Ru果你Yi经在玩转 P0 阶段的核心Neng力，那么进入 P1 的时候会发现，整个系统像是被注入了「记忆」和「自定义」两枚强力燃料。下面我把从需求拆解到代码实现，再到运维细节的一整套思路，用一种略带口语化、稍显随性的方式写出来希望Neng帮你在真实项目里少踩坑，多收获。

在Zui初的原型里我们只关注LLM Neng否按照预设角色输出简历——答案是肯定的。但实际使用时用户会不断提出：

「我刚才改了下职业偏好，又想让系统记住」；

「不同岗位需要不同模板，我不想每次手动切换」；

「我不希望我的敏感信息被模型随意泄露」。

这些需求指向三个方向：记忆持久化个性化配置和安全可控的工具调用。P1 正是围绕这三大块搭建完整闭环，让“一键对话 → 自动写入 → 快速下载”成为可Neng。

每位用户在服务器上dou有独立目录：

~/.resume_agent/users/{user_id}/memory/
├── 简历原文.md      # Zui大 16KB，只Neng通过上传 API 写入
├── 职业偏好.md      # Zui大 4KB，可由 LLM 调用 memory_write 写入
├── 技Neng标签.md      # Zui大 4KB，同上
└── 优化历史.md      # Zui大 4KB，同上

容量限制不是随意设定，而是为了解决 LLM 的「Context Window」瓶颈——当提示词、对话历史、工具定义和所有记忆文件一起堆进模型时Ru果超出上限，就会出现失忆或报错。通过硬性截断，新内容永远保留，旧内容在必要时被裁剪。

memory_write 是唯一允许 LLM 主动写入磁盘的方法。它内部执行以下步骤：

白名单校验：只有「职业偏好.md」「技Neng标签.md」「优化历史.md」这三类文件名被接受；若传入其他名称直接返回错误。

保护文件阻拦："简历原文.md" 属于受保护文件，只Neng通过专门的上传接口覆盖。

写入模式："replace" 完全覆盖，"append" 在原有内容后追加，并根据容量阈值决定是否截断旧文本。

┌─────────────────────────────────────┐
│   构建完整 system_prompt 的流程     │
└─────────────────────────────────────┘
① 基础角色描述
② 注入用户记忆
③ 加载领域技Neng指南
合并后交给 LLM → 开始对话

每一次对话前，dou先跑一次这个函数，把Zui新的记忆注入进来让模型像拥有了「长期记忆」一样，自然地遵循用户习惯。

全局设置

"api_key", "model", "max_sessions"

"memory_limit", "mcp_servers"

环境变量> settings.json> 默认值

每位用户单独拥有一份

"default_template": professional / academic / creative 等选项。

"language_style": 正式 / 简洁 / 创意。

"auto_save_resume": 是否自动保存生成快照。

PATCH/PUT 接口支持局部geng新，避免整份 JSON 被覆盖。

@router.get
async def get_settings:
    uid = _extract_user
    return load_user_settings.model_dump
@router.put
async def update_settings:
    uid = _extract_user
    cur = load_user_settings
    # 挑出合法字段再geng新
    allowed = {k: v for k,v in payload.items if k in UserSettings.__fields__}
    new_cfg = cur.model_copy
    save_user_settings
    return new_cfg.model_dump

说实话，这段代码kan起来hen普通，却是让每个人douNeng拥有自己专属风格的关键所在——只要把模板名改成自己喜欢的，就Neng瞬间切换风格，而无需重新部署服务。

┌───────────────────── web_fetch 流程 ──────────────────────┐
│ 用户输入 URL → 检查协议 → 查询本地缓存 → 若未命中则请求 │
│ HTTP GET  → 提取正文    │
│ 内容截断至 max_length → 写回缓存 → 返回纯文本给 LLM        │
└─────────────────────────────────────────────────────────────┘

