用途
NextRole 旨在用生成式 AI 加速求职与职业晋升准备。传统面试准备往往需要数小时的简历定制和公司调研，NextRole 将这一流程自动化：用户提供现有简历和目标职位描述（JD，支持文件、URL 或粘贴文本），由一组专门的 AI 智能体接手，完成公司调研、简历改写、逐轮面试辅导，并生成当天可用的速查卡。它同时适用于对外应聘和内部晋升场景。
主要能力
- 定制简历并输出 PDF：根据具体 JD 和公司调研重写经历内容，使用 rendercv 渲染为可编辑、可重新渲染的 PDF。
- 深度公司与职位调研：通过实时网络调研，提炼出匹配度分析。
- 结构化面试准备：生成自我介绍，以及按角色映射的逐轮 STAR 故事。
- 当天速查卡：生成每轮一页的 PDF 速查卡，便于最后高压复习。
- 限时准备计划：可适配 1 个月、2 周甚至仅 3 小时的学习计划。
- 粘贴 JD URL：指向招聘页即可自动提取并处理该职位信息。
- 对话式迭代：通过聊天提出“增加第 4 轮”“在技能中加入 React”等修改，流式多轮编辑，由负责对应文件的智能体执行。
- 内置工作区：支持上传、预览（PDF / MD / YAML / JSON / 代码）、打印为 PDF，并可在运行时切换 LLM。
- 数据分析智能体：可回答关于产品本身的问题（活动、可靠性、LLM 成本、智能体行为），通过只读仓库查询并用图表呈现答案，图表随对话持久保存。
使用方式
官方托管版本 next-role.dev 即将上线；在此之前可自行托管部署。整套技术栈（前端、后端、Postgres、Redis、S3 兼容对象存储，以及由 ClickHouse、Dagster、Cube、Superset 组成的分析栈）均通过 Docker 运行。用户可在应用内的 Configuration 对话框中设置主智能体和子智能体所用的模型，采用 provider:model 字符串格式（例如 anthropic:claude-sonnet-5），无需重新构建；留空则使用默认值，设置保存在浏览器本地存储中。
多智能体架构基于 LangGraph + DeepAgents 的自托管智能体服务器。职业智能体负责接入、文档处理和最终速查卡，并将调研、简历定制和面试辅导委派给三个声明式子智能体（定义于 subagents.yaml，各自拥有独立模型、工具和技能）。后端执行智能体；core-server 在 PostgreSQL 中管理元数据和持久化运行队列；检查点和记忆直接使用 PostgreSQL；Redis 负责队列信号和实时事件；上传文件、PDF 和图表持久化在 S3 兼容对象存储中。职业准备流程分为五个阶段：接入、文档处理、调研、定制与辅导（并行执行）、速查卡生成，之后支持持续的多轮编辑。
安全方面，有风险的 execute（bash）命令会在 UI 中暂停并等待批准/编辑/拒绝，默认开启；可通过 SANDBOX_PROVIDER 选择命令在本地后端主机或隔离的远程微虚拟机（E2B / 自托管 CubeSandbox）中执行。默认零登录单用户模式，也可开启多用户模式（支持 Google OAuth 和/或邮箱密码，基于自托管 Better Auth），实现线程、文件和记忆的用户隔离。秘密信息仅保存在 .env（已 gitignore），每次提交会运行 gitleaks。
适用场景
适合正在求职、需要针对不同 JD 快速定制简历和准备面试的候选人；也适合希望争取内部晋升、需要结构化准备材料的在职人员。对于关注数据隐私、希望自行部署并掌控数据的团队或个人，自托管方案提供了所需的基础设施。
限制
官方托管版本暂未上线，需自行托管；完整分析栈需要额外约 2–4 GB 内存。输出质量取决于所选模型，较小的本地模型会以质量换取零成本。使用数据分析智能体读取所有用户活动时，需通过 ANALYTICS_AGENT_ALLOWED_USERS 显式允许（启用认证时；空值则拒绝所有人，单用户部署不受影响）。产品分析（PostHog）和 LLM 追踪存储（Langfuse）在规划中属于后续工作。
