如何运用DeepSeek R1构建一款全栈简历筛选应用
译者 | 核子可乐
审校 | 重楼
在本文中，我们将共同了解如何使用DeepSeek R1大模型构建智能简历分析应用，节约运营成本。
DeepSeek开源大模型的发布已经在技术社区引发巨大轰动。如今，开发者们无需接入Claude、ChatGPT等在线AI模型，即可轻松实现本地应用程序构建。换言之，开源大模型准入门槛的持续降低，为企业应用程序与生成式AI的集成打通了机会之桥。
在本文中，我们将学习如何在个人设备上本地运行开源模型，进而构建一款由React和NodeJS驱动的全栈应用程序。它能帮助大家快速分析简历内容，并做出明智的招聘决策。在构建之前，我们先聊聊开源大模型的优势所在。
开源大语言模型的优势
与专有模型相比，开源大模型拥有以下几个关键优势：
经济高效且无需许可证
开源大模型极具成本效益，无需特殊许可证。截至本文撰稿时，OpenAI o1的每百万输出token成本为60美元，而开源DeepSeek R1的成本仅为2.19美元。
可定制、可微调
开源大模型可轻松进行微调以满足独特的业务需求，在更多特定领域支撑业务用例。
增强数据安全性与隐私性
宝贵的个人数据无需被上传至第三方服务器，而仅保留在本地设备或企业网络之内，因此应用程序更加安全。此外，开源模型还可进行微调以消除数据偏差。
社区驱动，摆脱供应商锁定
开源模型享有广泛的社区支持，受益于快速功能开发，也避免了专有模型受供应商锁定、且高度依赖供应商提供功能更新的弊端。
在了解上述背景信息后，下面直奔主题，了解如何使用DeepSeek R1开源模型、Node.js和React构建应用程序。
项目与架构概述
我们的目标是构建一款简历分析器应用，快速把握上传简历中的基本信息与申请者的优缺点。DeepSeek R1大模型负责分析上传的简历并提供反馈。大家可通过下图了解这款应用的基本架构：
架构示意图
用户界面由React开发，通过REST API与基于NodeJS的后端进行通信。之后，NodeJS后端将用户请求发送至由Ollama托管的DeepSeek R1。整个技术栈可在单一设备上运行，亦可跨多个容器托管以支持更复杂的用例。
前期准备
[*]要运行此项目，你需要一台具备一定性能的设备，最好搭载英伟达独立显卡。此项目已在配备英伟达4090RTX的Windows设备和M2 MacBook Pro上通过开发测试。
[*]你还需要在设备上安装NodeJS。本项目使用NodeJS 22.3.0版本，你可使用node -v 命令验证NodeJS的安装情况。
[*]你还需要选定一款编辑器以处理代码。本示例中使用Visual Studio Code，推荐你使用同款工具。
在本地设置并运行DeepSeek
要在本地运行DeepSeek R1，请遵循以下步骤：
[*]从官方网站处（https://ollama.com/）安装Ollama。
[*]安装完成后，即可使用设备终端上的 ollama run 命令运行模型。
[*]运行你选定的DeepSeek模型。本教程中使用DeepSeek R1 8B参数模型。你可使用 ollama run deepseek-r1:8b命令运行该模型。
[*]如果你的硬件规格低于前期准备部分的最低配置，亦可尝试运行7B及1.5B参数模型，但输出质量可能受到影响。
[*]模型首次运行可能须耗费一定时间，特别是下载过程。模型运行之后，你可直接在终端中向其提问并获取输出。你可参考下图查看DeepSeek R1 8B模型的实际运行情况。
Ollama DeepSeek R1
[*]DeepSeek R1是一款推理模型，因此会先进行思考、而后开始生成答案。如上图所示，它在给出答案前会列出思考过程，具体细节请参阅 标签。
克隆并运行NodeJS后端
Ollama服务也可通过API访问。你可使用此API并构建基于NodeJS的后端层，由该层获取用户上传的PDF文件并从中提取文本内容。提取完成后，后端将通过Ollama API将文本导入DeepSeek R1模型以获取响应。最终响应结果将发送至客户端并展示给用户。
[*]使用此URL从GitHub克隆后端项目。这里推荐大家分叉该项目，而后克隆出自己的本地副本。
[*]克隆后，要运行此项目，请使用cd deepseek-ollama-backend转至项目根目录。
[*]在根目录内，使用npm install命令安装依赖项。安装完成后，即可使用npm start 命令运行本项目。项目核心为app.js文件，其代码内容如下所示：
