企业官网建设流程全解析

一键开通华为云码道 CodeArts 代码智能体

项目仓库：https://atomgit.com/gcw_93rlw6ed/careerpilot （公开，MIT 协议）
演示账号：打开登录页自动进入（演示账号 candidate@demo.com 自动登录）

一、项目背景：为什么做 CareerPilot

每年校招季，求职者最常见的三个痛点：简历投了没回音、不知道自己简历的问题在哪、面试前没有低成本的演练机会。而招聘方反过来也有痛点：一份热门岗位动辄几百份投递，人工初筛效率极低。

于是我决定用华为云码道 CodeArts 代码智能体开发一个「职引 CareerPilot」——一个 AI 驱动的求职协作平台，打通这条链路：

简历上传 → AI 解析与诊断 → 岗位智能匹配 → AI 模拟面试 → 投递跟踪 → 招聘方初筛

整个项目从需求拆解、架构设计、代码生成到测试补齐，全程由 CodeArts 代码智能体辅助完成，本文完整记录这个过程。

▲ 图 1：使用 CodeArts 代码智能体进行开发，左上角可见 AtomGit 账号 gcw_93rlw6ed

二、功能与效果演示

求职者端：

• 注册登录（演示模式自动登录，零配置体验）
• 简历上传（PDF/DOCX/TXT）→ 自动解析 + PII 脱敏
• AI 简历诊断：给出评分与改进建议
• 岗位广场：浏览岗位并一键投递，投递时 AI 自动计算匹配度
• AI 模拟面试：针对目标岗位生成面试题，逐题作答并获得点评

招聘方端：

• 企业信息维护、岗位发布/管理/下线
• 查看投递列表，AI 初筛排序，候选人信息默认脱敏展示

▲ 图 2：求职者工作台——简历数、投递数一目了然，支持明暗主题切换

▲ 图 3：简历中心——上传解析与 AI 诊断评分

▲ 图 4：AI 模拟面试——按岗位生成面试题并逐题点评

三、技术架构

整体采用pnpm monorepo + 前后端分离：

careerpilot/ ├─ apps/web/ # React 18 + TypeScript + Vite + Ant Design + TanStack Query + Zustand ├─ apps/api/ # NestJS + Prisma + PostgreSQL + Redis ├─ packages/shared/ # 前后端共享类型与 DTO ├─ e2e/ # Playwright 端到端测试 └─ docker-compose.yml # 一键起全栈（web/api/db/redis）

▲ 图 5：系统分层架构——前端 / NestJS 模块化后端 / AI Provider 抽象层 / 数据层

架构上有五个关键决策（完整 ADR 见仓库 docs/architecture.md）：

1. AI 能力抽象为 Provider 接口：放弃直连单一厂商 SDK，AI_PROVIDER一键切换 pangu/openai/mock，mock 确定性回退保证评审零配置跑通；
2. PII 在 Service 层 AES-256-GCM 加密：即使拿到库快照也读不出明文，出库后按角色决定脱敏展示；
3. 权限判定下沉 Service：Controller 只做协议转换，资源级所有权校验在 Service 内完成并由单测锁定；
4. Redis 仅作缓存、允许整体降级：连接失败静默降级，系统正确性不依赖缓存；
5. monorepo 共享类型包：前后端 DTO 单一来源，字段漂移在编译期暴露。

后端采用 NestJS 模块化分层架构（Controller → Service → Prisma），共 9 个业务模块：auth / user / resume / job / match / interview / ai / upload / audit。

一个值得一提的设计是AI Provider 抽象层：

// apps/api/src/modules/ai/llm.provider.tsexportinterfaceLlmProvider{diagnose(resume:string):Promise<DiagnoseResult>;matchScore(resume:string,job:string):Promise<MatchResult>;interview(session:InterviewContext):Promise<InterviewTurn>;}

通过环境变量AI_PROVIDER=pangu|openai|mock即可切换底层模型：

• pangu：对接华为云盘古大模型，贴合华为云生态；
• openai：OpenAI 兼容协议，换 base_url 可接任意厂商；
• mock：无 API Key 时自动回退的确定性实现，保证任何人 clone 下来都能零配置跑通全流程。

这个抽象是 CodeArts 智能体在架构讨论阶段帮我做的关键决策之一——它让"AI 能力"从硬编码调用变成了可替换的基础设施。

四、开发过程实录：CodeArts 智能体是怎么帮我干活的

整个开发我没有从零手写脚手架，而是用"需求描述 → 智能体生成 → 人工校核 → 迭代修正"的循环推进，大致分四个阶段：

阶段 1：需求拆解与架构设计（约 0.5 天）

我先把一句话需求"做一个 AI 求职平台，支持简历解析、岗位匹配、模拟面试"丢给 CodeArts 智能体，让它产出模块划分和数据模型草案。它给出的 Prisma schema 第一版就把用户角色（求职者/招聘方）、简历、岗位、投递、面试会话五张核心表的关系理清楚了，我主要做了两件事：砍掉过度设计的字段（比如它给简历表加了 6 个我第一期用不到的扩展字段）、补上我坚持要的审计日志表。

