找工作時，職缺散落 104、LinkedIn、朋友傳的訊息⋯ 很難比較對吧？
把職缺貼進來，AI 自動整理，讓你一目瞭然地比較所有機會。
Paste job postings, AI extracts the details, compare everything in one place. Your data never leaves your computer.
▲ 點擊圖片觀看完整操作介紹
- 複製 — 從 104、1111、LinkedIn 或任何地方，複製一段職缺文字
- 貼上 — 貼進 FindYourJob，AI 自動萃取薪資、技能、福利等 20+ 個欄位
- 比較 — 所有職缺排在同一張表，排序、篩選、追蹤投遞進度
沒有 AI 環境也能用！ 不想安裝本地 AI？沒關係——系統提供現成的模板，複製貼到 ChatGPT / Gemini / Claude，再把結果貼回來就好。任何 AI 都能用。
- 同時在比較好幾份職缺，需要一個地方統一整理
- 覺得用 Excel 整理職缺很煩，但又不想花錢用付費工具
- 重視隱私——不想把履歷和求職資料上傳到任何雲端平台
- 你不需要會寫程式，只要能照著步驟複製貼上指令就好
No coding skills needed. If you can copy-paste commands, you can use FindYourJob.
需要先安裝：Python 3.10+ 和 Node.js 18+ 不確定有沒有？在終端機輸入
python3 --version和node --version看看。
# 1. 下載專案
git clone https://github.com/hui0315/FindYourJob.git
cd FindYourJob
# 2. 啟動後端（安裝 + 執行）
pip install -r backend/requirements.txt
cd backend && uvicorn main:app --reload --host 0.0.0.0 --port 8000
# 3. 開另一個終端視窗，啟動前端
cd frontend && npm install && npm run dev打開瀏覽器，輸入 http://localhost:5173 ，開始整理你的職缺！
想要更好的解析效果？安裝本地 AI（選用）
沒有安裝本地 AI，系統仍然可以用——你可以透過 ChatGPT / Gemini 來解析職缺。 安裝後可以讓系統自動解析，不需要手動複製貼上。
# 安裝 Ollama（https://ollama.ai/）後：
ollama pull qwen2.5:3b
ollama run qwen2.5:3b重新整理 FindYourJob 頁面，系統會自動偵測到本地 AI。
| 功能 | 說明 |
|---|---|
| AI 自動整理 | 貼上原始文字，自動抓出薪資、地點、技能、福利等資訊 |
| 任何 AI 都能用 | 沒有本地 AI？複製模板到 ChatGPT / Gemini，貼回結果即可 |
| 薪資排序比較 | 在你蒐集的職缺中排名，一眼看出哪個薪資最高 |
| 技能匹配 | 標記「已會 / 可以學 / 不會」，每個職缺算出匹配分數 |
| 投遞狀態追蹤 | 未投遞 → 已投遞 → 面試中 → Offer → 未錄取，一鍵切換 |
| 公司資料管理 | 同公司多個職缺自動歸類，福利、聯絡人、面試筆記集中管理 |
| 條件檢查 | 設定你的條件（年資、學歷等），自動提醒不符合的職缺——但不會幫你隱藏 |
| 完全離線 | 所有資料存在你的電腦，不上傳雲端，不需要帳號 |
不做全知系統，做最好的整理工具。所有判斷都從你自己的資料中來，不假裝知道我們不知道的事。
- AI 只做整理，不做評價 — 不會告訴你「這份工作好不好」，只幫你把散亂的資訊整理乾淨，決定權永遠是你的
- 相對比較，不用絕對標準 — 不知道「月薪 60K 在市場上算高嗎」，但知道「在你蒐集的 15 筆裡排第 3」
- 你的資料，你決定 — 不符合條件的職缺會提醒，但永遠不會自動隱藏或排除
完整設計文件：DESIGN.md
以下內容為開發者參考資訊，一般使用者可以忽略。
The sections below are for developers and contributors.
