【通关指南】2026-03-24-一个不懂代码的中年人，怎样一步步搭起了一个AI业务系统

备选标题

1. 一个不懂代码的中年人，怎样一步步搭起了一个AI业务系统 — 直白，有反差感
2. 从webchat到7个AI角色：一个文科生的系统搭建手记 — 有进阶感，强调起点低
3. 不会写代码，但我搭了一个能自动改简历的AI系统 — 更口语，有悬念
4. 这个AI系统迭代了6个版本——搭它的人完全不懂代码 — 反差+数字感

这是我和果姐姐关于”用AI帮财务人改简历”这个探索的系列分享。三篇文章，三个不同的角度：

• 第一篇（已发表）：三轮内测，我们从用户身上，一步一步学到什么
• 第二篇（已发表）：改简历作为一项服务，商业模式完全是不成立的——直到AI把成本砍了90%+
• 第三篇（本文）：作为一个完全不懂代码的中年人，是如何一步一步搭起了一个AI原生的业务系统的

这是第三篇。

01 | 起点：好奇心先行

我大概率是最早一批用AI的文科生。

2024年春节后，GPT3.5刚出来的时候就开始用了。那时候最常做的事，是coach同事用AI写代码，做数据清洗——我自己不会写代码，公司小朋友们，大学刚毕业会点三脚猫的python，但也不灵光。

所以，我做的事情是：在chatgpt上梳理需求，探讨方案，然后生成代码，copy到本地执行。感觉这件事可行，然后push同事们也这么干。

所以起点不是零。对AI能做什么、不能做什么，有直觉。

但我确实不会写代码。一行都不会。

02 | 第一阶段：和大多数人一样

改简历这个项目，前后高了三轮内测。

第一轮内测，我们应用AI的方式，和绝大部分人没有区别。

腾讯会议人工挖素材，然后简历+素材一起丢给webchat，看输出，调整prompt，再试一次。来回几轮，还是词不达意，最后自己上手改。

能用，但本质上是”人工为主，AI打下手”。

03 | 业务基建：AI要像真人一样看简历

第一轮内测结束后，我意识到一件事：要让AI的产出真正贴合每一个用户，必须让它copy我和果姐姐的思维方式。

那我们真人怎么做的？至少具备三个要素：

第一，历史经验的深度。

这得益于去年做《财务职场通关指南》录播课的积累。课程制作的过程，我花了三个月时间，把自己在财务职场十几年的思考、判断、偏好、踩过的坑，做了一次系统化的梳理。这些东西现在变成了AI评估简历的底层认知。

第二，行业视野的广度。

过去半年，我做了接近200个财务职场咨询，掌握了最鲜活的市场信息，加上用爬虫抓取的大量招聘JD。AI不能只看用户一个人的简历，它需要知道市场上发生了什么、用人方在意什么。

第三，方法论。

这是最先动手做的。我和果姐姐，初步写了大约50个评估Skills——

比如：如果用户在一家不太知名的公司工作，我们应该了解这家公司的哪些信息？如果遇到甲方内审和乙方内审，如何针对性地追问他们的项目经验？从原始简历的行文风格，我们如何判断用户的职场性格？等等。

