夜雨聆风2025年末，一位丹麦地球物理学博士被公司裁了。 家里有年幼的孩子要养，他需要留在哥本哈根，简历投出去的方向从能源到防务到AI咨询横跨五个行业，但他没有像大多数人那样，打开招聘网站，复制粘贴，改简历改到凌晨三点。
他打开了终端，让Claude Code替自己干这件事。
六个月后，结果出来了：69份定制申请，20个首轮面试邀约，1份签约合同，他以AI工程师的身份重新上岗。而他写的这套求职系统，被开源到GitHub上之后，星标冲到了2.9万，fork接近1万。
这个故事的主角在被裁之后，靠造工具证明了自己的工程能力。
▲ GitHub仓库 MadsLorentzen/ai-job-search，约2.9万Star，口号：“The job search that runs on your machine”
他在本地搭了一整条求职流水线
这套流程远超过把JD丢进ChatGPT生成一版简历。
这位叫Mads Lorentzen的博士，搭的是一套可重复运行的求职操作系统。它有明确的命令、有规则文件、有质检环节、有反馈循环，全部跑在你自己的电脑上，用的是Anthropic的Claude Code。
Claude Code是一个能读写本地文件、执行命令并按指令多步推进的编码代理。你可以把它理解成一个住在终端里的、懂代码也懂语言的超级助手。
Mads把求职拆成了几个斜杠命令：
/setup：把你的简历、LinkedIn导出、推荐信、旧申请记录全部喂进去，生成一份结构化的"候选人档案"，覆盖技能列表、行为风格、能量来源、动机与约束。 /scrape：对多个招聘门户自动搜索，去重，按匹配度排序。 /apply：解析岗位 → 评估你和这份工作有多匹配 → 起草LaTeX简历和求职信 → 然后启动第二个AI代理来审阅第一个代理的作品 → 找出弱点 → 修订 → 编译PDF → 检查ATS文本层。 /interview：根据公司和申请材料，生成分阶段面试准备包和模拟问答。
注意最后一步的魔鬼细节：系统会用pdftotext工具把生成的PDF再解析一次，确认ATS（求职者跟踪系统）"看到"的内容和人眼看到的一致。 因为很多漂亮简历的邮箱地址会被图标字体吞掉，你以为对方收到了你的联系方式，其实解析器读到的是一堆乱码。
▲ 第三方指南将整个流程拆解为十步：从建档到ATS检查再到结果反馈，关键词是“Structured / Honest / Repeatable”
“双代理审阅”：一个AI写，另一个AI挑刺
整套系统里最被低估但最有杀伤力的设计，是双代理机制。
第一个代理是"起草者"，它根据你的档案和岗位要求，选择性地强调不同经历，同一段真实的地球物理项目经验，面向能源公司时强调数据建模，面向AI咨询时强调工程化落地，面向岩土公司时强调现场经验。核心原则是reframing，拒绝fabrication。 档案中缺失的技能会标记为"gap"，避免硬塞一个面试时讲不出口的关键词。
第二个代理是"审阅者"，它以招聘方视角启动一个独立上下文，调研目标公司、检查求职信有没有虚高表述、挑出遗漏的关键词，然后把批注扔回给起草者修改。
这不就是……一个人写初稿，另一个人红笔批改的数字版本吗？
是的但区别在于：这两个"人"可以在三分钟内完成一轮你可能要花两小时的迭代。 而且每一步的中间产物都是markdown文件，你全部看得到、改得了、存得住。
▲ 西班牙语X帖将项目介绍为"丹麦科学家给Claude编程让它替自己找工作"
自动化之后，他反而更挑剔
不少转发将这个项目理解成了"全自动海投机器人"。一手材料给出的边界截然不同
Mads在LinkedIn长文中明确写道：这套系统故意停在提交按钮之前，每一份申请都是他自己点的发送。 他在X上也亲自确认过这一点
▲ 作者Mads本人发帖强调：“I sent every application myself.”69/20/1的数字来自他的真实求职