| 功能 | 說明 | |
|---|---|---|
| AI 文字萃取 | AI Text Extraction | 貼上職缺原文，本地 LLM（Ollama + Qwen2.5-3B）自動萃取 20+ 結構化欄位 |
| 雙軌輸入 | Dual-Track Input | 不能跑 Ollama？複製 prompt 給 ChatGPT / Gemini / Claude，貼回 JSON 即可——任何 LLM 都能用 |
| 結構化比較 | Structured Comparison | 可排序表格：薪資、技能匹配度、投遞狀態、城市篩選，在你自己的資料集內相對排名 |
| 技能匹配 | Skill Matching | 技能自動從職缺聚合，分三級（已會 / 可補強 / 未分類），計算每筆職缺的匹配分數 |
| 公司管理 | Company Management | 共享福利 / 聯絡人 / 面試筆記，三層公司名稱正規化（字串前處理→模糊比對→語意搜尋） |
| 條件比對 | Mismatch Detection | 設定個人條件後自動比對，警告但不隱藏——使用者永遠自己決定 |
| 欄位溯源 | Field Provenance | 每個欄位追蹤來源（LLM / 匯入 / 手動）與完整編輯歷史，非破壞性資料補充 |
| 完全離線 | Fully Offline | SQLite 單檔、無雲端 API、無帳號、資料不離開你的電腦 |
| 決策 | 做法 | 為什麼 |
|---|---|---|
| Schema-Driven Prompts | Pydantic Field(description=...) 自動生成 LLM prompt |
新增欄位改一處，prompt 自動更新。llm_parser.py 從 183 行簡化到 90 行 |
| 三層公司正規化 | 字串前處理 → rapidfuzz 模糊比對 → embedding 語意搜尋 | 每層都是可選的。沒裝 rapidfuzz？跳過。沒裝 sentence-transformers？跳過。系統永遠可運行 |
| 欄位溯源 | 每個欄位追蹤 source（llm/import/user）和 updated_at |
非破壞性補充：填空不覆蓋，衝突交由使用者選擇 |
| Fallback-First | Ollama → regex parser → 手動輸入 | 系統不依賴任何單一元件，永不中斷 |
| 結構化福利 | 6 大類對齊 104/1111 人力銀行格式 | 讓福利可跨職缺比較，而非自由文字 |
| 自動遷移 | init_db() 啟動時檢查 PRAGMA table_info() 並新增缺少欄位 |
零停機 schema 演進，舊版資料庫自動升級 |
flowchart TD
A["使用者貼上職缺文字"] --> B["Frontend<br/>React 19 + Vite + Tailwind CSS"]
B -->|"POST /api/jobs/parse"| C["Backend<br/>FastAPI"]
B -->|"POST /api/jobs/import"| C
C --> D{"Ollama 可用？"}
D -->|"是"| E["Ollama LLM<br/>Qwen2.5-3B"]
D -->|"否"| F["Regex Parser<br/>Fallback"]
E --> G["結構化 JSON"]
F --> G
G --> H["SQLite<br/>WAL Mode"]
H --> I["companies"]
H --> J["jobs"]
H --> K["user_profile<br/>user_skills"]
J -.->|"FK"| I
| 技術 | 版本 | 用途 |
|---|---|---|
| Python 3 | 3.10+ | 語言 |
| FastAPI | 0.115.0 | API 框架 |
| SQLite | WAL mode | 單檔案資料庫，零配置 |
| Pydantic | 2.9.2 | 資料驗證 + prompt 生成 |
| Ollama + Qwen2.5-3B | — | 本地 LLM（選用） |
| rapidfuzz | >= 3.0 | 模糊比對（選用） |
| sentence-transformers | >= 2.2 | 嵌入語意搜尋（選用） |
| 技術 | 版本 | 用途 |
|---|---|---|
| React | 19.2.0 | UI 框架 |
| Vite | 7.3.1 | 打包工具 + 開發伺服器 |
| Tailwind CSS | 4.1.18 | 設計 token 樣式系統 |
| Framer Motion | 12.34.3 | 佈局動畫 |
| Lucide React | 0.575.0 | 圖標系統 |
# backend/extraction_schema.py — Pydantic model 即 prompt 的單一來源
class JobExtraction(BaseModel):
"""每個 Field(description=...) 同時是資料驗證規則和 LLM prompt 指令。"""
title: str = Field(description="職位名稱（必填）")
salary_min: Optional[int] = Field(None, description="最低薪資數字（50K→50000）")
skills: Optional[str] = Field(None, description="技能需求，逗號分隔")
# ... 20+ fields, 新增欄位只需加一行
def _build_template_body() -> str:
"""從 model fields 自動生成 JSON template。"""
lines = []
for name, field_info in JobExtraction.model_fields.items():
type_hint = _type_hint(field_info)
desc = field_info.description or name
lines.append(f' "{name}": "({type_hint}) {desc}"')
return ",\n".join(lines)
def build_system_prompt() -> str:
"""一行呼叫，產生完整的 LLM system prompt。"""
template_body = _build_template_body()
return f"""你是一個職缺資訊整理助手...
