夜雨聆风失业的第一天，大多数人打开招聘网站，开始复制粘贴。
Mads Lorentzen 打开了终端。
这个丹麦地球物理学博士、拥有近三年工业界经验的研究者，在2025年末接到了裁员通知。摆在他面前的，是所有失业者都熟悉的噩梦循环：刷门户、读JD、查公司、改简历、写求职信、提交、等待、已读不回。 日复一日，像一台没有感情的人形打印机。
他拒绝了
他决定，造一台机器来替自己干这件事。
▲ Mads Lorentzen 本人发帖："69 applied, 20 interviews, 1 job. 每一份申请都由我亲手发出。"
六十九发子弹，二十次命中，一颗致命
先说结果
69份高度定制的求职申请20个首轮面试邀请1份签约合同 2026年6月，曾经的地球物理学家以AI工程师的身份重新入职。
这些数字来自作者亲历这个失业者用Anthropic的Claude Code搭建了一套开源求职操作系统，代号 ai-job-search，口号赤裸裸地写着："The job search that runs on your machine."（在你自己机器上运行的求职。）
他把整套系统以MIT协议扔上GitHub。截至目前，2.9万Star，9700 Fork，曾登顶GitHub Trending第一。
▲ 仓库主页：29K Stars，9.7K Forks，MIT协议。文件树清晰可见简历、求职信、文档等目录结构。
从帮你判断该不该投开始
这里必须先破一个最大的误解
很多人看到标题会以为这是个全自动海投机器人：你睡觉，它在各大招聘网站疯狂点"申请"。这套系统会把最后的提交动作留给求职者。
Lorentzen 在早期的LinkedIn长文里写道：工作流会在提交按钮前停住，最后一步永远是他自己打开招聘门户、上传文件、亲手点击发送。他甚至对每一位面试官坦诚自己使用了这套系统，通常会由此引出技术对话，也没有因此减分。
那它到底做了什么？
想象这样一条流水线：
第一步，/setup：让AI熟悉你 系统会从你的简历PDF、LinkedIn导出、文凭、推荐信甚至过往申请中提取信息，再通过多轮结构化访谈，把你的职业路径、技能图谱、性格倾向、成长区、兴奋点、消耗点，甚至"有幼儿、必须留在哥本哈根"这种硬约束，全部整理成一份活文档。这相当于把职业顾问几个月才能摸清的你，压缩成AI每次决策时都能调用的上下文。
第二步，/scrape + /rank：搜索并评估岗位。 程序化检索多个招聘门户，去重，结合工程类工会薪资指数对标，每天生成按匹配度排序的岗位表。对感兴趣的岗位，系统先做 fit 评估，之后才开始写简历。 技能匹配、经验对齐、文化适配、薪资范围，全部拆开来看。中等匹配但你很感兴趣？可以追问：这个缺口是硬伤，还是三个月的学习曲线？
结果有些反直觉：自动化反而提高了他的筛选标准。
第三步，/apply：双代理起草与审阅。 确认值得投之后，一个"起草者"agent根据你的真实档案定制简历和求职信；另一个"审阅者"agent以招聘方视角挑毛病，这家公司在做什么、你的经历如何对接他们的挑战、有没有空话废话。硬规则铁一样不可动摇：每条主张必须落在真实经历上，AI不能发明技能。 站不住脚的关键词会被标记为gap，不会被偷偷塞进去。
最后用LaTeX编译成PDF，检查版面、检查文本层可读性（确保ATS系统不会解析乱码直接扔掉）、检查关键词覆盖。一切就绪后，人来审，人来改，人来发
▲ 西语博主 @robiartec 的介绍帖获得百万级浏览，配图直接截取了README的流程说明
一个地球物理学家的转身
故事最迷人的部分落在人身上
Lorentzen 在LinkedIn长文里引用了两个扎心的数据：哈佛商学院与埃森哲2021年的"Hidden Workers"研究显示，超过八成受访高管承认，合格的高技能候选人会因为不完全匹配既定标准而被筛掉；Indeed的调查则指出，大量求职者遭遇过雇主的"幽灵式失联"，投了简历如石沉大海，连拒信都收不到一封。
他的愤怒指向一个结构性问题：如果企业那边早就用算法秒筛我的简历，凭什么我这边还得用手工作坊的方式一份一份磨？
这套系统的价值取向因此格外清晰：它是一种对称回应。 你用AI在30秒内决定扔掉我的简历，那我用AI决定这30秒该花在哪个岗位上。
但他也极其坦诚长文写作时，约30份申请已经发出，覆盖能源、防务、AI咨询、数据科学与地球科学，当时还没有offer。 他甚至在一轮面试后主动退出了不合适的流程。文风刻意避免包装成成功学鸡汤后来漏斗延展到69/20/1，才完成了最终闭环。
长文的标题本身就是他的宣言："I Automated My Job Search. It Made the Process More Human, Not Less."