实际结果是：自动化反而让他变得更挑了。 匹配评估环节会先告诉你"你和这个岗位到底有多契合"，他因此跳过了大量弱匹配的岗位。有一次，他甚至在一轮面试之后主动退出了一个不合适的流程。
这与GitHub上另一个同量级的项目AIHawk形成了鲜明对照，后者的定位更接近"代理替你完成申请动作"，许可证用的是更严格的AGPL-3.0。两者代表了AI求职工具谱系的两个极端：一个是"帮你决定该不该投"，另一个是"替你投了再说"。
▲ AIHawk仓库星标同样约3万量级，但产品哲学偏向"自动化申请动作"，与AI Job Search形成路线分野
88%的雇主承认：合格的人正在被算法筛掉
Mads在LinkedIn文章里引用了一项哈佛商学院与埃森哲联合发布的研究，他们称之为"Hidden Workers"。研究显示：约88%的受访雇主表示，合格甚至高技能的候选人，会仅仅因为不完全匹配招聘标准而被ATS直接过滤掉。
换句话说，你可能是一个完美适配的候选人，但因为简历里没写某个特定的缩写词，你的材料根本到不了人类招聘官的眼前。
"先评估匹配、再定制材料、最后检查ATS文本层"，构成了一种结构性的理性应对。 当公司端已经在用算法几秒钟内过滤你的时候，你用结构化系统来决定把时间花在哪里，这叫对称博弈。
另一位使用者：西班牙人用同一套逻辑当上了AI主管
几乎在同一时期，西班牙塞维利亚的Santiago Fernández de Valderrama Aparicio走了一条惊人相似的路。他用约六周时间，同样基于Claude Code，做出了另一套开源求职系统Career-Ops。
系统评估了超过740个职位列表，建议申请其中66个，带来12场面试，他最终接受了Head of AI的职位。Business Insider以第一人称报道了他的故事。
▲ Business Insider报道Career-Ops：过滤700+职位，最终当上Head of AI
两个人，两个国家，同一套底层逻辑：被裁→用编码代理把求职工程化→开源→社区复用。 Santiago同样选择不对求职者收费，他说"找工作是基本需求"。
他认为，工具筛出的好岗位帮他拿到了offer；"我能造工具解决自己问题"本身也成了最好的简历。 Mads在面试中公开讨论自己用了这套系统，对方没有扣分，还由此展开了技术层面的深度对话。
在AI辅助筛选和AI辅助申请互相对冲的年代，可展示的工程化作品本身就是最强信号。开源求职框架既是生产工具，也是作品集。
开源可用，安装成本依然不低
必须说一个扎心的现实：这套系统的门槛不低。
它需要Claude Code订阅或API用量（会产生真金白银的token费用），需要Python 3.10+，需要Bun，需要带lualatex的LaTeX发行版，还有可选的pdftotext。对非技术用户来说，光是装好环境就可能消耗一个下午。
X上已经有人直接点出了这一点："拮据的求职者可能还要把钱花在token上。"
▲ 有用户质疑：对经济紧张的求职者来说，token成本本身就是额外负担
开源≠开箱即用MIT许可证降低了法律门槛，本地运行避免了数据泄露风险，但模型费用这道坎没有被消除。 Career-Ops社区用Discord互助来解决安装问题，侧面证明了这个痛点的真实性。
求职军备竞赛的下一章
回头看这十年：从Word模板，到在线简历生成器，到把JD丢进大模型，求职者和招聘系统之间的适配博弈从未停止。
AI Job Search和Career-Ops带来一种范式跳跃：把求职当成可观测、可迭代、可版本管理的工程系统。记忆沉淀在档案里，决策依据写在匹配分里，质检嵌入审阅代理和ATS检查里，结果反馈进下一轮的学习计划。
它已经接近个人求职的小型操作系统，远远超出一次性文案助手的范围。
历史上类似的军备升级也出现在SEO和反垃圾邮件领域：一端过滤，一端适配，最终谁掌握可解释的规则与反馈闭环，谁就更不容易被噪声淹没。
一位丹麦博士被裁了，但他没有抱怨算法冷酷，而是用算法回敬了算法。这大概就是2026年最硬核的求职姿势。