Course2Career

课程与经历，怎样对应一份具体 JD？

关键词命中很容易给出一个分数，却不容易解释：哪些课程与经历支持这个岗位，哪些条件属于硬门槛，下一步应该补什么。

Course2Career 面向大学生，将课程能力、教育、项目、实习与潜力信号组织起来，与结构化岗位要求逐项对照，形成可解释的适配分析与学习路线。

一次 16.4 分，促成了模型重构。

我发现一次 16.4 分结果不合理，要求模型更符合学生求职场景，同时保留“AI 提取 + 规则评分”的边界。这个审查触发了 Career Adaptability Model v2.1 的设计与实现。

AI 提取可能出错，所以用户确认是进入计算的控制点。硬门槛单独呈现，避免一个平均分掩盖必要条件；五维评分与学习路线由确定性 Python 规则执行。

上方是 v2.1 的模型权重，不是个人成绩或录用概率。模型与词典覆盖仍然有边界。

从一次分析，走向可以回看和核对的应用。

已记录的应用能力包括本地分析、历史记录、用户与权限、配额和管理。分析结果的价值在于有输入、有解释，也能够回看。

已经留下的验证

当前版本 pytest 124 项通过。事实核验版本为 04f1b328；缓存目录需使用可写的 D 盘临时目录。

当时的真实浏览器检查从休眠状态唤醒了 Streamlit 应用并渲染完整页面；同时观察到 wrapper 警告和部分 403 / 404 请求，不能将它写成持续在线、控制台零错误。

测试结果于 2026-09-20 对真实项目重新运行；Live 状态仍为 2026-08-30 的记录。在线 SQLite 不构成持久生产存储保证。

决定让 AI 做哪一步，也决定在哪一步停下来。

我选择大学生课程—岗位适配问题，要求它从一次性分析走向可保存、权限分层的产品；发现异常低分后，推动学生适配与可解释性重构。

在一次 hot reload 记账修复中，我要求不得为了补写用量而再次发起付费模型请求。修复应处理已经成功的调用，而不是让用户再付一次费用。

实现与协作边界

Codex 承担主要架构、模型实现、代码、测试与文档；我负责方向、产品边界、审查和批准。人类直接编码范围未确认，因此这里不主张独立完成全部开发。

解释适配，不预测录用。

LLM 提取可能错误，规则和词典覆盖有限。评分尚无足够外部效度证据，也没有合格证据证明真实用户规模或就业改善。

免费托管可能休眠，在线存储的持久性有限。它是可解释求职适配应用，不是生产级 HR 系统或自动招聘决策器。