把职位匹配变成AI Agent的超能力：JustHireMe MCP服务器与Agent Skill接入教程

把职位匹配变成AI Agent的超能力：JustHireMe MCP服务器与Agent Skill接入教程

【免费下载链接】JustHireMeLocal-first AI job intelligence workbench for scraping roles, ranking fit, and generating tailored application materials.项目地址: https://gitcode.com/gh_mirrors/ju/JustHireMe

JustHireMe 是一款本地优先（local-first）的 AI 职位情报工作台，能从招聘源抓取职位、对匹配度打分排序，并生成定制简历与求职材料。它内置了一个轻量 MCP（Model Context Protocol）服务器和一份 Agent Skill 说明文件，让你把"职位匹配"能力直接装进 Claude、Codex、IDE Agent 等 AI 助手里——不用启动完整桌面应用，Agent 就能调用同一套打分与情报提取引擎。本文是一份面向新手的完整接入指南，从安装依赖到写好客户端配置，10 分钟跑通。

一、为什么把职位匹配交给 AI Agent？

传统求职流程里，"这条职位值不值得投"靠人肉逐条刷。JustHireMe 把这个判断过程做成了可复用的引擎：

• 抓取：从 ATS 招聘板、RSS、Hacker News、GitHub Jobs、Reddit 等多个源收集职位线索；
• 质量门控：自动过滤过期、信息空洞、与你的级别不匹配的噪声线索；
• 可解释打分：基于规则引擎 + 你的个人画像（技能图谱 + 向量库）计算匹配分，能看到"为什么值得投"；
• 材料生成：产出定制简历 PDF、求职信 PDF 和外联草稿。

MCP 服务器的价值在于：它把其中三个最核心的能力，通过标准 stdio JSON-RPC 协议暴露给任意支持 MCP 的 Agent，让 AI 助手在对话中直接完成"评分、把关、情报提取"，而你的简历数据始终留在本地。

二、MCP 服务器快速接入：三步跑通

第 1 步：克隆仓库并安装依赖

如果还没克隆 JustHireMe 仓库，执行：

git clone https://gitcode.com/gh_mirrors/ju/JustHireMe cd JustHireMe/backend uv sync --dev cd ..

安装完成后，后端运行环境位于backend/.venv，MCP 服务器不需要任何额外配置。

第 2 步：手动验证服务器能启动

MCP 服务器是一个 stdio 程序：标准输入读 JSON-RPC 请求，标准输出返回 JSON 响应。它实现了initialize、tools/list、tools/call三个标准方法（详见 backend/mcp_server.py）。

macOS / Linux：

backend/.venv/bin/python backend/mcp_server.py

Windows（PowerShell）：

backend\.venv\Scripts\python.exe backend\mcp_server.py

进程启动后静默等待输入，说明服务器已就绪——这正是 MCP 客户端托管它的正常工作方式。

第 3 步：写入 MCP 客户端配置

在客户端（如 Claude Desktop 的配置文件）中加入如下配置，把路径替换为你本地的仓库绝对路径：

{ "mcpServers": { "justhireme": { "command": "/绝对路径/JustHireMe/backend/.venv/bin/python", "args": ["/绝对路径/JustHireMe/backend/mcp_server.py"], "cwd": "/绝对路径/JustHireMe" } } }

💡 Windows 请把command换成backend\.venv\Scripts\python.exe。更多细节见 docs/MCP.md。

重启客户端后，Agent 工具列表里就会多出justhireme的 3 个工具，接入完成 🎉

三、认识 3 个核心工具

MCP 层被刻意设计得"小而确定"，只提供三个纯计算工具（定义见 backend/mcp_server.py）：

几个实用参数说明：

• score_job_fit：需要posting（职位原文）和candidate（候选人画像 JSON）两个字段；
• evaluate_lead_quality：支持min_quality（质量门槛，默认 60）和max_age_days（最大发布日期，默认 7 天）；
• extract_lead_intel：只需text一个字段，最轻量的入口。

官方测试用例 backend/tests/test_mcp_server.py 演示了完整调用流程：输入 "Acme is hiring a remote Python FastAPI React engineer…"，工具会返回location: Remote并识别出 Python 等技术栈，验证了这个"文本 → 结构化情报"的链路。

四、加载 Agent Skill：让 AI 安全地修改这个项目

MCP 负责"调用能力"，而 Agent Skill 负责"知道规矩"。仓库自带一份 Agent 无关的说明文件：

• 技能主体：skills/justhireme/SKILL.md
• Agent 元数据：skills/justhireme/agents/openai.yaml

Skill 是带 YAML frontmatter 的纯 Markdown，任何能加载本地指令的 AI 编程助手（Claude、Codex、IDE Agent、自定义 agent runner）都可以使用。它告诉 Agent 如何在这个仓库内安全工作：保持本地优先行为、保持排序可解释、把浏览器自动化当实验功能对待、遵循既有前后端模式。

接入方法：把你的 Agent 指向skills/justhireme/SKILL.md即可；如果你的工具要求技能放在独立目录，把skills/justhireme文件夹复制或软链接过去就行。该技能不依赖任何特定厂商 API，可移植性很好。

五、组合玩法与注意事项

一个典型的 Agent 工作流可以是：

1. 用extract_lead_intel把新抓到的招聘帖结构化为公司、地点、技术栈；
2. 用evaluate_lead_quality过滤掉低质、过期的线索；
3. 对存活线索调score_job_fit结合你的画像打分，让 Agent 只推荐 Top 3 最值得投的职位。

最后三条注意事项，来自官方文档的设计约定：

• 保持 MCP 层小而确定：如果需要持久化线索、生成 PDF 或长时间扫描，请走 FastAPI sidecar（backend/api/），不要在这里重复实现；
• 数据不出本机：整个方案 local-first，候选人画像和打分过程都在本地完成；
• 无 API Key 也能跑：三个工具全部基于规则引擎，不需要任何 LLM 密钥。

小结

至此，JustHireMe 的职位匹配引擎已变成你 AI Agent 的"超能力"：抓线索、过质量门、算匹配分，一句对话就能完成。把配置保存好，剩下的交给你的 Agent 吧。

【免费下载链接】JustHireMeLocal-first AI job intelligence workbench for scraping roles, ranking fit, and generating tailored application materials.项目地址: https://gitcode.com/gh_mirrors/ju/JustHireMe