候选人找工作的开源AI工具分享-Career-Ops

因为一直在做B端的招聘产品，每天一直在思考企业端怎么多维标签对于候选人进行评估筛选，但是想到自己是打工人的本质，所以有天突发奇想在思考如今的候选人在面对系统层层筛选的前提下，怎么去应对，于是就找到了这个宝藏项目。最近30天升星速度极快。先放项目地址：

https://github.com/santifer/career-ops

下面是AI自己生成的运作机制报告

项目: santifer/career-ops 作者: Santiago Fernández de Valderrama 数据: 44K+ Stars, 9.2K Forks, MIT License 官网: career-ops.org 文档: santifer.io/career-ops-system

一、项目定位

一句话概括: 把 AI coding CLI（Claude Code/Open Code）变成完整的求职指挥中心。

不是自动海投机器人，是多智能体分析系统——AI 做分析，人做决策。

"Companies use AI to filter candidates. I just gave candidates AI to choose companies."

二、解决什么问题

求职的 6 大痛点

痛点	描述
重复阅读	70% 的 JD 不匹配，看完800字才发现
通用简历	一份 PDF 无法针对每个职位突出不同亮点
手动填表	每个平台问同样问题，填一次要15分钟
无追踪	投了哪家、什么进度完全靠脑子记
零反馈	被拒不知道原因是资质、简历还是时机
全球市场	同时投6国职位，本地内推完全不适用

核心解法

重复的工作让 AI 干，人专注于判断和决策。

三、系统架构

3.1 设计哲学：Mode 模式，而非单一 Prompt

每个操作都是一个独立的 Claude Code Skill，有自己的上下文、规则和工具。

为什么不用单一万能 Prompt？

精确上下文
: apply 模式不需要 scoring 逻辑，按需加载
独立可测
: 改 PDF 逻辑不会影响 evaluation 模块
独立演进
: 新增模式不影响已有模式（Training mode 上线只用了3周）

3.2 核心技术栈

层级	技术
AI Agent	Claude Code（支持 Codex, OpenCode, Gemini CLI, Qwen CLI, Copilot）
Skill 标准	Open Agent Skill Standard
后端	Node.js
Dashboard	Go + Bubble Tea（终端UI框架）
表单自动化	Playwright
部署	本地运行，无 SaaS 订阅

3.3 数据流向

Job URL → JD 提取 → AI 多维评分 → 决策建议 → ATS优化PDF → Tracker记录 → (可选)自动提交   ↑                                                      ↓   └────────────── 人工审核（每步可干预） ←─────────────────┘

HITL 原则: AI analyzes, I decide. 分析自动化，决策权在人。

四、14 个 Skill Modes 详解

核心业务模式

Mode	功能
`auto-pipeline`	全自动管道：JD提取 → 评分 → 报告 → PDF → Tracker 录入
`oferta`	单 JD 深度评估，6 个评估维度
`ofertas`	多 JD 对比排名
`pdf`	针对特定 JD 生成 ATS 优化简历 PDF
`pipeline`	批量从邮箱/列表处理 URL
`scan`	自动扫描目标公司招聘页（ Greenhouse, Ashby, Lever 等45+平台）
`batch`	并行处理：conductor + worker 模式，122 个并发队列
`apply`	自动填表（Playwright 驱动）
`train`	面试训练模式
`neg`	Offer 谈判策略
`contact`	冷启动邮件/LinkedIn 消息个性化
`tracker`	申请进度追踪
`report`	生成阶段性复盘报告

五、评分系统（A-F 多维评分）

10 个加权评估维度

Career-Ops 不给单一分数，而是从 10 个维度独立打分（每项 A-F），加权汇总：

维度	权重说明
职位匹配度	JD 要求与自身技能的重合度
薪资水平	当前市场 + 自身预期的匹配
职业成长	学习曲线、影响力扩展空间
团队规模	合作人数、跨团队机会
技术栈	栈的现代化程度/新鲜度
行业前景	公司赛道是否上行
领导力	Manager 背景、团队文化
Work-Life Balance	通勤、远程政策、加班文化
股权/期权	成熟度、估值、稀释比例
公司文化	DEI、透明度、价值观

6 评估块（oferta 模式）

Summary
— JD 一句话总结
CV Match
— 简历与 JD 关键词匹配度
Level
— 职级是否合理
Compensation
— 薪资分析
Personalization
— 冷启动消息个性化建议
Interview
— 面试轮次/难度预估

评分结果示例

典型优质 Offer: 4.0–4.5 / 5（Grade A–B）
投递阈值建议: ≥3.5 再投

六、PDF 生成机制

ATS 优化流程

解析 JD，提取关键技能词/行业术语
从用户已有项目经历中匹配相关证据点
重写简历内容，优先展示匹配项
调整格式：通过 ATS 关键词扫描
输出：每份 JD 生成独立 PDF（不是通用版）

七、Scanner（职位发现）

覆盖平台（45+）

聚合器: LinkedIn, Indeed, Glassdoor, Wellfound, RemoteOK
ATS 系统: Greenhouse, Ashby, Lever, Workday, BambooHR
直接 Careers Pages: 各公司独立招聘页

扫描策略

很多优质职位从不上聚合网站，只在公司自己的招聘页发布。scan 模式解决这个信息差问题。

八、Batch 并行处理

Conductor + Worker 架构
队列支持 122 个并发 URL
自动去重（680+ URLs 已去重）
断点续跑

九、Go Dashboard

Bubble Tea 框架构建的终端 UI，用于：

可视化 Pipeline 状态
浏览所有已评估的 Offer
查看评分分布
追踪申请进度

十、实际效果（作者数据）

指标	数值
总评估数	631
处理申请数	302
去重 URL 数	680
典型评分	4.0–4.5（A–B）
最终结果	斩获 Head of Applied AI offer

Featured in: WIRED, Business Insider

十一、 Lessons（关键经验）

求职是系统工程
: 不是投简历，是信息收集 + 评估 + 定制 + 追踪的多阶段流程
AI 替代的是分析，不是决策
: 海投是浪费时间，精准定向才是正解
工具需要人来驾驭
: 全自动海投是幻觉，人机协同才是可持续的
Mode 架构的优越性
: 独立、可测、可演进，比单一 Prompt 强大得多

报告生成时间: 2026-05-11

然后本人也亲自拉到本机部署了，用OpenCode尝试也是完美契合的，亲测至少值个小红书或者抖音的价值29.9的职场规划课，使用中有几个印象深刻的地方：

1、针对cv.md和求职偏好，会首先评估你的期望是否合理，并基于相对客观的期望和对应的职位有针对的重写你的cv

2、针对不同的企业、职位可以进行一轮深层次的分析，并能探究出一些智能涌现的感觉。

3、针对每个公司的每个岗位会生成对应的应对策略和反问机制，并捕捉潜在的风险可能。

另外还有一些注意的地方：

1、国内网聘平台的反爬机制无法直接通过URL进行全链路跑通（亲测boss不行得用ocr识图，猎聘可以直接fetch）。

2、匹配度高低和应对策略有效性是建立在信息维度和内容的准确描述情况进行评估的。

3、虽然是调用API模型，但是运行起来也会比较吃内存，我的32G外星人在评估15个匹配度较高的职位跑任务时瞬时内存能到73%。