夜雨聆风一个地球物理学博士丢了工作他跳过招聘网站里的复制粘贴，打开了终端。
六个月后，他的战绩是，69份定制申请、20场首轮面试、1份签约的AI工程师offer。随后，他把整套系统用MIT许可证开源，任何人都能用。仓库冲上GitHub Trending第一名，星标飙到2.9万，fork逼近1万。
故事的重点远超“把JD丢进ChatGPT改改简历”：一个失业者把求职变成了一套可观测、可迭代、可审计的工程系统。
被裁的那一天，他决定不再当"人肉ATS适配器"
2025年末，丹麦哥本哈根Mads Lorentzen，地球物理学博士，接近三年工业界经验，突然被通知岗位没了。
家里有年幼的孩子，生活圈被锁定在哥本哈根一带，不能说走就走。这是一个极其典型的中年技术人遭遇结构性失业的场景，学历很好，经验不差，但市场不等人。
如果你投过简历，你一定经历过这种折磨：打开一个招聘页面，读三遍JD，打开简历改措辞，再写一封“Dear Hiring Manager”开头的求职信，保存PDF，上传，点提交，然后大概率石沉大海。Indeed的调查早已揭示：求职者最痛苦的环节往往是投递后长期没有回应。
Mads做了一个不同的选择他停下复制粘贴，问了自己一个工程师才会问的问题：这件事的瓶颈在哪里？能不能系统化？
答案是Claude Code
从聊天框到“求职操作系统”
先科普一下区别于网页里的AI聊天框，Claude Code是Anthropic出品的编码代理，跑在你自己的终端里，能读写本地文件、执行命令，并按指令多步推进。你可以把它理解成一个住在电脑里、能动手干活的AI程序员。
Mads用它搭了什么？一套把求职拆成斜杠命令的完整流水线：
第一步 /setup：建立“你是谁”的档案。 它比模板简历细得多，是一份机器可读的自我认知，包含教育经历、技能树、行为风格、能量来源与消耗点、动机与硬约束。Mads在LinkedIn长文里写到，这段工作让他对“自己到底想要什么”的清晰度，超过了此前多年的手动求职。
第二步 /scrape：扫描并去重职位。 内置丹麦本地门户（Jobindex、Jobnet等），也支持LinkedIn公开列表。一键跑完，去重后按匹配度排序呈现
第三步 /apply <职位>：核心引擎 解析JD → 评估你和岗位的匹配度 → 生成LaTeX定制简历与求职信 → 启动第二个独立的"审阅代理"，从招聘方视角挑刺、抓虚高表述、查漏关键词 → 修订 → 编译PDF → 用pdftotext检查ATS文本层是否可读。
这最后一步极其关键ATS（申请跟踪系统）主要读取PDF的文本层，视觉排版再精致，也可能让邮箱地址变成乱码，或让电话号码被装饰线切断，导致机器无法识别。Mads的系统会自动抽取文本层做可读性校验。
第四步 /interview：面试准备。 从你的真实经历中抽取STAR（情境-任务-行动-结果）示例，按岗位生成模拟问答。
第五步 /outcome 与 /upskill：闭环。 记录每一次申请结果，把能力缺口反馈进学习计划。
▲ Mads本人的推文："I sent every application myself." 69投20面1 offer
“双代理审阅”，容易被低估的设计
在这套系统里，审阅环节尤其精妙
起草代理写完简历和求职信后，一个完全独立上下文的审阅代理会被启动。它不了解起草代理的“心路历程”，只拿到成品和JD，然后从招聘经理的视角开始挑刺：关键词覆盖是否充分？虚高表述或档案中缺失的技能是否混了进来？
规则写得非常硬：档案不支持的关键词，标记为gap，不硬塞。 面试时你讲不出口的技能，不要出现在简历上。
一位叫W A H I D的技术评论者在X上精准点评：“PDF验证循环是整个系统里最被低估的部分。”
▲ 技术向用户点评：PDF校验循环才是核心差异化
把JD丢进ChatGPT说“帮我改简历”，通常只能得到一次回答，缺少记忆、质检和反馈闭环。Mads的系统则把记忆（档案）、决策（匹配分）、质检（审阅代理）和循环（outcome/upskill）写进了可版本管理的仓库。用他自己的说法，这是个人求职的小型操作系统。
“自动化以后，我反而更挑剔”
很多人把这个项目脑补成了“全自动海投机器人”，实际流程并非如此。
Mads在多个公开渠道反复强调：“I sent every application myself.” 工具做到提交按钮之前为止。最终的上传与发送，由人完成
自动化之后，他反而减少了投递弱匹配的岗位，系统评估完就直接跳过。弄清楚自己要什么之后，他甚至敢在一轮面试后主动退出不合适的流程。
他的LinkedIn长文标题本身就是最好的注解："I Automated My Job Search. It Made the Process More Human, Not Less."