L​LM 把抓到的岗位职责和之前保存的「职业偏好.md」拼接后再调用内部模板渲染，引导生成精准匹配度高的简历稿件。这一步骤背后的核心，就是「工具+记忆」两条线协同工作，使得对话不再是一味文字游戏，而是真正产生业务价值的产出链路。

POST /api/chat {prompt, sessionid}
   ↓ SessionPool.getorcreate
   ↓ buildresumesystemprompt
        ├─ 加载基础角色 Prompt
        ├─ 合并 ~/.resumeagent/users/{uid}/memory/*.md 内容
        └─ 注入 resume-skill.md 
   ↓ QueryEngine.submitmessage   ← LLM 开始思考 
   ↳ 如需持久化偏好 → tooluse: memorywrite
   ↳ 如需抓取 JD   → tooluse: webfetch
   ↓ Agent Loop 调用 DeepSeek API 返回流式 SSE 
        ├─ geng新 memorywrite 
        ├─ 输出简历 Markdown 并触发 saveresumesnapshot
        └─ SSE 推送 {"type":"resumegenerated","resume_id":"..."}
   ↓ 前端收到事件后展示下载按钮 / PDF 渲染入口 


这条链路kan似繁琐，却只用了几行 Python 异步代码就搞定——真正体现了「少代码、多Neng力」的理念。
六、常见问题 & 调优建议 
 为什么有时候kan到“Context Window 超限”报错？ 

检查是否向 memory 文件中一次性塞进了太大块内容；建议使用 “append” 模式分批写入，每次不超过 500 行左右。
L​LM 本身也会把历史对话放进去，Ru果会话过长Ke以手动清理 SessionPool 或降低 idle_timeout 参数。
# 小技巧#：开启 “auto_trim_memory” 功Neng，让系统自动在每次提交前裁剪Zui早的历史记录。

 如何保证多租户环境下的数据隔离？ 
User ID 在所有路径和 Redis 键名中dou会作为前缀出现，例如 /api/memory/{doc_name} 实际映射到 /home/.resume_agent/users/12345/memory/.... 同时 MemoryWriteTool 在执行前会
校验当前请求携带的 token 对应 UID，与路径中的 UID 必须一致，否则直接拒绝操作。这样即使攻击者拿到了某个 doc_name，也无法跨租户写入或读取别人的文件。
 PDF 渲染卡顿怎么办？ 

AWS/ECS 上Ke以把 fpdf2 的字体库提前打包进镜像，以免首次渲染时去网络加载导致延迟；  
L​ock 与 Queue Yi经默认限制同一时间Zui多一个渲染任务，Ru果业务峰值仍然拥堵，Ke以考虑水平扩容 Worker 实例，每个实例持有独立 Queue。  
# 小提醒#：打开日志级别 DEBUG 时会kan到大量 “render_job queued” 信息，是正常现象，无需惊慌。
.
七、 —— 从概念到落地，你Yi经准备好了！ 
P1 并不是单纯地往原型里塞几个 API，而是围绕“可靠记忆”“灵活配置”“安全工具”三大核心价值观**打造的一条闭环闭环闭环……没错，就是这么循环往复，因为只有循环才Neng让系统自我强化，让每一次对话dou比上一次geng懂你、geng高效、geng安全。

Ru果你正计划将自己的 AI 助手升级到生产级别，不妨先照搬本文所述的数据目录结构和白名单逻辑，然后逐步加入自己的业务插件——比如招聘平台爬虫、行业报告生成器之类。相信不久之后你也Neng像我们一样，在几行异步代码里完成“一键生成 + 自动保存 + 多格式下载”的完整体验！🚀🚀🚀​‍‍​‍‍​‍‍​‍‍​‍‍​‍️​🧭​🛠️​​🎉​​✨​​💡​​🌟​​📈​​👍​​🥂​​💪​​​祝开发顺利！ 🎉 🎉 🎉

© 2026 AI 文案
团队 | 本文基于公开资料进行二次创作，仅供技术学习交流。如需转载，请注明出处。