NextRole托管上线：多智能体求职助手免费体验

从本地脚本到托管服务：多智能体求职助手 NextRole 的进化

如果你正在求职，或者只是对多智能体系统如何落地感兴趣，NextRole 这个项目值得一看。作者在 Reddit 上宣布，这个基于 LangGraph 和 DeepAgents 构建的求职助手已经完成托管部署，无需克隆仓库即可直接试用。

NextRole 的核心是一个 supervisor agent，它调度三个子智能体分别负责：招聘情报侦察、简历定制和面试辅导。用户只需上传简历，再提供职位描述或链接，就能获得一份针对该岗位优化的简历 PDF、公司及岗位的调研报告、每轮面试的 STAR 故事准备，以及面试当天可用的单页速查表。

这种“一个调度器 + 多个专职子智能体”的架构，正是当前多智能体应用的主流范式。相比让单个大模型包揽所有任务，拆分后的智能体可以各自维护上下文和工具集，在特定环节上做得更深。

三个子智能体的分工逻辑

招聘侦察智能体负责收集公司和岗位信息，为后续的简历定制提供事实基础。简历定制智能体则根据岗位要求调整表述和关键词，输出 PDF 文件。面试辅导智能体围绕每一轮面试生成 STAR 故事，并汇总成一页纸的速查表。

这三个环节覆盖了求职流程中信息收集、材料准备和临场准备三个阶段，彼此之间有明确的数据传递关系。supervisor 的职责是决定何时调用哪个子智能体，以及如何把上一个环节的输出交给下一个环节。

LangGraph 与 DeepAgents 是什么关系？

LangGraph 是 LangChain 团队推出的用于构建有状态、多智能体工作流的编排框架，核心抽象是「图」：节点代表计算步骤（如调用某个模型或工具），边代表状态流转，并支持循环、条件分支和持久化检查点。Supervisor 模式正是 LangGraph 的典型用法——由一个调度节点根据当前状态决定下一步交给哪个子智能体。

DeepAgents 则是构建在 LangGraph 之上的更高层封装，面向「深度」任务（如多步调研、长文档处理），内置了规划、子智能体委托和文件系统等常用能力。可以把两者理解为：LangGraph 提供底层的编排骨架，DeepAgents 提供开箱即用的智能体行为模式。NextRole 用 DeepAgents 实现子智能体的具体能力，用 LangGraph 的图结构管理 supervisor 与子智能体之间的调度关系，这种组合能减少重复搭建基础设施的工作量。

托管化带来的关键变化：多用户隔离

从本地运行到托管服务，最大的工程挑战不是部署本身，而是多用户场景下的数据隔离。作者在帖子中重点提到了这一点，并希望获得相关反馈。

认证与文件存储按用户划分

托管版本接入了 Better Auth，支持 Google 或邮箱登录。每个用户的文件和记忆存放在对象存储中各自的前缀下。底层仍然是同一套复合文件系统后端，只是按用户做了作用域划分。这意味着用户之间的简历、岗位信息和智能体记忆不会互相污染。

对象存储前缀隔离与 Better Auth

对象存储（如 S3、R2、MinIO）用「键」来定位文件，键通常形如 bucket/prefix/path。所谓「按用户前缀划分」，就是给每个用户的文件键加上统一前缀，例如 users/{userId}/resume.pdf。这样同一桶内可以容纳所有用户的数据，而访问控制只需校验请求者是否有权使用该前缀，实现成本低且易于审计。需要注意，前缀隔离本身不是安全边界，服务端仍须在每次读写时校验用户身份，避免越权访问。

Better Auth 是一个开源的 TypeScript 认证库，支持邮箱密码、Google 等 OAuth 提供商、会话管理和插件扩展。把它接入托管服务，意味着登录态和用户 ID 可以直接作为后续文件与记忆作用域划分的依据，省去自建认证系统的工程量。

三层记忆机制各自独立

NextRole 的记忆设计分为三类：语义记忆（AGENTS.md）、程序性记忆（SKILL.md，按需加载）和情景记忆（MEMORY.md）。在托管版本中，这三类记忆现在按用户分别保存。

这种分层记忆的思路值得关注。语义记忆承载长期稳定的知识，程序性记忆在需要时才加载，情景记忆则记录交互历史。将三者分开管理，既控制了上下文长度，也便于针对不同用户做个性化。作者特别希望社区就“如何保持每个用户的智能体记忆和文件相互隔离”给出反馈，说明这仍是需要持续打磨的方向。

语义、程序性与情景记忆的划分

这三类记忆借用了认知科学的分类。语义记忆指与具体经历无关的稳定知识，在这里体现为 AGENTS.md 中描述的角色设定、领域常识和长期偏好；程序性记忆指「怎么做」的技能，对应 SKILL.md，按需加载可以避免把所有技能说明都塞进上下文；情景记忆指「发生过什么」，对应 MEMORY.md，记录历史交互供后续检索。

分层的实际价值在于上下文预算管理：大模型的上下文窗口有限，若把所有信息混在一个文件里，既浪费 token 又容易让模型抓不住重点。分开管理后，系统可以只加载当前任务相关的层。多用户场景下，每一层都要以用户为维度做命名空间划分，否则不同用户的记忆会相互串扰，这也是作者呼吁社区反馈的核心工程难点。

自托管与本地运行仍然保留

托管化并没有放弃本地路线。作者明确表示，自托管依然可用，包括完全本地化运行，支持 Ollama 或 LM Studio。对于关心数据隐私、不希望简历信息离开本机的用户，这是一条必要的退路。

这也反映出当前 AI 工具的一个普遍趋势：托管服务降低使用门槛，本地运行满足隐私和定制需求，两条路线并行。NextRole 同时提供项目仓库和演示视频，方便开发者自行研究或二次开发。

Ollama 与 LM Studio 的定位

Ollama 和 LM Studio 都是本地运行大模型的工具，让用户在自己的机器上下载并推理开源模型，无需调用云端 API。Ollama 以命令行和本地 HTTP 服务为主，便于被应用直接调用；LM Studio 提供图形界面，适合非开发者手动加载模型并开启兼容 OpenAI 的本地接口。

对 NextRole 这类涉及简历等敏感信息的应用，本地推理意味着数据完全不出本机，代价是模型能力通常弱于云端旗舰模型，且对硬件（尤其是显存）有要求。多智能体工作流对模型推理次数较多，本地运行的延迟和稳定性会明显影响体验，因此本地路线更适合注重隐私、愿意在效果上做取舍的用户。

适合谁尝试

如果你正在积极求职，NextRole 可以作为一个结构化的准备工具，把零散的信息搜集和材料修改流程串起来。如果你对多智能体架构感兴趣，这个项目展示了 supervisor 模式在真实任务中的组织方式，以及多用户隔离这类工程问题的处理思路。

作者最想知道的，是用户用自己的简历实际跑一遍时，哪里会先出问题。这种来自真实使用的反馈，往往比功能列表更能说明一个 AI 产品是否站得住。

项目已开放免费试用，仓库和演示视频均可访问，适合动手验证。