Trace2Offer

Trace2Offer 是一个面向求职场景的工作台：用极简看板统一维护职位/公司线索，再配一个专门服务求职流程的 Agent，帮你盯进度、看数据、做筛选、补策略。

核心思路：别让求职信息散落在聊天记录、浏览器收藏夹和一堆待办里，统一收口在工作台内。

演示截图

看板页

核心统计仪表盘

Agent 对话页

现在能干什么

• 管理求职线索：lead 支持增删改查、状态流转、优先级、下一步动作、提醒方式、JD 链接和备注。
• 管理候选池：发现到的岗位先落到 candidate，确认值得推进后再转成正式 lead。
• 看统计盘：总量、漏斗、趋势、阶段停留时长都能直接看。
• 跑发现规则：支持通过 RSS/Atom 抓岗位，先筛进候选池，再人工决策。
• 跟 Agent 聊：围绕当前线索、用户画像和历史会话给建议，支持会话、记忆、用户偏好和工具调用。
• 导出日程：提供 interview 日历导出接口，支持 ICS / CalDAV 读取。
• 本地落盘：不依赖数据库，所有数据都保存在本地文件。

架构概览

Web

• 基于 Next.js 16、React 19、TypeScript、Tailwind CSS v4
• 主要页面只有两个：
  • 看板：候选池、表格管理、时间线、统计仪表盘
  • Agent：会话、设置、用户画像、简历导入

Backend

• 基于 Go 1.25 + Gin
• 提供 REST API，负责：
  • leads / candidates / discovery rules / timelines
  • stats / reminders / calendar
  • agent chat / sessions / settings / user profile

Agent Runtime

• 一个超轻量、可扩展的 Go Agent runtime
• 已内置的核心模块：
  • session
  • memory
  • tool registry
  • OpenAI Responses provider
  • AGENTS.md / HEARTBEAT.md / IDENTITY.md / USER.md

数据存储

项目默认把运行数据放在 backend/data 下，典型文件包括：

• leads.json
• candidates.json
• discovery_rules.json
• lead_timelines.json
• sessions/*.json
• agent_memory.json
• user_profile.json

暂时基于本地单机事实源，不引入数据库。想迁移、备份、做 demo 数据都很直接。

目录结构

.
├── backend/                # Go 服务、Agent runtime、本地存储
│   ├── agent/              # session / memory / tools / provider / prompts
│   ├── cmd/server/         # 后端入口
│   └── internal/           # API、业务服务、文件存储
├── web/                    # Next.js 前端
├── docs/                   # 设计文档、说明、README 截图
└── Makefile                # 一键启动前后端

快速开始

1. 准备环境

• Go 1.25+
• Node.js 22+
• pnpm 10+

2. 安装依赖

cd web
pnpm install

Go 依赖会在首次运行时自动拉取；也可手动拉取：

cd backend
go mod download

3. 配置环境变量

cp backend/.env.example backend/.env

至少要补上：

OPENAI_API_KEY=your_openai_api_key
# 可选: responses | chat_completions
T2O_OPENAI_API_FORMAT=responses
# 可选自定义（默认会随 T2O_OPENAI_API_FORMAT 自动切换）
# responses: https://api.openai.com/v1/responses
# chat_completions: https://api.openai.com/v1/chat/completions
T2O_OPENAI_BASE_URL=

说明：

• 后端启动时会校验 OPENAI_API_KEY，必填。
• T2O_OPENAI_API_FORMAT 默认 responses，可切到 chat_completions。
• Interview Prep 的 Query 规划同样复用 T2O_OPENAI_API_FORMAT 与 T2O_OPENAI_BASE_URL。
• 默认数据目录是 backend/data。
• 默认后端端口是 8080，前端默认跑在 3000。

如果你要使用 Interview Prep 的本地 embedding（推荐）：

1. 按你的机器环境启动 Hugging Face TEI（会自动下载模型）：

macOS (Apple Silicon: M1/M2/M3)：

• 推荐直接用 Homebrew 安装本地 TEI 二进制。
• 不推荐优先走官方预构建 Docker 镜像，因为 ARM64 机器经常会遇到 manifest 不匹配；而且即使用 Docker，在 Apple Silicon 上也只是 CPU 跑，收益一般。

brew install text-embeddings-inference

text-embeddings-router \
  --model-id intfloat/multilingual-e5-small \
  --port 8081

macOS (Intel)：

• 也建议优先用 Homebrew，启动方式和 Apple Silicon 一样。

Linux x86_64：

• 最省事的是直接用官方 CPU Docker 镜像。

docker run --rm -p 8081:80 ghcr.io/huggingface/text-embeddings-inference:cpu-1.9 \
  --model-id intfloat/multilingual-e5-small

Linux ARM64 或 macOS Apple Silicon 但你坚持要 Docker：

• 官方预构建镜像不一定提供可直接运行的 ARM64 manifest，这时要自己构建镜像。

git clone https://github.com/huggingface/text-embeddings-inference.git
cd text-embeddings-inference
docker build . -f Dockerfile --platform=linux/arm64 -t tei-arm64
docker run --rm -p 8081:80 tei-arm64 --model-id intfloat/multilingual-e5-small

2. 在 backend/.env 增加：

T2O_PREP_HF_BASE_URL=http://127.0.0.1:8081/embed
T2O_PREP_HF_MODEL=intfloat/multilingual-e5-small

说明：

• 配了 T2O_PREP_HF_BASE_URL 就走本地 TEI，不依赖 T2O_PREP_HF_API_KEY。
• 不配 T2O_PREP_HF_BASE_URL 时会走 Hugging Face Inference API，这时必须配置 T2O_PREP_HF_API_KEY。
• 对 macOS Apple Silicon，当前最推荐的路径就是 Homebrew + text-embeddings-router，别上来就拿 Docker 硬怼。

首次切换 embedding 模型后，记得重建索引：

curl -X POST http://127.0.0.1:8080/api/prep/index/rebuild \
  -H 'Content-Type: application/json' \
  -d '{"scope":"*"}'

4. 启动项目

在仓库根目录执行：

make dev

这个命令会同时启动：

• Go 后端：http://127.0.0.1:8080
• Next.js 前端：http://127.0.0.1:3000

打开前端后：

1. 在 看板 页面维护线索、候选池和统计盘
2. 在 Agent 页面配置模型、补用户画像、发起对话

常用命令

根目录

make dev

后端

cd backend
make run
make test
make smoke

前端

cd web
pnpm dev
pnpm build
pnpm lint
pnpm e2e

相关文档

• 发现规则快速上手：docs/discovery-rules-quickstart.md
• Discovery onboarding 设计稿：docs/superpowers/specs/2026-03-23-discovery-onboarding-design.md
• Discovery onboarding 计划：docs/superpowers/plans/2026-03-23-discovery-onboarding.md

局限

• 目前是本地优先、单用户形态，不是多租户 SaaS。
• 模型 provider 目前只接了 OpenAI Responses。
• 数据靠本地文件持久化，适合个人使用、原型验证和快速迭代。