项目背景

为什么要做这个？ 相信最近在看机会、跑春招的兄弟们都有同一个痛点：网申太折磨人了。 现在的招聘系统（北森、Moka、各大银行官网、国企系统）可以说是一个“万国博览会”，每家公司的 DOM 结构、字段定义都不一样。 虽然市面上已有一些自动填充插件，但痛点依然明显： 传统插件（Regex/规则流）： 稍微改个 ID 或者 Class 名就失效，维护成本极高，且无法应对复杂语义（比如区分“手机号”和“紧急联系人电话”）。 RPA 工具： 配置太重，对普通用户不友好，那是给企业用的，不是给我们求职者用的。 核心思考： 现在 Gemini 3.0、GPT-4o 这种大模型已经具备了极强的语义理解能力和多模态能力。能不能让 LLM 像人眼一样去“看”网页，自动把简历里的信息“填”进去，从而实现 0 配置的自动化？ 基于这个想法，我开发了 OfferNow。

实现思路

LLM 带来的降维打击

这个项目的核心难点在于网页 HTML 结构的非标准化。 以前我们写爬虫或脚本，需要针对每个网站写 XPath 或 CSS Selector。但在 OfferNow 中，我引入了 Gemini 3.0 Pro。 利用 Gemini 3.0 强大的上下文理解能力（Context Window），我不需要硬编码规则。插件会将当前页面的表单结构提取出来，配合用户的简历 JSON，直接丢给模型进行语义映射。 实测下来，模型能精准识别出 <input name="q1_v2"> 这种乱码字段其实是“期望薪资”，也能把简历里的“2023.09”自动格式化为目标网站需要的“2023-09-01”。

纯 Agent 带来的挑战与优化

如果直接让 Agent 全托管操作，会面临两个问题：Latency（延迟）和 Cost（Token 成本）。 每次填一个框都请求一次 API 是不现实的。我的解决方案是 “本地化预处理 + 批量推断”： DOM 剪枝： 在发送给 LLM 之前，先在本地通过算法剔除页面上无关的广告、导航栏等干扰元素，只保留核心表单区，大幅减少 Token 消耗。 一次性推断： 将整个表单结构打包，让 Gemini 一次性返回所有字段的映射关系，而不是填一个问一次。

隐私优先设计： 不同于云端 Agent，OfferNow 坚持“数据本地化”。简历数据只存在浏览器的 LocalStorage 中，LLM 只负责逻辑处理，不存储任何用户数据。

1. 项目进展 本项目目前已经上线 Chrome 应用商店 和 Edge 商店。 虽然刚上线一个月，但在没有大规模推广的情况下，全靠口碑传播已经积累了 2000+种子用户。 目前的版本已经能够完美适配： ✅ 主流第三方招聘系统（Moka、北森、Taleo等） ✅ 令人头秃的银行网申系统（工行、建行等老旧框架实测通过率 90%+） ✅ 互联网大厂官网（字节、腾讯、阿里等） 这个项目花了我不少心血去调优 Prompt 和解析算法，中间踩过很多 DOM 隔离和跨域的坑，现在终于稳定了。 欢迎体验与交流。

大家可以在商店搜索 “OfferNow简历闪填” 即可找到，也可以直接访问cv.offernow.cn获取。

如果你也是开发者，或者对 LLM 落地应用感兴趣，欢迎在评论区交流技术细节！也欢迎大家提 Bug，我连夜修！