Career-Ops：求职专用智能体

最近我在 GitHub 上刷到一个很有意思的开源项目 —— career-ops，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