夜雨聆风2025年末，一封裁员通知砸在丹麦地球物理学博士 Mads Lorentzen 的桌上
三年工业经验，一纸博士学位，在算法筛简历的时代，通通不够用
刷招聘网站、读岗位描述、调研公司背景、改简历、写求职信、点提交、等回复，然后被“幽灵”
每一份认真定制的申请至少吞掉数小时，而多数时候，连一封拒信都等不到
这是2026年求职者最熟悉的循环
但Mads没有继续转这个轮子，他决定自己造一个新的
一个失业博士的“反击武器”
Mads做了一件在旁人看来有点疯的事：他没有打开ChatGPT粘贴简历让AI“帮改改”，而是坐在自己的电脑前，用Anthropic的代理式编程环境Claude Code，从零搭建了一整套求职流水线
它没有网页、浏览器插件或App界面，是一套跑在你自己电脑上的“求职操作系统”，用三条斜杠命令驱动：
/setup：建立你的职业档案，收录技能、行为风格、能量来源、地域限制、家庭状况，相当于把职业顾问几个月才能问清的东西，压缩进一份机器可读的配置文件。 /scrape：在多个招聘平台搜索、去重、按匹配度排序。 /apply：解析岗位 → 评估是否值得投 → 用LaTeX定制简历与求职信 → 派出第二个AI代理，以招聘方视角挑刺 → 修改 → 编译PDF → 检查ATS文本层 → 交给你审阅。
流程终点是交给你审阅。
▲ Mads本人的推文：“我是地球物理学家，失业后教会Claude Code替我跑求职苦活……每一份申请都是我亲手发出的。”
69份申请、20次面试、1份合同
结果写在GitHub仓库的README里，黑纸白字，没有任何修饰：
Sixty-nine tailored applications, twenty first interviews, and one signed contract later, I started as an AI engineer in June 2026.
六十九份定制申请。
二十次初面。
一份签下的合同。
2026年6月，这位被裁的地球物理学博士，以AI工程师的身份重新上岗
▲ GitHub仓库中的关键段落：“Does it actually work?”，用数字回答。
Mads没有“海投500份碰运气”。
他在LinkedIn长文中反复强调：自动化让他投得更挑剔
系统会对每个岗位做结构化评估，技术匹配度、可学习的缺口vs根本性缺口、行为与文化适配、薪资基准，然后给出“该不该投”的判断
很多时候，答案是不投。
他在LinkedIn的原话大意是：如果公司能用秒级AI筛掉我，那我也可以用AI决定把时间花在哪里
“双代理互查”：系统的关键设计
社交媒体上的热门版本喜欢说“丹麦科学家让AI替他找工作”
这套系统的独特之处落在整套流程，单独用AI修改简历早已不稀奇
关键在于工程闭环。
▲ 西班牙语热帖吸引了大量非英语受众，但其中的“全自动”说法与作者原意有偏差。
第一个代理负责起草，第二个代理站在招聘经理的立场审稿，你的简历上写了“精通Python机器学习”？
它会追问：档案里有对应项目吗？
面试时说得出细节吗？
如果说不出，这条不写。
然后是一个被业内人士称为“被低估的环节”的操作：PDF文本层验证
LaTeX排出来的简历可能肉眼漂亮，但ATS（自动简历筛选系统）读到的是嵌入文本层，图标字体可能把邮箱变成乱码，多栏排版可能让阅读顺序错乱
系统用pdftotext工具自动检查：联系方式是字面量还是乱码？
关键词覆盖是否诚实？
▲ 一位实践者的评价：“PDF验证环节是最被低估的部分。”
GitHub热度攀升：2.7万Star、近9千Fork
Mads把这套系统以MIT许可开源，仓库名 MadsLorentzen/ai-job-search
然后事情就失控了。
▲ 仓库首页：Star约2.69万，Fork约8.8千，对一个个人求职工具来说，这是现象级的数字。
西班牙语科技账号用“丹麦科学家让Claude替他找工作”做标题，把仓库推向拉美和欧洲受众
中文圈层层翻译转发。
英文科技博主拆解“三条命令跑通求职流水线”
在GitHub Trending上，这个项目冲到了第一名
但多轮转述让细节走样了。
“代理起草、人类发送”变成了“全自动求职机器人”；
69份定制申请变成了“AI海投”的证据
Mads不得不一再澄清：工作流故意不点提交，没有“代你按Apply”这个功能
拮据的求职者，烧得起Token吗？
并非所有人都在鼓掌。
▲ 一位用户的尖锐批评：失业求职者本就拮据，还要为Claude的Token付费？
这是个真实的痛点。
Claude Code按使用量消耗额度，每一次匹配分析、每一份简历定制都会产生费用
对一个刚被裁、存款见底的人来说，这笔开支未必承受得起
另一个摩擦点是技术门槛：你得会装Python、Bun、LaTeX，会读终端输出，会改配置文件
有用户直接把安装指令贴进Claude Code让它一步到位，这套开发者工具离“下载即用”仍有一段距离
还有人质疑求职信的质量。
一位西语评论者直言：Star数好核实，但“贴合情境的求职信”最容易写得套路，不经人手修改，效果会很糟
▲ “自动生成的求职信最终还是会听起来很套路，除非你手动改。”
同一赛道：2026年“AI求职OS”浪潮
类似尝试同期出现。
Santiago Fernández de Valderrama Aparicio开源的career-ops项目评估了740+岗位列表，最终以Head of Applied AI的身份上岸，被WIRED和Business Insider报道
产品经理Aakash Gupta则批评了“30分钟投50份”的海投思维，自建了18个技能模块的求职系统
这三条故事线指向同一个结论：2026年的AI求职赛道，正在从“让AI帮我改改简历”进化为“把整个求职变成一个可审计的工程系统”
竞争力来自完整闭环：自我认知、匹配决策、材料生成、版式工程、面试准备、结果复盘，各环节缺一不可
收益落在结构化自我认知
Mads在LinkedIn长文中认为，这套系统最大的收益是结构化自我认知
他同时请了真人职业顾问和Claude Code做结构化访谈，把“什么环境让我发挥最好、什么会耗尽我、我的家庭约束是什么（需要留在哥本哈根、有年幼孩子）”写进一份持续更新的活文档
这份文档，才是整个系统的心脏。
缺少这份档案，自动化只会加速生产平庸材料
有了它，每一份简历都能从不同角度呈现同一段真实经历：面向能源公司时强调地球物理，面向数据团队时突出ML工程，面向咨询公司时拉出项目管理
经历没有变，展示角度变了。
哈佛商学院与埃森哲2021年的《Hidden Workers》研究早就指出：自动化筛选把大量合格候选人挡在漏斗外
Mads的系统，本质上是对企业侧AI筛选的一次不对称回应
当公司用算法在几秒内决定你的命运时，你也该有自己的算法
69份申请。
20次面试。
1份工作。
0次自动提交。
工具是开源的，代码在GitHub上，MIT许可，谁都能fork
但最终点下“发送”的那根手指，永远是你自己的
