格物手记 | AI 找工作,别只会改简历:一套能反复用的求职工作流

最近连续看到好几个与 AI 求职有关的开源项目：有人用 Agent 管理了完整求职过程，有人把几十个远程招聘网站整理成目录，还有人将岗位判断、简历、面试与 Offer 选择拆成专用 Skill。项目越看越多，却很容易出现一个问题：究竟该装哪一个？

我觉得更值得讨论的，不是哪套工具能“一键拿 Offer”，而是：能不能把一场零散、重复、充满信息差的求职，变成有资料依据、能追踪进度、会积累经验的工作流。

把 AI 用于找工作之前，最好先分清几个常常混在一起的概念。

四层结构示意已纳入 Claude Code；工具之间并非都能任意替换或组合。

模型是“大脑”，例如 GPT、Claude、DeepSeek 或 Kimi，主要处理理解、生成与推理；Agent 则是在模型之外，加上浏览器、文件、终端等工具及执行循环，让 AI 能够分步骤完成任务。Skill 更像一份专业操作手册：何时使用、读取什么、如何判断、产出什么、怎样验收。招聘网站、个人履历和投递表则是最底层的数据与事实来源。

对于已经习惯 ChatGPT 的读者，可以这样类比：Chat 主要适合交流与分析；Work 更偏多步骤研究、文件和网页任务；Codex 面向代码仓库、终端及软件工程。Claude Code、TRAE、Qoder 等也属于不同形态的 Agent/开发工具。它们功能有重叠，但并非谁是谁的插件。

因此，“Codex + AI Job Search”是合理组合：Codex 承担执行，AI Job Search 提供工作流；而“某个模型 + AI Job Search”通常还缺少文件、浏览器或命令执行的那一层。更换模型接口，也不代表各种 Skill 能自动兼容。

如果把求职拆开，会发现真正费时间的是不断在多个场景之间切换：收藏了岗位却忘了截止时间；为不同 JD 反复修改简历；面试官追问的项目指标没有及时记下来；还没搞清一家公司的业务，就急着投递。

从职业事实库出发，让申请和面试的每次反馈都为下一轮服务。

这条闭环有三个优先级：先判断是否值得投，再谈文案优化；先守住事实，再追求漂亮表达；先建立记录，再谈自动化。没有这三步，AI 只是把混乱以更快的速度复制一遍。

前面讲了求职工具，但还有一个绕不开的问题：为什么我们如此需要它们？一张近期传播的观点图提出，人工智能带来新的生产率跃升，社会需要时间调整产业结构与岗位需求，因此年轻人在就业入口处可能首先感受到变化。

这让我想起经济史中的“恩格斯停顿”（Engels’ Pause）。经济学家 Robert C. Allen 用它概括英国工业革命早期一段现象：劳动生产率增长，但普通劳动者的实际工资并未同步提高。它提醒我们，新技术产生的收益，不一定立即、平均地到达劳动者。

借“恩格斯停顿”理解技术扩散、招聘调整与个人能力升级。

不过，“历史类比”不能直接当作当下校招的因果解释。2026 年美国部分研究发现，AI 暴露程度较高的行业或专业出现了较弱的初级招聘表现；但纽约联储与新加坡人力部也强调，就业变化还涉及经济周期、岗位结构、企业招聘策略等因素，AI 的独立影响不能一概而论。不同国家与专业更不能直接套用同一个结论。

因此，我更愿意把“顺势而为”理解为行动建议，而不是“只有一种选择”的口号：一方面练好专业能力、沟通与商业判断等底层功夫，另一方面学会让 AI 帮自己检索、分析、构建和验证。复合能力的关键不只是会发 Prompt，而是知道何时相信模型、何时检查来源、何时必须自己作决定。

开源社区已经有不少求职项目，但并不需要全都安装。更实用的做法是按“信息源、决策、执行、质量控制”来挑。

表中有些是可运行的软件框架，有些只是 Skill、模板或资源目录。它们的成熟度、安装方式和信息源覆盖范围各不相同，不能单看 GitHub Star 数量判断好坏。

① AI Job Search：把申请过程变成可以复用的流水线

这个项目由独立开发者发起，原生运行时是 Claude Code。它让使用者建立个人职业档案，然后通过 /scrape 找岗位、/apply 按 JD 调整 CV 与求职信、/interview 备面、/outcome 记录结果。申请材料还设有“起草者—审查者”环节，并尝试检查 PDF 的文字层是否便于读取。

作者在 README 中自述，自己经历了 69 份定制申请、20 场首轮面试，最终获得一份工作合同。但必须记住：这是一个人的经历，不能据此推算普通人的面试率，更不能证明 AI 是拿到 Offer 的唯一原因。