我自动化了求职，它反而让过程更人性化。
2026年的新物种："本地AI求职操作系统"
Lorentzen 并非孤例
几乎同一时期，另一个开源项目 career-ops（santifer/career-ops）也在GitHub上疯传。它同样主张本地运行、MIT协议、不自动点提交，功能上更强调多公司career page扫描和开放题起草。两者常被社交媒体混为一谈，但作者、漏斗数字、产品形态完全不同。
▲ 平行项目 career-ops 的首页，同一时期的另一个"本地AI求职"开源框架
两套项目同时走红，说明"本地agent求职工作流"在2026年正逐渐成为一个品类。 商业端有Jobright、LoopCV这类产品做匹配与批量投递；开源端则涌现出"你拥有文件夹、你拥有中间产物、你拥有整个工作流"的反SaaS哲学。介绍帖把它概括为：用户拥有整套工作流，无需为封闭服务付费。
而评论区早已预见到了硬币的另一面。一位开发者冷冷写道："招聘方会被完美LaTeX简历淹没，然后只好再用AI来筛AI写的申请。"
▲ 有开发者在评论区直接点出了"AI筛AI"的军备竞赛前景
这类担忧有现实依据历史上每一次"降低申请边际成本"的技术变革，从求职网站到LinkedIn Easy Apply到远程办公，都伴随着申请量爆炸和筛选门槛抬高。当一份"量身定制的完美简历"从三小时缩短到三分钟，企业侧很可能加码自动化筛选、加重作业测试、拉长面试链条。
候选人用AI磨刀，企业用AI加锁锁更好了，刀就再快一点军备竞赛的齿轮已经咬合
被低估的东西
但如果只看到军备竞赛，就错过了这个项目最深层的洞察。
Lorentzen 搭这套系统的起点是"怎么结构化地认识自己"，生成更好的简历只是后续环节。他跟职业顾问做了深入对话，聊环境偏好、上一份工作的挫败、后悔没做的事；然后用Claude Code把这些模糊的自我知识变成可查询、可调用、可对照的档案。
那份"活文档"的价值正在于此：它把自我认知外化成了可调用的档案。
许多转行者缺少一段可以被追问的过程证据，一份更花哨的PDF解决不了这个问题。Lorentzen的开源仓库恰好把过程证据外化了，面试官可以打开GitHub，看见真实的命令、模板、安全说明和提交记录。地球物理博士的数据处理能力与"会用agent搭工作流"的元技能叠加在一起，让他既能在能源行业讲清楚过去，又能在AI岗位上展示可验证的工程产物。
一位技术评论者说得好：PDF校验那个循环被严重低估了。 多少人的简历死在了ATS解析乱码那一步，人类面试官甚至还没来得及看一眼。
▲ 一位从业者指出：Claude Code + LaTeX + PDF校验的循环"被严重低估"
你该怎么看这件事
最后说几句冷静的话
69/20/1是作者自报数字，没有独立第三方审计。开源仓库和社交媒体上的Star数是各时间节点的快照。跑起来需要Claude Code或类似agent工具、Python环境、TeX排版系统，有一定使用门槛和成本，API调用和订阅都要花钱。第三方指南列出的诚实守则也适合任何想fork这个项目的人：不写面试时讲不清的技能，不发明项目、指标、雇主或学位。
这些限制没有削弱故事本身：一个被裁的科学家避开自怨自艾和海投消耗，把求职变成了一个工程问题，然后用解决方案找到了新工作，顺便给全世界的求职者留下了一把开源的钥匙。
那个本该找工作的人，造出了替他找工作的工具。
然后，工具本身变成了他最好的简历