夜雨聆风学习资料网

ARTICLE · 1220514

AI Job Search:被裁地球物理学家写的求职框架,靠它拿了 20 个面试和 1 个 offer

AI Job Search:被裁地球物理学家写的求职框架,靠它拿了 20 个面试和 1 个 offer
01

ORIGIN

从失业到自救:一个博士的技术反击

一位地球物理学博士在 2025 年底被裁员后,没有像大多数人那样投简历、等回复、再投简历。他写了一套基于 Claude Code 的 AI 求职框架——69 次精准投递,20 次一面,最终在 2026 年 6 月签下了AI 工程师的正式合同。更惊人的是,这个原本为自救而写的工具,如今在 GitHub 上已经狂揽 60,617 颗星,成为今年最出圈的 AI Agent 应用之一。

Mads Lorentzen 是丹麦的一名地球物理学博士。当他在 2025 年底收到裁员通知时,面临的不是简单的"投几份简历"的问题——学术界的转型从来都不容易。他做了一个大多数程序员都会做的选择:用技术解决自己的问题。

他把自己完整的求职经历拆解成了一条可编程的流水线:/setup 导入简历和个人档案,/scrape 自动搜索匹配职位并按适配度排序,/apply 输入职位链接后 AI 评估适配度、起草定制简历和求职信、由第二个 Agent 作为评审人批判性点评、修改后输出最终结果。此外还有 /interview 面试准备、/outcome 结果追踪——把整个求职生命周期都编码成了可执行的命令。

「每次面试我都很坦诚地告诉对方我用这套工具做了准备。结果不是被扣分,而是引发了真正的技术讨论。」

02

TECH

核心技术:为什么说它不是套壳工具?

市面上「AI 帮你写简历」的工具一抓一大把,但 ai-job-search 的不同之处在于它解决的不是「生成」问题,而是质量保障问题。

PDF 编译验证循环

大多数 LaTeX 简历模板的致命问题是:在 .tex 源文件里看起来没问题,但编译出来的 PDF 排版一团糟——职位标题被截断到下一页、求职信溢出到第二页、项目符号字体悄悄回退到正文默认字体。ai-job-search 在 /apply 的每一步都会自动编译并视觉检查 PDF,发现问题自动应用针对性修复,直到布局干净。这个过程对开发者来说,相当于给简历生成器装上了CI/CD 流水线。

ATS 文本层验证

ATS(申请人跟踪系统)读的不是 PDF 渲染效果,而是嵌入的文本层。LaTeX 有时会静默生成文本提取为乱码的 PDF——邮件地址位置出现图标字形、多栏布局导致文本交错。这个工具用 pdftotext 提取编译后简历的文本层,验证联系人信息、阅读顺序、以及职位关键词覆盖率。

相关性加权的内容裁剪

当简历超过 2 页时,它不会简单地从「最老的部分」开始删。而是给每一行打分:与目标职位的相关度、在文档中的唯一性、求职信是否依赖它,然后先删总分最低的。一个与职位关键词高度匹配的「旧角色」条目,会排在「新角色但不相关」的条目之前被保留。

起草者 - 评审者分离架构

起草者写初稿,第二个 Claude Agent 作为评审人研究公司并批判性点评,起草者再修改。这个设计避免了单次通过时遗留的遗漏关键词、框架弱、语言泛化等问题,相当于给每份申请材料上了双人审核机制。

03

COMPARISON

与同类工具对比:它到底赢在哪里?

PDF

编译验证

ATS

文本层检查

本地

数据隐私

最关键的区别是本地优先哲学。你的个人数据——姓名、联系方式、工作经历、薪资期望——全部存储在自己 fork 的仓库里,不经过任何第三方服务器。这在求职场景下是一个严肃的安全考量:你的职业数据不应该被"AI 简历生成器"的云服务收集和分析。

除此之外,它提供完整的五维评分框架(技能、经验、文化、地点、职业匹配),而不是简单的关键词匹配。面试准备基于已提交材料生成阶段性准备包,而非通用建议。结果追踪自动归档并会在投递后 10 天没消息时自动起草跟进邮件。

04

USE CASES

适用场景:谁最需要它?

学术 / 研究背景人士转型业界

Mads 本人的经历就是最好的案例。从地球物理学到 AI 工程师,跨领域转型时传统求职方式效率极低。这个框架能根据完整的工作历史(不只是职位名称,而是实际做过的事)发现隐藏的转型机会——可迁移技能映射到意想不到的行业、你在哪些事上特别擅长且享受、以及结合领域专长与新技术的新兴角色。

大规模求职的开发者

如果你在一个季度内要投递 50+ 个职位,手动写每份定制简历和求职信的时间成本极高。这个工具把每份申请的时间从几小时压缩到几分钟,同时保证了定制质量。

技术栈要求

项目基于 Claude Code CLI 构建,需要 Claude Pro/Max/Team 订阅或 Anthropic API 积分。同时依赖 Python 3.10+、Bun 包管理器,以及 LaTeX 发行版。招聘网站搜索插件目前主要面向丹麦市场,但模式设计为可插拔——社区已经在构建其他市场的适配器。

∞

THE END

对开发者的启示:Agent 时代的自救工具

ai-job-search 之所以在 GitHub 上获得如此多的关注,不仅仅因为它解决了求职问题——更重要的是它示范了一种新的开发范式:用 AI Agent 框架解决自己面临的真实问题,然后把解决方案开源。

它的文件结构本身就是一份「AI Agent 应用最佳实践」的教科书:.claude/commands/ 目录下每个命令都是独立的 Markdown 文件,定义 Agent 的行为;.claude/skills/ 下核心技能按模块组织;.agents/skills/ 下每个招聘网站的搜索插件都是自包含的文件夹,有统一的输入输出契约。

💡 安全设计:职位描述被视为不受信任的输入,工作流不遵循嵌入其中的指令,不获取其中的链接。

这个项目的真正价值不在于「帮你找工作」——而在于它证明了:AI Agent 不再是聊天框里的玩具,而是可以驱动端到端工作流的工程基础设施。从 3 月发布到今天 6 万星的增长曲线,反映的不仅是市场需求,更是开发者对「AI 真正落地」的期待。当 AI 从「写一段代码」走向「执行一套流程」,我们离「AI 原生应用」的定义,又近了一步。

END

我是 Jasper,专注人工智能前沿动态的垂直资讯,每日更新全球AI行业快讯、技术深度解读、商业化落地思考与行业观点评论。

如果你觉得今天这篇有收获,欢迎点赞、在看、转发三连,我们下篇见。

相关学习资料