它的通用申请流程值得借鉴，但招聘门户搜索最早围绕丹麦市场设计。官方文档也说明，Codex 等其他 Agent 可从 AGENTS.md 与可移植搜索技能入手，完整流程可能需要社区适配或额外改造。所以“不用 Claude”与“原样一键运行”是两回事。

② Job Search Pilot：用多个 Skill 分工，而非一个万能 Prompt

Skill-Bible 的 Job Search Pilot 把选岗、定制简历、深挖经历、面试准备、多轮冲刺、面试复盘、Offer 选择等动作串起来。读者可以先描述自己卡在哪，再让主控流程决定进入哪个专项 Skill。文章最初介绍了八个环节，仓库中的 Skill 数量可能继续演进，使用前宜以最新版目录为准。

它最有启发的地方，是把“方法”写成可重复执行的规则，而不是每次在聊天框重新解释。比如同一项研究经历，技术面需要讲清模型与验证，主管面需要讲清取舍与协作，HR 面则更关心职业动机。

③ Awesome Remote Job：它是地图，不是替你投简历的机器人

这个经典 Awesome 清单收录远程招聘站点、聚合器、远程优先公司、面试工具及协作资源，也提供简体中文版本。打开网页就能查，不需要安装模型。它适合补充“去哪里找”这一步，却不会自动证明岗位仍然开放。

尤其要注意：Remote 不等于 Work from anywhere。一份工作可能只允许在美国、欧洲某个时区或雇主已建立用工实体的国家远程办公。人在中国或新加坡申请海外远程岗时，务必核对工作地、税务、雇佣形式、签证及跨境数据合规要求。

④ 校招.skill 与中国求职框架：补上本土招聘环境这一课

“校招.skill”（GitHub 仓库名为 ocr-skill）强调从官方或近官方渠道确认招聘批次、毕业年份、JD 与投递入口，适合国内技术校招、实习场景。Career-Ops 的国内适配项目则进一步考虑中文简历、BOSS 直聘、猎聘、脉脉、微信沟通等流程。

但这里同样要划清边界：校招 Skill 不应直接拿来给社招、海外研究岗位做最终判断；国内平台又常有登录、动态网页、反自动化与使用条款限制。把岗位描述由用户主动提供给 Agent 分析，往往比尝试无节制抓取更可靠。

当然可以。这里要分清“能进行 AI 对话”和“能读取本地项目、安装 Skill、执行脚本”是不同能力。对无法方便使用 ChatGPT 或 Claude 服务的读者，没有必要先解决海外账户，再开始求职。国内有多种选择，但功能、地区可用性及收费计划要按各自官网核实。

三种上手方式：从复制提示词到自建可维护的求职 Agent。

路线 A｜普通用户：先用现成的中文 AI 助手

DeepSeek、Kimi、千问、豆包等工具可以帮助你阅读 JD、比较岗位要求、梳理项目故事、修改中文或英文简历。其中，Kimi 官方提供深度研究能力，适合研究公司与行业；DeepSeek 也提供网页搜索相关功能。对于没有编程需求的人，先把真实履历和一条 JD 放进聊天框，按固定模板要求输出分析，就已经能够省去大量重复劳动。

但普通聊天并不会自动继承另一平台中的投递记录。最好另建一个表格或文档，保存“主档案、真实证据、岗位清单、状态与面试复盘”。

路线 B｜希望自动做更多事：可视化 Agent 工作台

扣子（Coze）支持 Agent、技能与工作流；Kimi Work、QoderWork 等偏向文件处理、研究与办公自动化。此类产品对不熟悉命令行的读者更加直观，不过网页登录、资料上传、Skill 格式和外部平台权限都需要逐项确认，不是看到“Agent”二字就意味着能直接自动投递。

路线 C｜会写代码：在开发工具中维护长期项目

TRAE 的 SOLO 模式、Qoder CN（原通义灵码体系）和腾讯 CodeBuddy 等，提供不同程度的 AI 编程与 Agent 能力。你可以把 CV、JD、已核验的经历、岗位表和 Skill 放进专用项目目录，让 Agent 读取、分析与生成文档。部分工具允许配置不同模型，但“模型 API 兼容”仍不等于全部插件与工作流完全兼容。

如果希望低成本或偏好国内模型，也可以考虑 DeepSeek、通义千问、GLM、Kimi 等相应模型 API，与支持自定义模型的执行环境结合；具体配置、调用费用、工具调用能力和网络可达性，都应以官方实时说明为准。

