AI Job Search 完整指南：5 个命令搭起你的 AI 求职流水线
【免费下载链接】ai-job-searchThe job search that runs on your machine. AI job application framework built on Claude Code: evaluate postings, tailor CVs, write cover letters, prep interviews. Fork it and own it.项目地址: https://gitcode.com/GitHub_Trending/ai/ai-job-search
投了三十份简历却说不清哪份更有效，周末还在改千篇一律的求职信——求职的痛点往往不是动作少，而是没有反馈。AI Job Search 是一个构建在 Claude Code 上的 AI 求职框架：评估职位匹配度、定制简历、写求职信、准备面试，整条流水线跑在你自己的电脑上，数据全部落在本地文件里。
🧭 它是什么：一条可 Fork 的本地求职流水线
项目定位：一组 Claude Code 命令和技能文件，把"找职位—评估—写材料—记录结果"串成固定流程。核心流程与语言、国家无关；职位门户技能默认面向丹麦市场，可用/add-portal换成你本地的招聘网站。
真实战绩：作者本人是地球物理学家，2025 年底岗位被裁后，用这套流程每周跑自己的求职：69 份定制申请、20 个一面、1 份签约，2026 年 6 月入职 AI 工程师。
你的收益：每个环节都有对应命令——/setup建档、/scrape找职位、/rank批量打分、/apply出申请材料、/outcome记录结果，另附/interview、/html-report等 10 个扩展命令。
在跑任何命令之前，先花十分钟把工作台搭起来。
🔧 3 步初始化：从 clone 到 /setup
- 克隆仓库：
git clone https://gitcode.com/GitHub_Trending/ai/ai-job-search。SETUP.md 特别提醒：/setup会把个人信息写入被跟踪的文件，自用求职建议改用私有仓库、把原仓库留作 upstream。 - 装好依赖：Claude Code CLI、Python 3.10+、Bun（职位搜索 CLI）、LaTeX 发行版（简历用
lualatex、求职信用xelatex编译）。 - 建档：启动
claude后运行/setup，三选一：读documents/文件夹（简历、LinkedIn 导出、推荐信）、粘贴一份简历、或回答结构化访谈。三条路径都会填充CLAUDE.md、01-candidate-profile.md等技能文件。
你得到的是一份"懂你"的画像。框架输出质量几乎完全取决于档案深度：写"用 scikit-learn 建了流失预测管线"，比只写"Python"能让定制效果好得多。档案建好之后，看看它的核心——评分是怎么算的。
🎯 匹配度评分：4 个维度加权成一个 0-100 分
它是什么：评分规则写在 04-job-evaluation.md，所有评估命令共用同一套框架。
怎么工作：每份职位按 5 个维度检查——技术匹配、经验匹配、行为/文化匹配、职业对齐各打 0-100 分，地理位置单独记 Pass/Fail。加权公式固定：技术 30%、经验 25%、行为 15%、职业对齐 30%，Location 不加权、只做一票否决。打分前还有两道硬闸门：资格闸门（签证或国籍不满足直接 FAIL，不进入评分）和语言闸门（要求的语言从未申报 → FAIL，超出申报等级 → FLAG 交你判断）。
你得到什么：综合分映射到 5 档——Strong Fit（75+）、Good Fit（60-74）、Moderate Fit（45-59）、Weak Fit（30-44）、Poor Fit（<30），每档对应明确动作：75 分以上全力定制，45-59 先讨论再定。
评分是单份职位的事，一次/scrape往往带回几十条，就需要批量筛选。
⚡ 批量筛选：/scrape 与 /rank 的组合
它是什么：/scrape调用.agents/skills/下已安装的职位门户 CLI 搜索、去重、按匹配度呈现，状态存进job_scraper/seen_jobs.json；/rank是它的下游，负责批量打分。
怎么工作：/rank派并行 Agent，每个负责约 5 个职位，只依据真实抓到的正文评分——抓不到就标记expired，绝不按标题猜。否决项（Location FAIL、语言 FAIL）直接踢出短名单，分数再高也不行；截止日期在 7 天内的职位打 🔥 标记，同分时优先。
