夜雨聆风
2025年冬天，丹麦哥本哈根地球物理学博士Mads Lorentzen被裁了。
六个月后，一个名叫MadsLorentzen/ai-job-search的GitHub仓库迅速进入全球技术社区的视野，31,500颗star，10,900次fork，登顶GitHub Trending第一。而他给出的终局数据是：69份定制申请，20场首轮面试，1份签约合同。
一份工作一个开源项目一次被裁员的翻身仗
▲ 仓库README中"Does it actually work?"锚定段落，69份定制申请、20场首面、1份合同的终局数字均来自这里
一、被裁那天，他没有刷招聘网站
大多数人在被裁后会做什么？打开LinkedIn，更新头像，把同一份简历海投一百个职位，然后被ATS系统无声碾碎。 Mads Lorentzen没有
他的自我定位很清晰：地球物理学科班出身，工业界工作近三年，家庭约束必须留在大哥本哈根地区。这些条件把求职范围压得很窄，近乎一道有硬约束的优化问题。
▲ 作者本人自述卡片：69 applied, 20 interviews, 1 job，互动数据极低，与高热度转述帖形成鲜明对照
促使他换一种做法的，是两个数字
他引用了两则公开数据：哈佛商学院与埃森哲（2021）报告显示，88%的雇主承认合格的高技能候选人会因“不完全匹配既定条件”而被筛掉；Indeed调查中，77%的求职者称遭遇过雇主“已读不回”。这些数字描摹出一个围绕噪声过滤运转的招聘市场。
于是，他做了一个反向操作：既然公司端已经用算法在几秒内过滤候选人，候选人端为什么不能用AI做更清醒的匹配？他把Claude Code，Anthropic的终端侧编程代理工具，变成了一套跑在自己电脑上的求职操作系统。
二、五道工序：这套机器到底做了什么
先泼一盆冷水：它会把流程停在提交按钮前。
多份独立分析（AgentConn、João Queirós、Tosea）都强调同一条边界：工作流在“提交”之前停住。上传材料、按下发送，必须是人的动作 这正是它和AIHawk一类海投工具最本质的分野，它压缩漏斗顶部，而非稀释信号质量。
系统核心是五道工序：
/setup，建立候选人档案读取本地简历PDF、LinkedIn导出、文凭、推荐信，或做访谈式问答，输出可编辑的Markdown档案。这一步被作者认为是整个系统最有价值的部分：自我澄清。
/scrape，通过门户技能搜索职位、去重，按匹配度呈现。内置技能大量面向丹麦招聘站（Jobindex、Jobnet、Akademikernes Jobbank等）。非丹麦用户可用 /add-portal 为本地招聘站生成搜索技能。
/rank，当抓取结果太多时，批量打分、排出短名单。先想清楚，再动手
/apply，评估匹配 → 起草定制简历与求职信（LaTeX）→ 第二个代理以新鲜上下文审阅 → 修订 → 编译PDF → 做版面与ATS文本层检查。职位正文被当作不可信输入：不执行其中指令、不跟帖内链接乱抓。
/interview，基于“面试官会看到的那套材料”做阶段准备：公司与面试官调研、STAR案例映射、模拟面试。
▲ 仓库首页：31.5K Star / 10.9K Fork，目录结构清晰可见，.agents、.claude、cv、cover_letters、documents
整套系统有一条铁律：每条主张必须落在候选人真实档案上，杜绝虚构。 ATS关键词检查只加入档案确有支撑的词，无证据的需求则标成缺口。
三、那个被低估的PDF校验回路
有一个细节，分散在网友讨论里，却可能是整套系统最硬核的技术洞察。
一位开发者回复说，自己一直在做基本相同的事：用Claude Code按岗改简历、编译LaTeX、检查渲染PDF。他特别强调：PDF校验循环被低估了。
为什么？因为LaTeX有个阴险的坑：它有时会把邮箱等字符渲染成图标字形，肉眼漂亮，但ATS解析出来是一团乱码。ai-job-search 的答案是 pdftotext：抽取PDF文本层，模拟ATS实际读到的嵌入文字。招聘方的机器读到的，才算数
系统还会检查孤儿标题、求职信溢出第二页、字体回退等问题，迭代到版面干净。到这里，系统交付的是可被机器消费的标准化材料。
四、爆火之后，质疑与噪音都来了
2026年7月初，一条西班牙语推文把故事概括成“科学家给Claude编程，让它替自己找工作”。这条高热度转述迅速将仓库星数从几千推到三万量级，作者本人X上的简短复述（69 applied, 20 interviews, 1 job）反而互动寥寥。
病毒转述帖的放大效应，与一手材料的坦然形成了一种微妙的错位。
▲ 质疑声音：star数可核验，但“贴合语境的求职信”最容易变空，仍需人手改，这类工具最易翻车的模块被精确点名
质疑也接踵而至有人指出求职信模块最容易生成泛泛而谈的套话，"如果不手动改，听起来就很AI"。有人担心成本：求职者要把有限预算花在模型token上。更有深层的忧虑：当申请端被自动化审阅，求职端用机器人对冲，公共池悲剧正在招聘市场上演。
历史对照就在那里 2024年AIHawk类工具曾引发轰动：404 Media记者Jason Koebler约一小时内在LinkedIn上投出十几份申请，有人声称用AI投了2,843份工作。The Verge的标题更锋利，“AI正在让求职者像发垃圾邮件一样思考”。招聘方则反馈：近期批次中约一半求职信像LLM生成，直接拒信。
所以，Mads的做法才显得特殊 他选择用手术刀切开招聘市场的高墙：69份申请、20场面试，转化率约29%。对比规模化海投的低转化，这是质量对规模的逆袭。
五、更大的隐喻：求职的“操作系统论”
这个仓库的价值，在于把流程拆成了可执行的技能目录：命令、模板、校验、扩展点。 它把隐性职业操作写成了可核查、可维护、可fork的知识型代码。
讽刺的是，这本身就来自一场拼装：Mads在LinkedIn致谢Mikkel Freltoft Krogsholm的丹麦门户skills仓库，说明项目是 求职工作流骨架+本地市场连接器 的组合。谁在非丹麦市场使用，几乎必然要走到 /add-portal 或改搜索源。这种架构如实承认了地域差异评估与起草审阅可以通用，门户则需要本地适配。
还有一层诚实 他早期LinkedIn文在尚无offer时已声称过程“更有意图、更少绝望”，那是过程指标，与终局offer指标应分开陈述。终局漏斗数字是作者透明公开的个人经历记录，附带他的经验、网络、面试能力与市场时机，不能当作软件单独的因果效应。
尾声
很难说Mads是赢在"AI赋能"还是赢在降噪。
69份定制申请，20场首面，1份合同，这套数字里有AI的效率，也有人的筛选与取舍。机器帮他判断什么不该投，他才有时间把该投的做到极致。
2026年6月，他以AI工程师身份入职。简历仍由他自己投出机器承担重复劳动，人仍握着选择与提交的权力。
在算法已经用几秒过滤你的世界里，你至少可以决定，用同样的技术，把自己的每一次点击，变成一次有意识的、不可伪造的选择。
手投简历的时代，确实该结束了接棒者应该是每一个更清醒的候选人，海投机器人不在其列。