上面讨论了很多 Agent 和 Skill，但真正上手可以很简单。这里选用开源 Codex CLI 作为执行环境，并只安装 Skill-Bible 的“job-search-pilot”求职总控。下面以 macOS / Linux 的终端为例；Windows 用户也可以用支持的终端或安装方式操作。

先有 Agent，再安装一项 Skill，最后用真实 CV 与 JD 运行。

第 1 步｜准备环境并安装 Codex

先确认已安装 Node.js、npm 与 Git。Skills CLI 目前要求 Node.js 22.20 或更新版本；Codex 需要可使用的账户登录或 API 访问权限。中国大陆读者如无法正常使用 Codex，可先跳到上面的国产 AI 工具路线，不必强行折腾网络与账户。

第 2 步｜建立独立求职目录并启动 Codex

不要让不熟悉的 Skill 直接遍历整个电脑。单独建一个工作目录，先放脱敏后的 CV、岗位 JD 与投递台账；完整身份证件、薪酬证明及保密项目数据不应默认共享。启动后按提示选择可用的登录方式。

第 3 步｜只安装 job-search-pilot，不必下载整套 Skill

另开一个位于该目录的终端，先列出仓库可识别的 Skill 名称并人工检查，再只安装求职总控到 Codex。以下命令基于开源 Skills CLI 的 --list、--skill 与 -a codex 参数。运行前可先阅读项目的 SKILL.md 与相关脚本；交互界面仍可能要求你确认。

第 4 步｜检查安装目录并调用 Skill

Codex 通常可从项目的 .agents/skills 发现 Skill。重启 Codex 后，输入 /skills 查看当前识别到的技能，或输入 $ 后选择 job-search-pilot。不同版本的 Skill 名称、安装位置与调用菜单可能不同，以实际结果为准。

推荐的第一次任务，不要直接说“帮我海投 100 份”。可以从以下指令开始：

第 5 步｜有明确需要，再增加第二个 Skill

例如确实需要针对多个 JD 调整简历时，再考虑 Resume Tailor；提交前增加 Claim Check 进行事实核对。不要为了“看起来专业”一次装十几个重叠模块。安装失败、命令变化或模型权限不匹配时，先回到官方 README 核查。

技术提示：这里的 Skill 安装示例基于 2026 年 10 月核对的官方 CLI 文档与公开仓库，不代表我已在每种操作系统、每个账户中实机验证过。安装行为只添加工作流，并不会自动连接国内招聘网站，更不会自动获得账号登录与提交申请权限。

无论使用 ChatGPT Work、Codex、TRAE、扣子，还是纯聊天工具，建议从一套清晰、可审计的资料结构开始，而不是同时装十几个 Skill。

下面这段话可以直接复制到你正在使用的 AI 工具中，不需要先安装任何 Skill。

有代码经验的人，可以在这一基础上按需加入 Career-Ops 或 Job Search Pilot；有明确招聘来源的人再补 Careers Page Search；即将提交申请时加入 Claim Check。反过来，如果只需要修改一份简历，大可不必先部署整套自动化系统。

先核验招聘信息，再讨论匹配度。明确岗位是否真实、是否仍开放、是否允许你的工作地区与身份。

用 AI 重写表达，不让 AI 发明事实。特别警惕“参与”被写成“主导”、被补出的百分比，以及未经验证的 ATS 高分。

不迷信匹配分数。算法分数是排序工具，不是面试率，更不是 Offer 概率。

自动化必须有人类确认点。投递、发消息、提交身份资料、接受 Offer，都应由本人做最终决定。

保留个人信息边界。简历和项目证据应放在受控目录；安装第三方 Skill 前审核脚本、权限与隐私政策。

我越来越觉得，未来的求职竞争不只是“谁会用 AI 写出漂亮的简历”。更重要的可能是：谁更知道自己能解决什么问题，谁能用真实证据说明能力，谁能在一次次反馈中调整方向。

AI 可以帮我们搜集、比较、检查、归档和练习，却不能替我们拥有经历，也不能替我们回答“究竟想做什么样的工作”。当这些琐碎流程被妥善组织以后，求职者终于可以把更多精力，留给技能提升、面对面的交流，以及更清醒的职业选择。

以下统一列出纯文本网址，方便读者在微信中长按复制、再用浏览器打开；不是公众号正文里的外部可点击链接。工具功能与收费可能更新；资料核对时间为 2026 年 10 月 27 日。

写作依据：本文综合上述公开项目与官方说明。图为本文原创信息示意图，不代表项目官方界面。

#AI求职 #AIAgent #求职技巧