夜雨聆风被裁的那天，Mads Lorentzen 的桌面上还摊着一份地球物理勘探报告。博士学位，近三年工业界经验，一夜之间全部清零。
他并没有像大多数人那样，打开招聘网站，开始那套熟悉到令人作呕的循环，刷岗位、读JD、查公司、改简历、写求职信、提交、等待、已读不回。他做了一件在2026年听起来合理但执行起来疯狂的事：他决定不找工作，而是造一台帮自己找工作的机器。
三个月后，这台机器交出了成绩单：69份定制申请，20场首轮面试，1份签约合同。 他以AI工程师身份入职，一个和"地球物理学家"八竿子打不着的头衔。
▲ Mads Lorentzen本人在社交媒体上确认：69份申请、20场面试、1份工作，且每一份申请都由他亲手发送
后来，他把整套系统开源了MIT协议，免费，任何人都能fork。 仓库名简单粗暴：ai-job-search，口号是 "The job search that runs on your machine."（在你自己机器上运行的求职。）
项目很快走红
"世上最荒谬的工作"，被一个失业博士终结了
▲ 西班牙语区博主将此事称为"本该找工作的人，做出了替他找工作的工具"，浏览量超过百万
2026年7月初，一条西班牙语推文把Lorentzen的故事推上风暴眼。博主@robiartec用了一个极具煽动力的开头："投简历是世界上最荒谬的工作之一，复制、粘贴、改写、定制、重复，全是手工，全是慢动作，全是为了让算法在人之前先读一遍。"
这条帖子像一根火柴扔进了汽油桶高赞回复半开玩笑地说："2026年了还完全手动投简历，真该立法禁止。"
仓库的星标数从最初的489颗，一路飙升到2.9万颗，近1万个fork。接近三分之一的收藏者还把代码拉到了自己电脑上，显示出这个项目已拥有相当可观的实际使用群体。
▲ 仓库主页：29k Star、9.7k Fork，MIT许可，文件结构清晰可见
它到底怎么运作？一套保留人工提交的求职操作系统
先澄清一个最容易被标题党带偏的误解：这套系统不会替你点"提交"按钮。
按照公开材料，工作流会在提交前停住，最后一步由本人打开招聘门户、上传文件、亲手发送。Lorentzen自己也反复强调："每一份申请由我本人发送。" 自动化覆盖材料起草与筛选决策，投递仍由本人完成。
那它自动化了什么？几乎是除了最终点击之外的一切
想象一条流水线，你输入自己的全部职业材料（简历PDF、LinkedIn导出、推荐信、过往申请），系统先做一件许多求职者很少系统处理的事：结构化地认识你。简历上的经历之外，成长区、兴奋点、消耗点、理想工作环境、行为评估结果，甚至"有年幼子女、需要留在哥本哈根地区"这样的硬约束，都会进入档案。
相当于把一个好的职业顾问几个月才能摸清的东西，整理成每次决策都能立刻调用的上下文。
然后才是搜索系统接入招聘门户（默认丹麦市场，可扩展），程序化检索、去重，结合薪资指数做对标，每天生成按匹配度排序的岗位表。对感兴趣的岗位，系统会先做fit评估，再决定是否生成简历。
技能匹配不匹配？缺口是硬伤还是学习曲线？文化气质合不合？薪资在不在合理区间？这些评估可以反复讨论反直觉的结果是：自动化反而让Lorentzen更加挑剔，减少了盲目投递。
确认值得投之后，流水线才启动材料生成：用LaTeX排版定制简历（同一段真实经历，按能源公司、数据科学团队或岩土咨询等不同场景"重新取景"），再写求职信（谈公司在做什么、经历如何对接挑战）。这里有一条硬规则：每条主张必须落在真实档案上，AI不能发明技能。 做不到的关键词会被标记为gap，避免用虚构内容填补。
然后，第二路"审阅者"AI以招聘方视角重新审视材料、挑问题、指出薄弱点，第一路AI据此修订。最终编译成PDF，还会用pdftotext做文本层可读性检查，确保你花了心思排的版不会因为ATS解析乱码而在人眼看到之前就被扔进垃圾桶。
▲ 英文帖子概括核心功能，并坦诚提醒：使用需要LLM API，可能产生费用