const express = require('express');const multer = require('multer');const pdfParse = require('pdf-parse');const axios = require('axios');const fs = require('fs');const cors = require('cors');const app = express();app.use(cors());app.use(express.json());const upload = multer({ dest: 'uploads/', fileFilter: (req, file, cb) => { file.mimetype === 'application/pdf' ? cb(null, true) : cb(new Error('Only PDF files are allowed!')); }}).single('pdfFile');app.post('/analyze-pdf', (req, res) => { upload(req, res, async function(err) { if (err) { return res.status(400).json({ error: 'Upload error', details: err.message }); } try { if (!req.file) { return res.status(400).json({ error: 'No PDF file uploaded' }); } const dataBuffer = fs.readFileSync(req.file.path); const data = await pdfParse(dataBuffer); const pdfText = data.text; fs.unlinkSync(req.file.path); const response = await axios.post('http://127.0.0.1:11434/api/generate', { model: "deepseek-r1:8b", prompt: `Analyze this resume. Resume text is between two --- given ahead: ---${pdfText}---`, stream: false }); res.json({ success: true, message: 'Successfully connected to Ollama', ollamaResponse: response.data }); } catch (error) { if (req.file && fs.existsSync(req.file.path)) { fs.unlinkSync(req.file.path); } res.status(500).json({ error: 'Error processing PDF', details: error.message }); } });});if (!fs.existsSync('uploads')) { fs.mkdirSync('uploads');}const PORT = process.env.PORT || 3000;app.listen(PORT, () => { console.log(`Server is running on port ${PORT}`);});
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]6.
[*]7.
[*]8.
[*]9.
[*]10.
[*]11.
[*]12.
[*]13.
[*]14.
[*]15.
[*]16.
[*]17.
[*]18.
[*]19.
[*]20.
[*]21.
[*]22.
[*]23.
[*]24.
[*]25.
[*]26.
[*]27.
[*]28.
[*]29.
[*]30.
[*]31.
[*]32.
[*]33.
[*]34.
[*]35.
[*]36.
[*]37.
[*]38.
[*]39.
[*]40.
[*]41.
[*]42.
[*]43.
[*]44.
[*]45.
[*]46.
[*]47.
[*]48.
[*]49.
[*]50.
[*]51.
[*]52.
[*]53.
[*]54.
[*]55.
[*]56.
[*]57.