阶段 2：骨架与核心链路（约 1 天）

让智能体按模块逐个生成：先 auth（注册/登录/JWT 双 Token），再 resume（上传解析），再 job 和 match。每生成一个模块我就跑一次它的单元测试。这里有个很实用的技巧：让智能体在写业务代码的同时把该模块的测试一起写了，而不是最后补——最后补测试的返工成本远高于随写随测。

阶段 3：前端页面与联调（约 1 天）

前端 9 个页面全部用智能体生成初版：登录页、工作台、简历中心、岗位广场、投递记录、模拟面试、404 等。我提的 prompt 模式是"页面用途 + 数据源接口 + 交互要求 + 已有组件约束（Ant Design）"，生成质量相当稳定。联调阶段主要靠 Swagger 文档（/docs端点）对齐前后端字段，发现一个有趣的提效点：让智能体先给所有 DTO 加上 @nestjs/swagger 装饰器，前端照着实例 JSON 对接，字段对不上的低级错误基本消失了。

阶段 4：质量加固（约 0.5 天）

最后一轮让智能体做"自我体检"：跑覆盖率、找薄弱模块、针对性补测试。它先给出覆盖率报告，定位到 7 个控制器的函数覆盖率偏低，然后自动补上了对应的控制器单元测试。最终后端达到26 个测试套件、138 个测试，语句覆盖 92.6%、函数覆盖 87.58%；前端补齐 5 个测试文件 13 个用例；E2E 用 Playwright 覆盖登录、路由守卫、注册、404、表单校验共 13 项，全部通过。

五、安全合规设计

求职平台天然处理大量个人敏感信息（PII），所以安全不是加分项而是及格线。本项目在这方面做了完整的一套：

六、工程质量一览

• 测试：后端 Jest 26 套件 138 测试（语句 92.6% / 分支 77.82% / 函数 87.58%）；前端 Vitest 5 文件 13 用例；E2E Playwright 13 项全过
• 依赖安全：pnpm audit实测出生产链 21 项漏洞（7 高危），通过 pnpm overrides 将 multer/lodash/qs/body-parser/uuid/file-type 六个传递依赖强制拉到修复版，最终收敛到 1 项 moderate（剩余项需 @nestjs/core v11 大版本升级，已在仓库如实标注）；前端 react-router-dom 同步升级 v6→v7.18 并保持 13 项测试全过
• CI/CD：pnpm verify一键验证链（lint → test → build，本地提交前强制自检），husky + commitlint 在每次提交时真实拦截不规范 commit；仓库内置 GitHub Actions 工作流，托管到 GitHub 后即自动生效
• 性能：前端路由懒加载（9 页面独立 chunk）+ Vite manualChunks 分包（react/antd/query 独立 vendor），首屏体积可控
• API 文档：Swagger OpenAPI 集成，/docs交互式调试

七、CodeArts 代码智能体使用体验

做得好的：

1. 中文需求理解准确——业务术语（“投递”“初筛”“脱敏”）不用额外解释，生成的代码注释也是规范中文；
2. 工程习惯好——生成的代码默认带 DTO 校验、统一异常处理、Swagger 装饰器，不是"能跑就行"的玩具代码；
3. 与 AtomGit 联动顺滑——仓库托管、提交记录全程在一条链路上，对外展示作品很体面。

希望改进的：

1. 生成 monorepo 构建配置时，nest start --watch的入口路径在嵌套 dist 结构下会指错（dist/mainvsdist/apps/api/src/main），需要人工修一次；
2. 测试在 jsdom 环境缺matchMediapolyfill 时会挂，希望脚手架能默认带上。

八、总结

三天时间，一个包含 9 个后端模块、9 个前端页面、151 个自动化测试（后端 138 + 前端 13）、完整 CI 流水线的全栈 AI 应用从零跑通——这在没有 AI 编程助手的时代是不可想象的。CodeArts 代码智能体的价值不只是"写得快"，更在于它把工程最佳实践（分层架构、测试、文档、CI）变成了默认动作。

项目已完整开源，欢迎体验与指正：

• 源码：https://atomgit.com/gcw_93rlw6ed/careerpilot （MIT 协议，Docker Compose 一键启动）
• 体验：clone 后docker compose up --build -d，打开 http://localhost:5173 自动进入演示账号