最近，看到好多找工作的伙伴，在用一款名为injob Ai的工具写简历，突然萌生出期望来，想要让它能不能做到做一个能帮助用户自动写简历的那种东西。为了弄清楚这件事，观察了大家使用这款Ai的习惯，经过逐步探索，终于摸索出一条符合要求的多Agent协同的写简历的方案逻辑，现在简单说一说这三者究竟存在着什么样的不同。
想必不少人初次运用AI撰写简历时，皆是开启一个对话框，键入一句话，即“帮我撰写一份××岗位的简历加上一对内容” 。
我们做了尝试，尝试的目的是关于写简历这件事，将写简历从“对话”提升到“工作化的流程上”。参考了Manus的三元Agent架构，架构内容是（规划 → 执行 → 验证），基于此我们设计了三元协同写简历模式，模式为（对话 → 计划 → 执行）。
它并非仅仅具备写作能力，而是仿若一条具备专业性的“简历流水线”，致使结果更具可控性，更显稳定性，更能契合岗位特质。
纯粹的模型对话存在着什么样的问题呢，单独的Agent撰写简历会有什么问题呢，由三元结构所构成的多Agent具备着怎样的优势呢？
阶段1：纯模型对话（Pure LLM Chat）
就像和一个充满智慧的人闲聊，但问题也最多：
结果，是适合为你供给灵感草稿的，却不适合径直去做事情，其思考是依赖人的，效果呈现如图所示。
阶段2 单制剂 单一制剂管道
有了流程意识，但还是“一人身兼数职”，agent匹配不堪：
存在了改进，能够依照模板去生成，会参照JD，会进行关键词的抽取的同时，还具备做有限校对的本领 。
局限性也很明显：
结果，能够产出呈现出“像模板”样子的简历，然而，在面对复杂岗位以及多段经历的情况时，其质量以及稳定性依旧存在不足，而且修改成本偏高。
阶段3，存在着三元协同，这种协同具备多Agent形式，其呈现为（Dialogue → Plan → Execute ）这样的模式 。
分工明确，流水线产出、结构稳定：
有着这样的结果，其具备稳定的特性，是可控的状态，能够进行可追踪的情况 ，是分模块去接受信息的模式，进而有利于去避免自我干扰，而且操作是简单的情形，你仅需提出问题，便能够执行任务 。
演化路径与能力对比如下
可以看到，越往后越稳定，对使用者的要求越低，效果越好。
injob人工智能：三元骨架：对话，朝着计划，进而执行流程梳理。
对话 Agent：把“经历”采成“变量”
像产品经理采需求，围绕 JD 维度提问，抽取并标准化：
计划 Agent：把“变量”排成“蓝图”：
像项目经理制定方案：
执行 Agents：把“蓝图”写成“成品”
效果
更稳定、也更“省心”，使用成本更低
实际体验上的差异
