60k星！被裁员的地球物理学家用 Claude Code 找到了新工作

一、项目速览

二、一个比代码更火的背景故事

作者 Mads Lorentzen 是地球物理学家出身，2025 年底被裁员。他没有去刷求职网站，而是为自己搭了一套跑在 Claude Code 上的求职工作流。按 README 的说法：

用同一套流程投出 69 份定制申请，拿到 20 场首轮面试，签下 1 份合同，2026 年 6 月入职 AI 工程师。

这个数字本身就是项目涨星的最大动因——它不是「AI 帮你写简历」的套壳网页，而是一个作者亲身验证过完整闭环的求职系统。

三、它到底是什么？

先说清楚形态：仓库里没有 server、没有 daemon、没有 GUI，甚至没有一个入口脚本。它交付三类东西：

• .claude/commands/ 下 13 个斜杠命令定义（Markdown 写的工作流编排）
• Python/TypeScript CLI 工具（职位抓取、PDF 检查等）
• LaTeX 简历模板

fork 仓库、跑 /setup、填好个人档案，你就得到了一套可以随意修改的本地求职工作台。所有数据留在你自己的机器上——对比那些要求上传个人履历到别人服务器的在线简历优化服务，隐私是它的天然卖点。

四、核心工作流：三层拆解

4.1 第一层：自我画像（/setup）

/setup 引导你填写个人档案——可以从你的既有文档生成，也可以通过对话式访谈构建。经历、技能、求职偏好被整理成结构化文件，后面所有步骤都以这些文件为事实来源，避免模型凭空编造履历。这个设计很关键：AI 求职工具最大的信任危机就是「编造经历」，把事实来源钉死在本地档案上，从根上缓解了这个问题。

4.2 第二层：发现与评估（/scrape → /apply）

• /scrape 去职位门户搜索岗位，输出带匹配度评级的列表，你从中挑选想投的
• /apply 接收职位链接或文本，先评估契合度、打分并给出是否值得投的建议，通过后才进入撰写阶段

注意这个「先评估再写」的闸门——它防止你把精力浪费在不匹配的岗位上，这在 69 份申请换 20 场面试的转化率里功不可没。

4.3 第三层：Drafter-Reviewer 双 Agent 流水线

这是全项目最有辨识度的设计：

1. 一个 drafter agent 起草 LaTeX 格式的定制简历和求职信
2. 另一个 reviewer agent（干净的记忆、不带起草者的思路惯性）负责研读公司背景、批评稿件
3. drafter 根据批评修订，最后输出 PDF 成稿
4. 内置 ATS 友好性检查，确保 PDF 能过自动筛选系统

让写作者和审稿者分离，比让同一个模型一次写完更容易发现空话和不匹配之处——这套「写作-批评-修订」的对抗结构，值得所有做文档生成类 Agent 的人借鉴。

此外还有 /interview 面试准备：针对具体岗位生成面试题和谈话要点。

五、一个诚实的局限：地域适配

README 明确说明：核心流程与语言和国家无关，但职位搜索技能最初是为丹麦市场写的（覆盖 Jobindex、Jobnet、Akademikernes Jobbank 等门户）。中文用户要在中国市场使用，需要自己改写 /scrape 对接的职位门户（BOSS 直聘、拉勾等）——好在整个工作流都是 Markdown 资产，改起来没有技术门槛，这也是它鼓励 fork 的原因。

六、它代表了什么：垂直 Agent 工作流的范式

ai-job-search 在生态位置上很特别：它不是通用 Agent 框架，而是把 Claude Code 当作垂直场景的运行时。

回顾本系列前几篇，一条脉络清晰可见：

• OpenClaw 用 Skills 生态 + 聊天渠道做通用个人 Agent
• REA 用 MCP 接入专业逆向工具
• ai-job-search 用 Markdown 命令把 Claude Code 改造成求职工作台

三种不同的路径指向同一个结论：Agent 时代的应用开发，正在从「写代码调 API」转向「编排工作流资产」。

13 个 Markdown 文件 + 几个 CLI 工具 + 一套模板，就是一个 60k 星的项目——这个「轻资产」模式复制成本极低，意味着会有更多垂直场景（法务、医疗、教育）出现同构项目。

七、怎么用？

前提：Claude Code 订阅（Pro/Max 或 API 按量）、Python 3.10+、Bun、LaTeX 工具链。

git clone https://github.com/MadsLorentzen/ai-job-search.git

cd ai-job-search

# 在 Claude Code 中执行：

# /setup —— 构建个人档案

# /scrape —— 搜索并评估职位

# /apply —— 生成定制申请材料

# /interview —— 面试准备

八、总结

ai-job-search 的价值分两层：

• 实用层：它是目前完成度最高的开源 AI 求职工作流，本地运行、数据自主、双 Agent 审稿、ATS 检查，fork 即用
• 范式层：它示范了「垂直场景 + 通用 Agent 运行时 + Markdown 工作流资产」的轻资产开发模式——这可能是普通人用 Agent 改造自己行业的最低门槛路径

被裁员的地球物理学家用 AI 给自己造了一份工作。下一个垂直场景会是什么？

声明：本文数据截至 2026 年 10 月。用 AI 投递求职材料请遵守目标平台规则与当地法规，简历内容真实性由使用者自己负责。