> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# Career-Ops：求职专用智能体
- URL: https://www.hubwiz.com/blog/career-ops-ai-powered-job-search-pipeline/
- Published: 2026-04-08T06:54:29.000Z
- Updated: 2026-04-08T06:54:29.000Z
- Description: career-ops不是那种简单的一键海投工具，而是真正尝试把整个求职流程变成一个结构化、可迭代、可优化的 AI Agent Pipeline。
- Author: admin
- Tags: AGENT, #Import 2026-10-14 14:41

最近我在 GitHub 上刷到一个很有意思的开源项目 ——[ **career-ops**](https://github.com/santifer/career-ops?ref=hubwiz.com)，目前已经积累了超过 16k stars。

它不是那种简单的一键海投工具，而是真正尝试把整个求职流程变成一个结构化、可迭代、可优化的 AI Agent Pipeline。这点让我这个做工程的人特别有共鸣，所以我花时间仔细看了它的代码和设计，下面是我个人的客观拆解。

## 1、问题：求职本质上是一个低效的 Pipeline

我自己以前找工作时，流程基本是这样的：

- 刷 LinkedIn、公司官网、各种招聘平台
- 手动筛选 JD
- 改简历、填申请表
- 投递后用 Excel 或者 Notion 记录进度

问题不是做不到，而是效率极低：信息过载、决策主观、重复劳动多、反馈慢。Career Ops 的核心思路就是把这个流程**工程化**，让 AI 负责大部分的分析、筛选和材料准备，而我（人）保留最终的决策权（HITL - Human in the Loop）。

项目明确反对“海投”策略，强调“少投，但投得更准”。它会先给岗位打分，只建议我对高分岗位出手。

## 2、核心架构：一个标准的 Agent Pipeline

整个系统的流程我总结下来大致是：

1. 输入岗位 URL 或 JD 文本
2. 解析岗位 + 角色分类（archetype）
3. 多维度评分（10 个维度，加权后给出 A-F 或数值分数）
4. 输出：结构化报告（Markdown）、定制化的 PDF 简历、更新 Tracker

它主要基于 Claude Code（Anthropic 的 Claude 项目模式），通过 14 个模块化的 “skill modes”（scan、pdf、batch、apply、deep 等）来实现不同功能。

## 3、关键模块分析

### 3.1 评分系统（Scoring System）

这是我认为最有价值的部分。它从技能匹配、职级、薪资预期、公司背景、地理位置等 10 个维度对岗位进行结构化打分。

- **我喜欢的点**：把“要不要投”这个主观决策变成了可量化的判断。
- **不足**：权重和 prompt 逻辑主要靠 LLM 自己调优，容易带入 bias。目前项目里缺少详细的 prompt 示例和验证数据。

### 3.2 CV 自动生成

从我维护的一份 cv.md（单一事实来源）出发，根据具体 JD 注入关键词，生成 ATS 优化的 PDF（用 Playwright 渲染）。

这更像“编译”而不是从零生成，设计思路很优雅。

我的顾虑：生成质量高度依赖我输入素材的质量，AI 有时会 hallucinate 或写得不够自然；ATS 实际通过率还需要长期验证。

### 3.3 Portal Scanner（岗位抓取）

内置了 45+ 家公司的 career page，支持 Greenhouse、Lever、Ashby 等常见 ATS，使用 Playwright 做浏览器自动化。

- **优点**：能主动发现新岗位。
- **缺点**：反爬策略变化快，维护成本不低；初次搭建 Playwright 环境也比较麻烦。

### 3.4 Batch 处理与并行 Agent

支持一次性丢 10+ 个岗位进去，并行处理。这部分工程化做得不错。

### 3.5 Tracker + TUI Dashboard

所有数据统一进入 Markdown/TSV，项目还用 Go + Bubble Tea 做了一个终端可视化界面，支持过滤、排序和状态跟踪。

这个 TUI 是整个项目里“工程味”最浓的地方之一，用着还挺爽，但也增加了上手门槛（需要 Go 环境）。

### 3.6 Self-Editing 能力

最酷的一点：我可以直接用自然语言跟 Claude 说“把某某维度的权重调高”或“增加一个新的 archetype”，它就会直接修改配置文件。

- **亮点**：自定义非常方便。
- **风险**：LLM 修改配置容易出不一致或破坏性变更，我每次都必须人工 review。

## 4、实际使用效果

根据作者分享，他用这套系统：

- 评估了 631 个岗位
- 生成 354 份定制简历
- 最终拿到了 Head of Applied AI 的职位

这些数据有参考意义，但毕竟是个案。项目目前还没有公开详细的面试转化率、拒信分析等数据，所以我还不能判断对普通人的普遍效果如何。

## 5、明显的局限与风险（我特别在意的地方）

1. **强依赖 Claude**：需要 Anthropic API Key，成本不低（作者用的是较高阶计划），速率限制也明显。如果换其他模型，需要大量重写 prompt。
2. **AI 固有缺陷**：评分和简历可能出现 hallucination，长期记忆（Interview Story Bank）需要持续积累才能发挥作用。
3. **上手门槛较高**：配置 API、Playwright、Go 环境、准备高质量 cv.md，对纯小白不太友好。
4. **合规与道德风险**：自动化抓取和申请可能违反部分网站服务条款；AI 生成的内容必须严格人工审查，否则有诚信风险。
5. **适用范围有限**：目前主要针对英语/欧美科技岗位，对中文市场或非技术岗位的适配性未知。

## 6、值得借鉴的工程实践

- Pipeline-First 的设计思路
- 用 Markdown/YAML 做数据层，易读易改
- 强制 Human in the Loop，避免 AI 完全失控
- 模块化的 skill modes + self-editing 机制
- CLI + TUI 的轻量交互方式

这些模式在我以后做个人 AI Agent 项目时，很值得参考。

## 7、结束语

对我来说，Career Ops 不是一个“傻瓜式找工作神器”，而是一个**诚意十足的个人工作流重构案例**。它把求职从随机劳动变成了可衡量、可优化的系统，核心价值在于**显著提升决策质量**，而不是简单提高投递数量。

它仍然是一个早期开源项目：功能强大，但维护负担较重，效果高度依赖使用者本人的工程能力和输入质量。

**适合我这样的人**：有工程背景、愿意花时间调优系统、主要找中高端科技/AI 岗位的朋友。  
**不推荐**：想要零配置、海投、或在非英语市场求职的用户。

总之，这个仓库的源码值得认真读一遍，尤其是对 AI Agent 和个人自动化感兴趣的同学。

---

汇智网编辑整理，转载请标明出处