这些Skills随着项目叠加，还在持续丰富和迭代。

以上三件事，都不涉及任何代码。纯粹是把脑子里的东西，结构化地写出来。

04 | 第二阶段：搭本地Agent，以及最大的坑

1. 本地agent

webchat的天花板很明显：每次对话都从零开始，没有记忆，没有流程，没有规则。

我想要的是：AI拿到一份简历，按照我设定好的方法论和背景知识去干活——而不是AI自己的自由发挥。

于是开始尝试用prompt搭建本地运行的Agent。基于opencode，不写代码，就是把每个角色的职责、规则、输入输出写成文档，让AI按照文档行事。

效果：能跑。但不稳定。

花了很长时间才找到原因：AI产出的内容会漂移。 一个Agent还好，但多个Agent层层传递——前一个agent的输出是后一个的输入——传到最后，内容就变形了。

2. 大坑

既然Agent能跑了，自然想更进一步：能不能更智能一点？5个agent自动流转，加上自动质检、自动锁定机制——简历进来，不需要人介入，自动走完全流程。

想法很美好，但实际上，至今还没成功过。一个环节出问题，全链条卡死。

我意识到：在还没有把每个环节都打磨到位的阶段，问题是常态。不能这么干。

自动化的前提，是你对每一步都已经100%确定怎么做。我们还在摸索，根本没到那一步。——从这个意义上讲，哪些想考AI+skills取代员工的公司，风险真的很大。

上面这个坑，花了一个月的时间，才走出来——或许对开发者而言，也不太难，纯粹是我没经验 。

06 | 真正的突破：工程思维

思考开始更深入了一层：全靠AI自治，靠谱吗？真的有必要吗？系统里什么该固定、什么该灵活、什么该积累？真的想明白了吗？

于是，花了几天时间，学了一点工程思维，找到了答案：

应该做三层分离：

第一层，流程。 诊断→问卷→重构→人设→面试题，这个顺序不会变。写清楚，锁死。这件事情，可以有python来做。

第二层，规则。 问卷怎么设计、简历格式标准、诊断维度权重——这些会随着经验调整，但变化不快。集中管理，定期迭代。

第三层，经验。 每一个案例处理完，学到的东西——哪种表达更有效、哪个问题问得更好、某个行业的简历应该怎么写——全部沉淀进知识库。这一层可以无限增长。

三层分开之后，系统复杂度是线性的，但知识积累是快速膨胀的。

同时引入了质检机制：AI跑出来的结果，先过一道自动质检。不达标，退回重跑。跑到达标为止，才进入我的人工审查。

所以有的用户会发现，收到的文档版本号到了V15——那是因为前14版没通过质检，AI自己吭哧吭哧循环了半小时跑了15遍。

就像开公司：小朋友们干活，部门经理review，质量不达标的退回去重做，符合标准的才送到老板面前。

我就是这帮agent的老板😊

07 | 现在的样子

现在的系统里有7个AI角色，每个角色只管一件事：

• Hyrule：系统调度。接收自然语言指令，翻译成系统命令执行，同时巡检每一份产出的质量
• Link：项目管理。新项目进来，建立项目档案，追踪每个项目走到了哪一步
• Hashkey：简历诊断。读完简历，按照评估框架找出信息缺口，生成事实深挖问卷
• Hajimi：简历重构。结合原始简历+问卷答案，设计写作框架，摘捡素材，匹配写作风格，输出重写后的简历
• Yahaha：人设塑造。基于前面的全部成果，提炼核心定位和竞争力标签，输出一份用户能直接拿去面试的人设指南
• Boko：面试押题。基于本地方法轮和知识库，生成个性化面试题，每题配考察意图和回答思路
• Fixer：系统维修。Hyrule发现bug，Fixer负责定位原因、提出修复方案

一条完整的线：简历进来 → 诊断 → 问卷 → 用户填写 → 重构简历 → 人设指南 → 面试押题 → 交付。

并且，每个agent根据能力要求不同，匹配不同的基座模型。比如Link要求干活快成本低，配置minimax2.5，Fixer要求工程思维和代码能力，配了claude opus4.6；而Hajimi要求优秀的写作能力，配了claude sonnet4.5。

每个角色有自己的规则文件、配置文件、知识库。彼此独立，互不干扰。

和豆包这类webchat的区别在哪？

Webchat是一个通才，什么都能聊，但什么都不深。这个系统里的每个角色，都只做一件事，但带着完整的财务行业认知、带着大量个案例积累下来的方法论、带着越来越厚的知识库。

08 | 不懂代码，到底是不是障碍？

是障碍。

调试效率低、有些想法暂时实现不了、遇到报错经常导致头秃——这些都是真实的限制。

但这个障碍，已经被极大地抹平了。

星哥作为一个毫无代码基础的中年人，好奇心远远大于学习能力。去年这个时候，我完全无法想像能做成这件事。

而且现在回头看，真正的挑战从来不是代码，是需求的解构。

如果没有这个项目，或许我顶多还在用AI帮我读读书、整理一下照片。但一旦有了真实的业务场景，所有东西都被打开了——你会发现AI能做的事情远超预期，而你要做的，是想清楚让它做什么、怎么做、做到什么标准。

这才是真正难的部分。代码？AI帮你写。

收尾

这个系列，三篇文章，结束了。

三篇我想分享的，其实是同一件事：用AI放大你的价值，是完全可行的。

这个系统是凭空想出来的，而是基于一个具体的需求场景，一点一点长出来的。每一个用户的反馈，每一次踩坑，每一个认知升级，都变成了系统的一部分。

说实话，大部分职场中人，手里的业务场景比我多得多。

毕竟我是一个退出职场、基本上躺平、且没什么太大理想的中年人。

你们的场景，只会比我更丰富。

保持好奇心，多去试试。

版权声明：本文内容受著作权保护。任何形式的转载、引用或用于AI模型训练，均需明确标注原作者为观星哥，并注明出处为「观星哥｜财务职场进化论」。未经书面许可的商用行为将依法追究法律责任。