把投简历从玄学变成数据：AI Job Search 评分与追踪机制实操

把投简历从玄学变成数据：AI Job Search 评分与追踪机制实操

【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

投出去三十份简历，三周过去，我连自己都答不上来：哪家公司真的看了我的简历？哪类职位转化率最高？为什么那份 85% 匹配的岗位毫无回音？问题不在投入不够，而是一整条链路没有留下任何可回看的痕迹。AI Job Search 是一个基于 Claude Code（Anthropic 的命令行 AI 代理工具）搭建的本地求职框架：喂给它你的档案和职位链接，它负责爬取职位、批量评分、定制简历、写求职信，结果回流到一张本地追踪表里，随时能复盘。

🔍 /rank 怎么给一整批职位打分

/scrape一次吐回来二十个职位，肉眼是筛不完的。/rank的作用就是把它们变成一份带排序的短名单。它并行派出多个代理，每个代理抓 5 个职位的真实正文，对照评估规则逐维打分：技术匹配占 30%、经验 25%、行为文化 15%、职业方向 30%；地理位置和语言要求不参与加权，只做一票否决——通勤不可达或要求你没申报过的语言，分数再高也直接出局。跑完你拿到一张表：每个职位有总分、档位标签（Strong Fit 75 分以上算强匹配）、1-3 条优势要点和 1-3 条诚实的差距要点，临近截止的还会标个加急记号。分数和理由会写回job_scraper/seen_jobs.json，下次不会把同一个职位重打一遍。

🤖 /apply 的双代理流水线：从草稿到能发

/apply是真正出活的部分，但不是单次套模板，而是一套起草者-审查者结构。第一个代理读职位帖，先给你一份匹配评估；你点头后，它起草简历和求职信（LaTeX 源文件，分别落在cv/和cover_letters/下）。接着系统另起一个干净上下文的代理当审查员：它调研目标公司、把草稿里每个日期、数字、头衔和你的档案逐项对质，返回一份结构化编辑清单加文字建议。起草代理照单修改，产出终稿。最容易被忽略的是编译验证环节：简历必须用 lualatex 编译到恰好 2 页且没有孤立的条目标题，求职信用 xelatex 编译到恰好 1 页且签名完整；随后用 tools/verify_pdf.py 抽出 PDF 的文本层，按 ATS（Applicant Tracking System，招聘系统自动解析简历的组件）的视角验证——邮箱电话是不是字面文本、阅读顺序对不对、职位关键词覆盖了没有，真实没有的技能留白而不是硬塞。最终产出两份能直接发的 PDF，外加追踪表里一条状态为 drafted 的新行。

📁 /outcome 与 /html-report：把结局变回数据

第三个模块管"之后发生了什么"。/outcome记录每份申请的结局：面试邀请、offer、拒绝，或者干脆沉默。它把提交的简历、求职信和原始职位文本归档进documents/applications/<公司>_<职位>/目录，更新追踪表job_search_tracker.csv里的状态。它还管"投出去没回音"这段灰区：/outcome followup找出超过 10 天没动静的申请，用你的语气起草一封 60-120 词的跟进邮件——只起草、不代寄，每份申请最多两次。/html-report则是查看层：读追踪表和归档，生成一个自包含的 HTML 文件（图表全部内联 SVG，无外部依赖，离线双击就能打开），里面有统计卡片、状态环图、行业/渠道柱状图，以及一条从 Applied 到 Hired 的漏斗。

🧭 完整工作流：我跟着从零跑了一遍

我在一台干净的机器上把整条链路走了一遍，顺序供参考：

1. 拉仓库装依赖。git clone https://gitcode.com/GitHub_Trending/ai/ai-job-search后进目录。机器上需要 Claude Code、Python 3.10+、Bun（跑职位门户 CLI 脚本用的 JS 运行时）和带 lualatex、xelatex 的 LaTeX 发行版。LaTeX 是编译简历用的，也是最常见的卡壳点，建议先装。
2. /setup建档。在仓库里打开 Claude Code 跑/setup，它给你三条路：把 CV、LinkedIn 导出、推荐信放进documents/让它读，或者贴一份 CV，或者分段回答提问。我选了第一条。这步值得花时间：档案文件是后面所有草稿和评分的事实来源，填得薄，拿回来的是模板化申请。
3. /scrape拉职位。它按搜索词配置调.agents/skills/下各门户的 CLI 并行搜（内置 LinkedIn 通用版和一个技术岗聚合站，其他市场可以用/add-portal自己生成），结果限定近 14 天，对照已见列表和追踪表去重，输出一张带粗匹配标签的表。一次超过 8 个职位时，它会主动建议你改用/rank。
4. /rank批量筛选。我没逐条看那二十几个职位，直接跑了分诊评分：代理并行抓取打分，位置和语言否决生效，几分钟后出短名单。我挑了第 1 和第 3。
5. /apply出材料。/apply加职位 URL；门户封禁抓取的话，可以直接粘贴职位全文。先出评估、等你确认，然后看完整走一遍起草、审查、修改、编译、ATS 检查，最后是两个 PDF 和追踪表新行。
6. /outcome加/html-report复盘。提交后用/outcome把状态从 drafted 改成 applied；两周后跑/outcome followup看有没有该跟进的；月底/html-report生成仪表板看漏斗。攒够若干份有结局的申请后，可以重新跑/setup，用真实面试数据反向校准评分权重——到这里闭环才算转起来。

📊 跑起来之后能拿到哪些数

这套框架的核心产出就是一条追踪表加一个离线仪表板，其中三个数值得盯：

另外两个细节体现它的数据口径：拒绝率只算真正的拒绝，你主动拒的 offer 和主动撤回都不计入分子；/upskill命令会消费/rank记下的差距要点和追踪表结果，产出带优先级的技能差距清单和学习计划——"下一步补什么"也变成有数据依据的事。薪资基准工具 salary_lookup.py 则是可选的，需要你自带数据，没有就自动跳过。

🧱 避坑与上手顺序

• 不要 clone 完直接/scrape，而要先把/setup做扎实。评分质量只到档案深度为止，材料放全再开始搜。
• 不要只看总分，而要读 Excluded 清单。90 分的职位也可能被位置或语言一票否决，那张清单写明了落选原因，比分数本身更有用。
• 不要把公开 fork 当私人仓库推个人信息，而要建私有仓库挂 upstream。公开仓库的 fork 永远是公开的，而/setup会把姓名、履历写进被跟踪的文件，SETUP.md 第 8 节有现成的两步配方。
• 不要拿 .tex 源码判断 PDF 好不好，而要看编译产物和抽出来的文本层。ATS 读的是文本层，多栏模板肉眼完美、解析出来可能是乱码。
• 不要投完就完事，而要用/outcome把每份都收掉。不记录的结局等于没投过，校准闭环转不起来。

这套框架的价值上限，取决于你建档时有多诚实、记录结果时有多勤快。

【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