[*]客户端通过调用/analyze-pdfAPI端点与后端交互，此端点为POST类型。客户端将用户上传的pdf文件作为有效载荷发送至该API。
[*]服务器将此文件临时存储在uploads目录中，并提取文件中的文本。
[*]服务器随后使用Oolama的hocalhost API端点向DeepSeek R1传递提示词。
[*]DeepSeek R1分析简历内容并提供反馈，而后由服务器使用 res.json().将分析结果响应给客户端。
克隆并运行React用户界面
通过项目的用户界面上传简历，即可将内容发送至后端，而后向用户展示DeepSeek R1的分析结果。其中还将包含DeepSeek R1的思考过程，即内部思维链。
[*]首先，通过此GitHub URL分叉并克隆本项目。如果各位没有定制需求，也可直接克隆。
[*]克隆完成后，使用命令 cd deepseek-ollama-frontend转至项目根目录。
[*]在根目录下，使用npm install 命令安装必要依赖项。安装完成后，使用npm run dev命令启动本项目。
[*]示例React应用的main组件为ResumeAnalyzer，你可在选定的编辑器中打开并进行分析。
import './ResumeAnalyzer.css';import React, { useState } from 'react';import { Upload, Loader2 } from 'lucide-react';import AnalysisSection from './AnalysisSection';const ResumeAnalyzer = () => {const = useState(null);const = useState(false);const = useState(null);const = useState(null);const handleFileChange = (event) => { const selectedFile = event.target.files?.; if (selectedFile && selectedFile.type === 'application/pdf') { setFile(selectedFile); setError(null); } else { setError('Please upload a PDF file'); setFile(null); }};const analyzePDF = async () => { if (!file) return; setLoading(true); setError(null); try { const formData = new FormData(); formData.append('pdfFile', file); const response = await fetch('http://localhost:3000/analyze-pdf', { method: 'POST', body: formData, }); if (!response.ok) { const errorData = await response.json(); throw new Error(errorData.details || 'Failed to analyze PDF'); } const data = await response.json(); setFeedback(data); } catch (err) { setError(err.message || 'An error occurred'); } finally { setLoading(false); }};return ( Resume Analyzer
Upload Resume (PDF) {file && ( Selected: {file.name}
)}
{error && ( {error}
)} {loading ? ( Analyzing Resume... ) : ( 'Analyze Resume' )} {feedback && !loading && ( Analysis Results
{feedback.ollamaResponse && }
)}
);};export default ResumeAnalyzer;
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]6.
[*]7.
[*]8.
[*]9.
[*]10.
[*]11.
[*]12.
[*]13.
[*]14.
[*]15.
[*]16.
[*]17.
[*]18.
[*]19.
[*]20.
[*]21.
[*]22.
[*]23.
[*]24.
[*]25.
[*]26.
[*]27.
[*]28.
[*]29.
[*]30.
[*]31.
[*]32.
[*]33.
[*]34.
[*]35.
[*]36.
[*]37.
[*]38.
[*]39.
[*]40.
[*]41.
[*]42.
[*]43.
[*]44.
[*]45.
[*]46.
[*]47.
[*]48.
[*]49.
[*]50.
[*]51.
[*]52.
[*]53.
[*]54.
[*]55.
[*]56.
[*]57.
[*]58.
[*]59.
[*]60.
[*]61.
[*]62.
[*]63.
[*]64.
[*]65.
[*]66.
[*]67.
[*]68.
[*]69.
[*]70.
[*]71.
[*]72.
[*]73.
[*]74.
[*]75.
[*]76.
[*]77.
[*]78.
[*]79.
[*]80.
[*]81.
[*]82.
[*]83.
[*]84.
[*]85.
[*]86.
[*]87.
[*]88.
[*]89.
[*]90.
[*]91.
[*]92.
[*]93.
[*]94.
[*]95.
[*]96.
[*]97.
[*]98.
[*]99.
[*]100.
[*]101.
[*]102.
[*]103.
[*]104.
[*]105.
[*]106.
[*]107.
[*]108.
[*]109.
[*]110.
[*]111.
[*]112.
[*]113.
[*]114.
[*]115.
[*]此组件负责为用户提供输入字段以上传文件。
[*]使用API端点将上传的文件发送至服务器。
[*]服务器的响应结果分为两部分——模型的内部思维链与模型的实际响应内容。
[*]其中 AnalysisSection 组件用于显示DeepSeek R1的实际响应结果，ExpandableSection组件则用于显示模型的内部思维过程。
在浏览器中导航至URL以加载示例应用。之后即可上传任意简历并观察DeepSeek R1生成的分析结果。
Resume Analyzer截屏
总结
DeepSeek R1让我们拥有了以纯本地方式构建生成式AI驱动应用的能力，并可根据实际需求进行灵活自定义。
在本文中，我们使用DeepSeek R1、Node.js与React构建起一款具备实用价值的应用程序，可完全离线使用并依托AI实现简历分析。欢迎大家按照本文分享的流程探索更多用例和设计思路。
原文标题：Building a Full-Stack Resume Screening Application With AI，作者：Anujkumarsinh Donvir
页:
[1]