"更人性，而非更少"，一个反直觉的求职哲学
Lorentzen在LinkedIn长文中写了一个让人停下来想一想的标题：《I Automated My Job Search. It Made the Process More Human, Not Less.》（我把求职自动化后，过程反而更有人情味。）
他引用了两项研究来描述背景的荒谬：哈佛商学院与埃森哲2021年关于"隐藏劳动者"的研究称，八成以上受访高管承认合格候选人会因不完全匹配标准而被筛掉；Indeed的调查显示，大量求职者遭遇雇主"幽灵式失联"。
雇主用算法快速筛选，求职者也用算法决定时间花在哪里，这是一种对称回应。
他对面试官坦诚自己使用了这套系统。这件事还成为技术对话的起点 当对方可以打开GitHub，看见真实命令、模板与安全说明时，这个开源仓库本身就成了一份不可伪造的作品集，比任何花哨的PDF都更有说服力。
许多转行者最缺的，往往正是一段可以被追问的过程证据，再漂亮的简历也难以替代。
PDF校验、军备竞赛与"AI筛AI"的暗面
并非所有声音都是掌声
▲ 有开发者预测：招聘方将被完美LaTeX简历淹没，不得不"用AI筛AI申请"
评论区里最尖锐的预言是：当候选人侧的工具把"定制一份靠谱材料"的边际成本降到接近零，企业侧很可能会加码自动化筛选、作业测试，并把更多精力放在人工终面。 求职网站出现后是海投时代，LinkedIn Easy Apply带来申请量膨胀，远程办公扩大了全球竞争池。每一次降低摩擦的工具出现，系统都会在另一端制造新的摩擦来恢复平衡。
这像是人力市场的热力学第二定律
但也有从业者指出了被低估的细节：PDF校验循环。一位开发者回复说，自己也在用类似的Claude Code + LaTeX + PDF校验流程，并认为"大多数人不知道自己精心排版的简历在ATS系统里看起来是乱码"。这个不起眼的技术细节，解决的是材料能否被机器正确读取的问题，可能是整套系统最实用的部分。
▲ 技术向回复：自己也在用类似流程，PDF校验环节被严重低估
2026年，"本地Agent求职"正在成为一个品类
Lorentzen的项目并不孤独。几乎同一时期，另一个开源项目career-ops也开始受到关注，主张几乎一致，公司用AI筛人，候选人也可以用AI选公司；本地运行、MIT许可、提交按钮留给本人。两个项目常被混为一谈，但作者不同、漏斗数据不同、产品形态也有差异。
▲ 同期平行项目career-ops，主张类似但作者与漏斗数据完全不同，不宜混淆
它们共同指向一个更大的信号：2026年，"在自己机器上跑一个求职Agent"正从极客实验走向一类成型中的基础设施。 与商业产品（如Jobright、LoopCV等自动投递平台）相比，开源本地框架允许数据留在本机，中间产物以Markdown和CSV保存，也让用户直接拥有整套工作流。
但门槛也同样清晰：你得会装环境、付模型API费用、愿意维护档案质量。这让技术背景求职者天然受益更多，考虑到项目默认使用LaTeX、CLI和Git fork，这种偏向几乎是设计层面的必然。
故事藏在数字的缝隙里
让我们最后再看一眼那串数字：69 → 20 → 1。
它太干净了，干净到容易被当作成功学鸡汤。但如果你把LinkedIn长文和最终README放在一起读，会看到一条更真实的弧线：在约30份申请时，他还没有任何offer，文风刻意避免包装成成功故事；他甚至在一轮面试后主动退出了不合适的流程。从30到69，从零offer到签约，中间还有近40份申请和无数次被拒或沉默的旷野。
自动化卸掉的是机械负担，但等待、拒绝、自我怀疑，这些它修不了。
Lorentzen在长文里的最后一段，可能比69/20/1更值得记住：AI修不好招聘的结构性问题，但它可以让人带着更清醒的自我认识，走进重要的对话。
一个地球物理学家失去了工作，造了一台机器，然后通过那台机器重新认识了自己，这或许才是整个故事里，最不像AI、最像人的部分。