夜雨聆风毕业季，分享一个求职开源项目，今天在GitHub上疯狂涨星，半天加了5000多颗。
它不碰大模型训练，不做AI基础设施，甚至不是一个传统意义上的"技术项目"。
它帮你投简历。
项目叫 ai-job-search，总结一句话介绍：基于 Claude Code 的 AI 求职框架。Fork 一份，填好个人资料，AI 帮你评估岗位匹配度、改简历、写求职信，还帮你准备面试。
它到底能干什么？
整个流程分三步，对应三个命令：
第一步 /setup：建立你的数字档案。
把自己的简历、LinkedIn 导出文件、学位证、推荐信丢进 documents 文件夹，或者直接粘贴简历，又或者通过对话式访谈完成。系统会解析你的教育背景、工作经验、技能清单，生成结构化的候选人档案。还会做行为评估，分析你的沟通风格和职业倾向。
第二步 /scrape：搜索和筛选岗位。
内置了主流求职平台的爬虫（Jobindex、Jobnet、Akademikernes Jobbank 等），也支持 LinkedIn 公开职位搜索。它会根据你的画像匹配岗位，去重排序，展示匹配度评分。搜到一堆岗位看不过来？还有 /rank 命令，并行批量评分所有岗位，给出排名短名单。
第三步 /apply：一键生成求职材料。
输入一个岗位链接，或者直接粘贴职位描述，系统跑完整个流程：评估匹配度、用 LaTeX 生成定制简历和求职信、派出一个"审稿人"Agent 审查初稿、根据反馈修改、编译 PDF、做 ATS 兼容性检查，最后交付成品。
ATS 检查这个细节值得多说一句。大多数简历模板"看着 .tex 文件没问题"，编译成 PDF 后却可能文本层乱码：邮箱变成图标字符、多栏布局导致阅读顺序错乱。ai-job-search 会用 pdftotext 提取编译后 PDF 的文本层，模拟 ATS 解析器的视角，验证联系方式是否可读、关键词覆盖率是否达标。简历中不支持的技能会被标为差距，绝对不会硬塞的。
为什么能火？
GitHub Trending 今天排名第一，13982 颗星，半天涨了 5071 颗。一个求职工具为什么能引爆开发者社区？
看了下原因其实挺朴素的。
程序员找工作最烦的不是写代码，是写简历和求职信。每次投一个岗位都要改一遍，把经历往职位描述上靠，措辞调整，格式排版。这个过程重复、枯燥、耗时间。ai-job-search 把整个流程自动化了，还保证了质量。这是第一层：解决真实痛点。
第二层有意思一些。这个项目不是简单的 API 调用，而是真正用了 Claude Code 的 Agent 能力：多步骤工作流、Agent 间协作（drafter-reviewer 模式）、文件系统操作、工具调用、PDF 编译和视觉检查。它是一个完整的"AI 同事"，不是一个聊天机器人。
drafter-reviewer 架构值得一提。写简历的 Agent 和审简历的 Agent 是两个独立上下文。审稿人 Agent 会调研目标公司，然后批判初稿。写稿人再根据反馈修改。这种分离机制能抓住单次生成容易遗漏的问题：缺失的关键词、平庸的表述、与岗位不相关的内容。
还有一点让我印象比较深：它在"诚实"上下了功夫。简历造假是 AI 求职工具最大的风险。这个项目的规则是，所有简历和求职信中的声明都必须与你的实际档案核对，系统绝不编造技能或经验。关键词覆盖率检查中，你不支持的技能被标为差距，不会被偷偷塞进去。
适合什么人用？
说实话，这个项目目前的适用人群比较窄。
项目提供了 /add-portal 命令，可以为本地的求职网站生成搜索技能。它会调研门户网站的搜索 URL 模式、结果结构、访问规则，然后脚手架生成对应的 CLI 工具。但这个功能目前还比较新，实际效果需要验证。
技术门槛也不低。得会用命令行、装 Python 3.10+、Bun、LaTeX 发行版（TeX Live 或 MiKTeX）。简历用 moderncv 的 banking 风格，求职信用自定义的 cover.cls 加 Lato/Raleway 字体。对非技术人员来说，这个安装门槛不低。
看了下还有一些有意思的细节
项目还有几个延伸命令：
/outcome 记录每次申请的结果，面试到哪一轮、拿到 offer 还是被拒、石沉大海。归档提交的简历、求职信和岗位描述，等积累了几次结果，系统会提示你重新校准匹配框架。
/upskill 分析你的画像和目标岗位之间的差距，生成技能缺口热力图和学习计划，还帮你搜学习资源和时间估算。适合在投简历的间隙做职业规划。
/expand 扫描你档案中链接的公开资源（GitHub 仓库、作品集网站、Kaggle、Google Scholar），自动发现你可能自己都没意识到的能力，补充到档案中。
/add-template 注册你自己的 LaTeX 简历或求职信模板，替换默认的。系统会捕获模板的编译指令、字体、样式规则、页数限制，强制做一次测试编译，然后接入 /apply 流程。
我的看法
ai-job-search 火起来，不全是因为它好用。
它真正打动人的，是展示了一种可能性：AI 不只是帮你写几行文字，而是能接管一个完整的、多步骤的、有质量要求的工作流。从理解你的背景，到搜索岗位，到评估匹配度，到生成求职材料，到审查修改，到最终交付，每一步都有明确的输入输出和质量检查。
这不是一个 ChatGPT 插件能做的事。它需要 Agent 能力：文件读写、多步骤执行、Agent 间协作、工具调用、外部命令执行。Claude Code 恰好提供了这些能力，而 ai-job-search 把它们组合成了一个完整的产品。
5000 颗星说明程序员们看到了这个方向的价值。即使你现在不用它求职，它的架构设计也值得做 AI 应用的人参考：drafter-reviewer 模式、PDF 编译验证循环、ATS 文本层检查、相关性加权的内容裁剪。
项目地址：github.com/MadsLorentzen/ai-job-search