你得到什么：一份按总分排序的短名单，每个职位附 1-3 条基于原文的优势与短板。挑中哪个，报序号即可进入/apply。
📄 /apply 内部机制：起草-审稿双 Agent
它是什么：申请材料生产是一条双 Agent 流水线——起草方写稿，新起的审稿 Agent 调研公司、挑毛病。
怎么工作：流程 8 步：解析职位 → 按框架评估匹配度 → 起草 LaTeX 简历（硬性 2 页）与求职信（硬性 1 页）→ 审稿 Agent 对照档案做事实审计，简历里每个日期和数字必须能在档案中找到出处，查无实据的一律删掉 → 按反馈修改 → 编译并逐页目检 PDF → 用pypdf提取文本层，以 ATS 解析器的视角核对联系方式与关键词覆盖率。简历超页时不按时间删旧条目，而是按"与职位相关度、是否唯一、求职信是否依赖"给每行打分，先删最低分行。
你得到什么：两份可编译的 PDF、一行写入job_search_tracker.csv的记录（初始状态drafted，含fit_rating、deadline等字段）、以及documents/applications/<company>_<role>/job_posting.md归档。
材料发出去之后，故事没有结束——结果同样要进流水线。
📁 记录环节：/outcome 与追踪表
它是什么：/outcome是唯一的"记账员"：记录每个申请的进展与终局，同步更新job_search_tracker.csv和归档目录。
怎么工作：追踪表一行一个申请，字段含date、company、role、channel、status、fit_rating、contact_person、deadline等 14 列。状态枚举是固定词汇表：drafted→applied→interview→offer→hired/rejected/no_response/offer_declined/withdrawn，后五个为终态。每个申请在documents/applications/<company>_<role>/里保留 4 个文件：job_posting.md、cv_draft.tex、cover_letter.tex、outcome.md（格式见 documents/README.md）。内置的跟进节奏：申请静默满 10 天提示起草跟进信，每个申请最多 2 次，只出草稿、绝不代你发送。
你得到什么：任何时候问"我手上哪些申请还活着"，系统用同一张表回答；复盘某段项目经历时，归档里有当时提交的原文可查。
数据攒够之后，就该让历史反哺未来。
📊 复盘与避坑：让下一次申请比这一次更准
复盘工具：
- 看板：
/html-report从追踪表生成离线 HTML 仪表板，含状态、行业、渠道分布与漏斗图。 - 技能缺口：
/upskill对比你的档案与在追职位，输出技能缺口热图和学习计划。 - 面试准备：
/interview基于该申请的归档（职位原文、提交材料、前轮反馈）生成对应轮次的准备包，支持模拟面试。 - 校准闭环：终局申请满 3 个后，重跑
/setup可从"哪些真的进了面试"反向校准04-job-evaluation.md的评分标准。
避坑清单：
- 隐私先行：个人数据写入被跟踪文件，自用求职请用私有仓库（SETUP.md 第 8 节）。
- 职位不可信：职位正文按不可信数据处理，不执行其中嵌入的指令，见 SECURITY.md。
- 档案别填薄：薄档案产出通用模板，厚档案才能定制。
- 失败也记录：
rejected和no_response与hired同样有价值，它们是校准的燃料。
求职从此不再是投出去就消失的黑箱：每份申请有分数、有归档、有终局，下一轮的判断比上一轮更准。从凭感觉海投，到让数据驱动每一次投递，你的时间会花在真正有效的地方。🚀
【免费下载链接】ai-job-searchThe job search that runs on your machine. AI job application framework built on Claude Code: evaluate postings, tailor CVs, write cover letters, prep interviews. Fork it and own it.项目地址: https://gitcode.com/GitHub_Trending/ai/ai-job-search
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