这句话值得所有在用AI"优化"求职的人停下来想三秒钟。
同一浪潮里的另一个故事：700个职位筛出66个，拿下Head of AI
Mads之外，几乎同一时期，西班牙塞维利亚的Santiago Fernández de Valderrama Aparicio用Claude Code造了另一个开源项目Career-Ops，被Business Insider报道。
▲ Career-Ops官网：同样强调开源、本地运行、数据留在自己机器上
他的系统评估了超过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岗位。同样开源，同样不愿对求职者收费，他的理由很朴素：找工作是基本需求。
两个项目共享同一个结构：裁员/转岗压力 → 用编码代理把求职工程化 → 开源 → 社区复用。 Santiago自己认为，工具筛岗只是一部分，项目也证明了“我能造工具解决自己问题”。开源求职框架兼具生产工具和作品集的作用。
这指向了一种正在发生的深层变化：在AI辅助筛选与AI辅助申请同时升级的年代，可展示的工程化作品本身成为了最强信号。
88%的雇主承认：合格候选人正在被自己的ATS刷掉
为什么求职者要被迫进入这场军备竞赛？因为另一端早就先动手了
哈佛商学院与埃森哲的Hidden Workers研究揭示了一个令人窒息的数字：受访雇主中约88%表示，合格的高技能候选人会因不完全匹配招聘标准而被ATS直接筛出，根本到不了人类HR眼前。
这就是Mads在文章里引用这项研究的原因。他的逻辑是：如果公司端用算法在几秒钟内过滤候选人，候选人也可以用结构化系统来决定自己的时间花在哪里。 他把这种做法视为一种对等选择
谁用不起？一个不能回避的问题
必须泼一盆冷水这套系统并非零门槛
依赖Claude Code意味着订阅或API用量费用。LaTeX环境配置对非技术用户相当劝退。X上已有用户直接点出：拮据的求职者可能难以承担模型调用费用。
▲ 有人担忧：Claude的token成本对经济困难的求职者是额外负担
开源降低了被平台锁定的风险，MIT许可证确保你可以任意修改和分发，但“开源”与“开箱即用”仍有距离。Career-Ops社区用Discord互助降低安装摩擦，侧面印证了这一点。
从Word模板到求职操作系统：十年求职工具进化的终局？
拉长时间线看，这件事的意义远不止一个博士找到了工作。
过去十年，求职者从Word模板，走到在线简历生成器，再到把JD粘进大模型。每一代工具的反复失败模式惊人一致：模型编造指标、语气不像本人、一次生成无法沉淀为系统记忆。
AI Job Search与Career-Ops代表的增量，在于把求职从一次性文案改写，升级为有记忆、有决策、有质检、有闭环的工程系统。它们已经接近个人求职的操作系统，远超单次文案助手的能力边界。
历史上类似的军备升级出现在SEO与反垃圾邮件领域：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。
求职的下一章，可能不属于投得最多的人，而属于系统建得最好的人。