爆肝 2 天，用 GLM-5.1 开发了一个简历 Agent，已开源！

大家好，我是二哥呀。

虽然只是一个小版本，但经过两天的高强度使用，GLM-5.1 给我的感受远不是 0.1 这个数字所能表达的。

他在长时间跨度、长链路依赖、多工具协同、强目标一致等关键能力上都令我印象深刻，仿佛吃了仙丹一样，Coding方面的进化远超我的预期。

下面是我用GLM-5.1从0到1完成的一个AI智能简历生成Agent——派简历的完整录屏测试。

【录屏】

咱们直接上实战。

系好安全带，咱们滴滴滴出发～

01、给CC配置GLM-5.1

先确保你的Claude Code已经正确切换到了GLM-5.1模型。

编辑Claude Code的配置文件，把模型名称调整为 glm-5.1 就可以。

然后重启Claude Code。

02、启用MCP操控浏览器

直接上测试，先调用Chrome Devtools 打开我们的浏览器，通读一下语雀上我沉淀的需求文档。

这份知识库的内容可不少。

提示词：我现在要重构一下这个项目，我们要启用plan模式，首先我有一份语雀文档，你先用Chrome打开通读一下：https://www.yuque.com/itwanger/maipem/cc15r3paz9onkz3c?singleDoc# 《简历派支付功能设计方案》 密码

Claude Code会使用Chrome Devtools MCP 打开浏览器，我直接把这个 MCP 工具加载到配置了，省得每次都要问我要权限。

需要输入密码，可以直接告诉在CC中告诉他，也可以直接在浏览器里输入。完事后，模型就开始自动读取文档内容了。

由于GLM-5.1的整体表现力非常出色，所以整个过程中并不需要我们人参与。

Chrome Devtools MCP会自动翻页，然后读取完整内容。

这个过程中，模型会逐页分析文档的结构，提取关键信息：需求背景、功能模块、接口设计、库表结构这些都被分类整理好了。

库表设计也能拿得到。

这一点很重要，因为很多模型在处理长文档时，容易漏掉表格、代码块这种结构化信息。

GLM-5.1 能把知识库中库表设计完整提取出来，字段类型、约束条件、索引设计都没有遗漏。

03、多子Agent读取需求文档

觉得一个Agent干活太慢，还可以用 web-access 这个Skill 开启多个Agent读需求文档。

web-access 是专门用来并行处理网页抓取任务的，我之前也有分享过使用经验。

功能梳理文档、AI优化简历、简历修改、通知功能等，CC 会按照Skill 的安排直接开启多个子 Agent去干活。

每个 Agent 都在独立的标签页里运行，有自己的上下文和状态。这种并行处理的能力，大大缩短了信息收集的时间。

多标签页同时进行，互不干扰，这时候考验的就是模型的并发能力。😄

就GLM-5.1的表现力来说，确实无可挑剔。

OK，已经搞定了功能梳理，然后等另外几个文档的子 Agent返回结果。

tips：在 Claude Code 中还可以通过上下箭头查看其余 Agent的干活情况。

这个交互设计很贴心，不用切换界面就能掌握全局进度。

如果你想了解某个 Agent 具体在做什么，按回车就能进入它的详细会话界面。这里可以看到它读取了哪些内容、提取了哪些关键信息、有没有遇到什么问题。

是不是感觉很爽？

多 Agent 并行 + 统一调度。

如果任务结束了，还会帮我们自动关闭标签页。这个细节很加分，不会留下一堆无用的浏览器标签页占资源。

好家伙，9 个文档全部都读完了，告诉我们他看到的结果。

• 全局思维导图：登录→首页→简历生成（模板+模块化编辑+AI优化+排版）→我的简历（查看/新建/导出）→简历优化（付费，管理员后台处理）→通知
• 四大模块：简历模板（默认+模板中心）、我的简历（模块化编辑+AI优化+导出PDF）、简历优化、基础功能
• 邮箱注册+验证码、JWT(access_token+refresh_token)、Redis缓存、管理员初始化
• Kafka消息队列、同步持久化+异步分发、高/低优先级Topic、DLQ死信队列、站内+邮件通知
• 通用支付模块、支付宝H5/PC、4个接口（创建/查询/回调/日志）、pay_order+pay_log表
• 模块化JSON存储、resume主表+resume_module模块表、8个接口（CRUD+AI优化）、前端渲染PDF
• Deepseek模型、STAR法则Prompt、用户触发→后端处理→对比展示→用户决策、输入校验+超时控制
• 用户发起修改任务→专家后台处理→自动保存草稿→完成通知、10个接口、4张表

太全面了呀。我滴乖乖。

04、GLM-5.1梳理需求

选好前后端的技术栈。

这时候GLM-5.1会进入 plan 模式，它会先输出一份完整的设计文档，包括技术选型、目录结构、依赖管理、数据库设计、接口定义等所有内容。

这个设计文档不是简单的罗列，而是有逻辑、有层次的完整方案。

可以ctrl+o看一下详细的设计过程。

我建议大家多看看，能学到很多工程化的思维方式。比如它是怎么拆解复杂需求的、怎么权衡技术选型的、怎么考虑边界情况的。

GLM-5.1采用了经典的分层架构：controller 层处理请求、service 层处理业务逻辑、mapper 层处理数据访问、entity 层定义数据模型。

