js

💻 使用示例

基础用法

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"

📚 详细文档

核心文档

• TRADEOFFS.md 💎 - 解释每个架构决策的原因。
• ARCHITECTURE_PLAN.md - 完整的生产系统设计。
• MCP_TOOLS.md - 工具规范和示例。

关键见解

• MCP与LangChain：选择协议标准化而非框架便利性。
• Node.js与Python：在工具层选择Node.js以实现异步I/O性能。
• 模块化工具：每个工具都可独立测试和重用。

🔧 技术细节

当前架构

已实现部分 ✅

┌─────────────────────────────────────┐
│         Claude (MCP Client)         │  ← 编排
└──────────────┬──────────────────────┘
               │ MCP协议
┌──────────────▼──────────────────────┐
│       MCP Server (Node.js)          │
│  ┌─────────────────────────────┐   │
│  │  工具层:               │   │
│  │  • fetch-data.js            │   │  ← 已实现
│  │  • heap-filter.js           │   │
│  │  • heap.js                  │   │
│  └─────────────────────────────┘   │
└─────────────────────────────────────┘

生产架构（设计中） 📋

用户 → MCP服务器 → Claude → 数据库层 (向量数据库, Neo4j, Redis)
                              ↓
                        RAG管道 → 优化后的简历

完整架构文档：docs/ARCHITECTURE_PLAN.md

技术栈

目前已实现 ✅

• Node.js 18+ - 服务器运行时
• MCP协议 - 工具标准化
• Claude API - 通过MCP客户端进行大语言模型编排
• JavaScript - 核心实现

计划用于生产 📋

• 向量数据库 (Pinecone/FAISS) - 用于语义搜索
• Neo4j - 技能关系映射
• Redis - 缓存层
• Docker - 容器化
• GCP Cloud Run - 无服务器部署
• GitHub Actions - CI/CD管道

为什么选择MCP？

关键优势：

• 🔧 标准化协议 - 可与任何MCP客户端配合使用。
• 🧪 可测试性 - 工具可以独立进行单元测试。
• 🎯 关注点分离 - 业务逻辑与AI编排分离。
• 📦 可组合性 - 易于添加新工具。

接受的权衡：

• 2周的学习曲线（MCP是新技术）
• 新兴的生态系统（示例较少）
• 为了可维护性和标准化，这是值得的。

完整分析：docs/TRADEOFFS.md

🗺️ 路线图

阶段1：原型 ✅（当前）

• [x] MCP服务器实现
• [x] 基本工具结构
• [x] Claude集成
• [x] 架构文档

阶段2：核心功能 🚧（下一步）

• [ ] 完成6段工作流
  • [ ] 职位描述解析器
  • [ ] 市场情报分析器
  • [ ] ATS扫描器
  • [ ] 技能差距检测器
  • [ ] 学习路径生成器
  • [ ] 简历优化器
• [ ] 所有工具的单元测试
• [ ] 集成测试

阶段3：数据层 📋（计划中）

• [ ] 向量数据库集成 (FAISS)
• [ ] 技能图数据库 (Neo4j)
• [ ] 缓存层 (Redis)
• [ ] RAG管道实现

阶段4：生产 📋（计划中）

• [ ] Docker容器化
• [ ] 使用GitHub Actions进行CI/CD
• [ ] GCP Cloud Run部署
• [ ] 监控和可观测性
• [ ] 安全强化

🎓 学习收获

技术技能

• MCP协议 - 深入理解标准化AI工具接口。
• Claude集成 - 作为MCP客户端与Claude协作。
• 工具设计 - 创建可组合、可测试的工具。
• 架构思维 - 设计可扩展的系统。

设计原则

1. 从协议开始，而非框架 - 标准比框架更持久。
2. 为可测试性设计 - 关注点分离实现单元测试。
3. 记录权衡 - 每个决策都有优缺点。
4. 为生产做计划 - 在原型设计时考虑生产架构。

关键见解

"我选择MCP服务器而不是LangChain，因为协议标准化使工具能够在任何MCP客户端上重用。2周的学习曲线对于长期可维护性来说是值得的。这就是构建演示和架构系统之间的区别。"

🧠 架构亮点

对生产的重要性

此原型展示了：

• ✅ 对工具抽象的理解
• ✅ 协议优先思维（不依赖框架）
• ✅ 关注点分离
• ✅ 扩展基础

迈向生产的下一步：

1. 添加数据持久层
2. 实现RAG管道
3. 添加身份验证
4. 部署到云端
5. 设置CI/CD

预计生产时间：4 - 6周
详细计划：docs/PRODUCTION_PLAN.md

🤝 贡献

这目前是一个原型/学习项目，欢迎反馈和建议！

我正在探索的领域：

• MCP工具设计的最佳实践
• RAG管道架构
• 生产部署策略
• 成本优化技术

📝 项目状态

当前状态：展示MCP架构的工作原型
代码行数：约500
已实现工具：3
测试覆盖率：待定（下一阶段）

正常运行的部分：

• ✅ MCP服务器运行并注册工具
• ✅ Claude可以发现和使用工具
• ✅ 基本工具功能已实现

下一步计划：

• 🚧 完成所有6个工作流段
• 🚧 添加数据库集成
• 🚧 实现测试框架
• 🚧 生产部署

📧 联系信息

Krithika Rajendran

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

🎯 给招聘经理的信息

此项目展示了：

1. 架构思维 - 设计了完整的生产系统（见TRADEOFFS.md）
2. 协议理解 - 选择MCP进行标准化，而非追求便利。
3. 务实方法 - 构建了工作原型，并记录了完整愿景。
4. 生产思维 - 考虑了扩展、测试和部署。

我可以讨论的问题：

• 为什么选择MCP而不是LangChain？
• 如何将此系统扩展到10万用户？
• RAG与微调的权衡是什么？
• 如何测试MCP工具？

我渴望学习的内容：

• 大规模生产生成式AI模式
• 实际RAG挑战
• 成本优化技术
• AI安全与治理

📊 项目统计

• 开始时间：2024年10月
• 状态：活跃的原型
• 主要焦点：学习MCP协议和生产AI架构
• 下一个里程碑：完成6工具工作流