夜雨聆风
一个拿着地球物理学博士学位的人，丢了工作。第二天，他没有打开招聘网站，而是打开终端，写了一段代码。
这段代码后来长成了一个会自动研究岗位、定制简历、生成LaTeX求职信、再用第二个AI当“审稿人”挑剔第一份草稿的系统。他给它起名叫 ai-job-search，开源了。然后它替他找到了工作
69份定制申请，20场初面，1份合同，2026年6月以AI工程师身份入职。这组数据来自丹麦人 Mads Lorentzen 的亲身经历，此刻正挂在一个 GitHub 仓库的 README 里，标题叫：“Does it actually work?”
它确实 work 了而且 work 到让全世界 3 万多人按下 Star，1.1 万个人把它 fork 到自己电脑上。一个人被裁后写下的代码，正在成为2026年最魔幻的求职生存工具。
▲ 西班牙语帖子把系统功能总结为：自动分析岗位、定制CV、适配求职信，全由 Claude 在本地执行
一、被“毕业”的博士，为什么决定不再“找工作”
2025年末，Lorentzen 丢掉职位。他绕过招聘网站和求职 SaaS，把“找工作”本身当成一个软件工程问题。
他用的原材料是 Claude Code，Anthropic 推出的终端编程代理，能让 AI 直接在你的电脑里读写文件、执行命令。Lorentzen 把求职的每一步，从分析 JD、打分匹配、定制简历、写求职信、编译 PDF、校验 ATS 可读性，全部写成了可执行的斜杠命令和技能文件：/setup 建立画像，/scrape 搜岗位，/apply 生成整套材料，/interview 出面试准备包，/outcome 记录每次申请的结果。
它的定位是一套把求职做成持续集成管线的操作系统。
▲ README 中“Does it actually work?”一节，69次定制申请、20场初面、1份合同的漏斗数据就写在这里
最妙的是 /apply 里的设计：它不允许AI直接写出一份“看起来不错”的简历就完事。第一步是评估这个岗位到底值不值得投；第二步起草；第三步，派一个全新的 agent 进新的上下文，专门批评刚刚写出来的材料。生成与评审被交给不同的 agent，专门压住 LLM 自我感觉良好的毛病。
然后它编译 PDF然后它用 pdftotext 把文字层抽出来，检查邮箱有没有变成图标乱码、阅读顺序对不对。它同时在服务两个读者：人类面试官，和这家公司用的ATS解析器。
二、29%的初面率：这个数字为什么值得HR关注
先做一道数学题：69投递对20初面，转化率29%。 在公开报道里，AIHawk 式的海投工具动辄声称投出2843份申请，但媒体把它叫做 spam，The Verge 写的是“像垃圾邮件一样海量申请”。
29%的初面率来自筛选后的定制投递。
Lorentzen 的假设很朴素：大部分投递失败，症结往往在于材料和岗位之间缺少真实的证据连接。所以系统里的一个铁律是：证据优先，禁止编造。 简历上写的每一条技能，都必须能回溯到画像文件里存在的经历。画像撑不住的关键词，系统会标成“缺口”，不会硬塞进简历装点门面。
▲ 观测时仓库约31.7k stars、11k forks，MIT许可，主语言TypeScript
另一个更反常识的做法是：他告诉每一家雇主，他在用AI求职。 他说自己的面试官基本没减分，反而引发了技术讨论。在这种情境下，工具本身变成了最好的作品集。 面试对象成了一个刚刚写出30K星开源项目的人，而那个项目的主题，恰好就是他本人。
这或许才是整个故事里最巧妙的闭环：求职工具本身成了求职者的能力证明。
三、人点提交：在自动化时代重新定义“诚实”
但是，最让人意外的地方来了
这套系统什么都做了，除了点提交的那一下。/apply 停在可审核的输出里：定制的PDF、检查过的文本层、一份核对清单。然后，人等在那里
这是作者主动画出的伦理边界 安全文档甚至把岗位正文当成“不可信输入”，因为网上那些JD里可能藏着给AI看的指令注入，一旦你的代理把招聘网页当指令执行，后果不堪设想。所以在设计上，岗位文本只当数据处理，拒绝执行其中的命令。
在“AI海投帝国”和“纯手工求职”之间，它划出了第三条路：自动化中间层，人负责事实和提交。 这也解释了评论区里职业顾问的那句话，“20场面试比69份投递更能说明定位有效。自动化减的是行政负担，判断岗位和证据仍靠人。”
所以这个故事的内核落在自动化的位置：Lorentzen 把它放在“准备”环节，主动拒绝“刷量”。 前者重视岗位判断与材料质量，后者容易把候选人推向垃圾邮件式投递。
四、从裁员到开源：一种可执行的求生方法论
回头看因果链：2025年末被裁 → 把重复劳动产品化 → 用自己当第一测试者 → 69/20/1 → 2026年3月公开仓库 → 7月西语帖发布 → 8月冲到30K星。
同一时间，Santiago Fernández 的 career-ops 也在做同样的事：评估740+岗位、发68份申请，拿到 Head of Applied AI 的offer。两个项目不约而同地强调 HITL、MIT许可、拒绝spray-and-pray。它们各自在 GitHub 上攒下几十K星，像两面旗帜，插在2026年求职恐慌的最前线。
这些星标衡量的是关注度与尝试意愿，无法证明“装上就能被录用”。较高的 fork 数则表明，不少人愿意把仓库复制到自己的账号，进一步修改配置、运行命令。
更宏观的背景是，企业用AI筛简历、求职者用AI写简历都已普遍出现。到2026年，agent 编程环境又被用作个人求职的ERP系统。 职业咨询里教了几十年的STAR法则、证据库、匹配维度，被写成了命令和检查清单，可以 fork、diff，也可以由社区改造。
这就是解读文章里所谓的 executable knowledge，职业方法论变成了可执行、可版本控制的代码。对一个 MIT 许可的开源项目来说，只有把它放进自己的电脑并运行起来，项目才会进入个人工作流。
五、69和20，只是一次个案结果
本文必须诚实：无人可保证这套系统对任何人都有效。不同国家的招聘板、语言门槛、平台条款、个人画像深度，都会显著改变结果。星标和录用之间没有任何因果关系
但这个故事里最动人的部分，也是一个被主流媒体报道的细节，是：Lorentzen 本可以海投2843份，却选择只投69份，并且对所有人说自己用了AI。 这个选择本身，就是他对“AI求职”的全部定义。
AI没有替他找工作他用自己的方式证明了自己，而找到工作，只是这个证明的副产品。
在招聘的算法回声室里，人类的声音正在被两边的机器学习同时压缩。有人选择用更响的噪音对抗噪音；他选择把噪音去掉，只留下清晰的信号。
一个丹麦人，失业后写了一堆命令，在其中一条命令的末尾默默留了句：人点提交。