Spring Boot 3.x 作为基础框架，MyBatis Plus 作为 ORM 工具，JWT 做认证，Redis 做缓存，Kafka 做消息队列。

GLM-5.1 还贴心地考虑到了环境区分，开发环境、测试环境、生产环境的配置都做了隔离。这种细节处理，说明它真的有工程经验。

GLM-5.1 设计了完整的表结构：用户表、简历表、简历模块表、支付订单表、支付日志表、通知表等。

每个表的字段类型、约束条件、索引设计都很合理。

RESTful 风格的 API 设计，统一的响应格式，清晰的接口文档。包括用户认证接口、简历 CRUD 接口、支付接口、通知接口等。

每个接口都有详细的参数说明和返回值定义，前端同学可以直接照着用。

安全方面考虑了 JWT 认证、接口权限控制、敏感数据加密等。

GLM-5.1还画了业务流程图，从用户登录到简历生成，从支付到通知，整个业务一目了然。

一共12个步骤，考虑的非常全面。

从环境搭建到代码实现，从数据库到前端页面，从单元测试到部署上线，每个环节都有明确的任务和验收标准。这种细粒度的任务拆解，是长程任务能够顺利完成的关键。

05、GLM-5.1开始编码

好，开始让 GLM-5.1 进行编码吧。

截止到目前，已经运行21分钟了，没有出任何错，说明GLM-5.1的长程任务能力确实很强，能持续稳定地执行这么长时间的复杂任务。

对于 AI 模型来说，长时间保持上下文不丢失、逻辑不混乱是很有挑战的。很多模型在 10 分钟后就开始出现质量下降，但 GLM-5.1 依然稳定。

第一步是搭建后端的项目骨架。创建 Maven 项目结构，配置 pom.xml，建立分层目录。

第二步是数据库表 + 实体类 + Mapper。根据之前设计的表结构，创建对应的实体类和 MyBatis Mapper 接口。

第三步是 JWT + 认证接口。实现用户登录、注册、Token 刷新等功能。JWT 的密钥生成、过期时间设置、刷新机制都考虑到了。

第四步是 CRUD 接口的实现。包括简历的增删改查、模块的增删改查等。每个接口都有完整的参数校验、业务逻辑处理、异常处理。代码风格统一，注释清晰，符合 Java 开发规范。

到此算是一个段落，后端已创建 30+ 个 Java 文件。剩下后端 AI 接口 + 整个前端重构。

后端编码完成后，CC问我们要不要确认后端代码再继续干活，那必须是不要，继续干啊，GLM-5.1 你这个牛马，不要停。

这种连续执行的能力，正是长任务的核心价值。

接下来是步骤 6：前端重构 — 安装依赖、路由、认证页面、API 客户端。

接下来是，前端页面和组件。包括登录页、注册页、首页、简历编辑页、简历列表页、支付页等。每个页面都有完整的 UI 结构和交互逻辑。

全部搞定。而且代码质量还不错，结构清晰，命名规范，有基本的错误处理。

整体代码编写完了，我们问问接下来需要我们干什么。

06、GLM-5.1启动前后端

提示词：mysql和Redis我已经启动了，你直接搞定。但是我希望直接启动main 方法的时候把建表执行了，这样我就不用自己去执行了，是不是。后端的配置能不能放到 .env 文件中，如果我配置到application.yml 我提交的时候还要防止误提交。

有任何错误，也会自己调整。

前后端的编译都通过了。

好，我们先创建一个数据库 pai_resume。

启动后端。

启动过程中，有任何错误，都会自己调整。比如说数据库链接这里应该是 UTF-8 而不是 utf8mb4。

可能有些小伙伴说，AI本身就不应该犯这个错误。

但我只想说，这个要求苛刻了，不仅 GLM-5.1 会犯错，GPT-5.4也会犯错。之前我让 GPT-5.4 修改PaiFlow项目的数据库链接问题，结果直接把我的UTF-8 改成了 utf8mb4。

我们人在进步，AI也在进步。

GLM-5.1 目前的表现在我看来，已经有赶上闭源模型的趋势。

写错了不要紧，能主动修正自己的错误才是最重要的。

OK，后端已经成功启动了。

我们再开一个终端，启动前端，试试。

这样如果前端有错误，GLM-5.1可以帮我们直接修正。

OK，前端也起来了。

07、GLM-5.1开始测试

我想让你直接控制我的浏览器进行测试。

直接开始了。点击每个测试边界，然后输入值进行验证。

全程自己搞定，非常丝滑。

给我们报告测试结果。

08、ending

从最开始通读 9 份文档，到最终前后端跑起来，模型始终没有偏离打造一个简历派 Agent 的核心目标。

中间涉及到数据库设计、接口开发、前端页面、配置调整等各种细节。

数据库链接配置错了，它能自己发现、自己调整。前端编译报错了，它能定位问题、修复后再试。

这种不依赖人工干预的自我纠错能力，在长程任务中特别重要。因为人不可能一直盯着，模型得学会自己解决问题。

这个项目体量不算小，但GLM-5.1没有失忆、没有跑偏、没有放弃。每一步都知道上一步做了什么，下一步该做什么。这种稳定性，是长程任务最难能可贵的地方。

GLM-5.1 用实际行动证明了：开源模型也能搞定长程任务，而且搞得很好。

如果你正在做 Agent、做工作流、做复杂业务系统，GLM-5.1 绝对值得一试。

如果这篇内容对你有用，记得点赞，转发给需要的人。

我们下期见！