{{
{template_body}
}}
{_RULES}"""| 變數 | 預設值 | 說明 |
|---|---|---|
CORS_ORIGINS |
http://localhost:5173,http://localhost:3000 |
允許的 CORS 來源 |
OLLAMA_BASE |
http://localhost:11434 |
Ollama 伺服器位址 |
OLLAMA_MODEL |
qwen2.5:3b |
使用的 Ollama 模型 |
FindYourJob/
├── CLAUDE.md # AI 開發指南
├── DESIGN.md # 設計哲學文件
├── PROJECT_EVOLUTION.md # 完整開發歷程
├── backend/
│ ├── main.py # FastAPI 所有端點 + 業務邏輯（1,277 行）
│ ├── models.py # Pydantic 資料模型
│ ├── database.py # SQLite 連線 + schema + 自動遷移
│ ├── llm_parser.py # Ollama LLM 呼叫
│ ├── mock_parser.py # Regex fallback 解析器
│ ├── extraction_schema.py # Schema-driven prompt 生成
│ ├── company_normalizer.py # 三層公司名稱正規化
│ ├── test_company_normalizer.py # pytest 單元測試
│ └── requirements.txt
└── frontend/
├── package.json
├── vite.config.js # Vite + Tailwind + API proxy
├── index.html
└── src/
├── App.jsx # 主應用 + Tab 導航 + Logo
├── api.js # 集中式 API 客戶端
├── main.jsx
├── index.css # Tailwind 設計 token
└── components/
├── JobInput.jsx # 雙軌輸入介面
├── JobTable.jsx # 職缺列表（排序/篩選/展開）
├── JobEditModal.jsx # 編輯 + 補充 Modal
├── ProfileSettings.jsx # 使用者條件設定
├── SkillPicker.jsx # 技能三區塊分類 + 動畫
└── CompanyManager.jsx # 公司 CRUD + AI 整理
| 方法 | 路徑 | 說明 |
|---|---|---|
POST |
/api/jobs/parse |
透過 LLM/regex 解析原始文字 |
POST |
/api/jobs/import |
匯入預先結構化的 JSON |
GET |
/api/jobs |
列出所有職缺（支援排序、城市篩選） |
GET |
/api/jobs/{id} |
取得單筆職缺（含公司資料） |
PUT |
/api/jobs/{id} |
更新職缺 |
DELETE |
/api/jobs/{id} |
刪除單筆職缺 |
DELETE |
/api/jobs |
刪除所有職缺 |
POST |
/api/jobs/{id}/supplement/preview |
預覽資料合併 |
POST |
/api/jobs/{id}/supplement |
執行資料合併 |
| 方法 | 路徑 | 說明 |
|---|---|---|
GET |
/api/companies |
列出所有公司（含職缺數量） |
GET |
/api/companies/{id} |
取得公司詳情 |
PUT |
/api/companies/{id} |
更新公司資料 |
DELETE |
/api/companies/{id} |
刪除公司（解除職缺關聯） |
GET |
/api/companies/{id}/jobs |
列出公司的所有職缺 |
POST |
/api/companies/{id}/supplement/preview |
預覽資料合併 |
POST |
/api/companies/{id}/supplement |
執行資料合併 |
POST |
/api/companies/normalize |
預覽公司名稱正規化 |
| 方法 | 路徑 | 說明 |
|---|---|---|
GET |
/api/profile |
取得使用者條件 |
PUT |
/api/profile |
更新使用者條件 |
GET |
/api/skills/pool |
取得技能池（從所有職缺聚合） |
PUT |
/api/skills |
批次更新技能分類 |
| 方法 | 路徑 | 說明 |
|---|---|---|
GET |
/api/status |
檢查 Ollama 可用性 |
GET |
/api/prompt-template |
取得職缺萃取 prompt（供使用者複製到線上 LLM） |
GET |
/api/companies/prompt-template |
取得公司萃取 prompt |
GET |
/api/cities |
取得所有城市（用於篩選） |
FindYourJob 在 9 天內完成開發（2026/02/17 — 2026/02/25），經歷從 MVP 到系統強化、資料模型演進、UX 打磨、品牌化的完整產品開發週期。
| 指標 | 數值 |
|---|---|
| 開發天數 | 9 天 |
| 非合併 commits | 53 |
| Pull Requests | 22 |
| 程式碼行數 | ~7,300 行 |
| 淨增量 | +14,218 / -2,265 |
| 階段 | 日期 | 重點 |
|---|---|---|
| MVP 奠基 | 2/17 | 全端骨架、LLM 解析、技能匹配、DESIGN.md |
| 結構化資料 | 2/22 | Schema-driven prompts、雙軌 LLM 輸入、結構化福利 |
| 資料模型演進 | 2/23 | 公司分離、三層正規化、編輯/補充系統 |
| UX 打磨 | 2/23-24 | 城市篩選、modal 迭代、optimistic saves |
| 品牌定稿 | 2/25 | 設計 token 系統、Lucide 圖標、Logo、Framer Motion 導航 |
完整 commit 級開發記錄：PROJECT_EVOLUTION.md
本專案採用 MIT License 授權。
在台灣用心打造。Built with care in Taiwan.