找工作，和AI聊：用 ai-job-search 打造你的全自动求职流水线 - Claude

你有多久没认真找过工作了？

投递 100 份简历，回复 5 封，面试 2 家，最终 0 offer——这不是你的问题。

传统求职的效率太低了。你需要在几十个招聘网站反复搜索，需要针对每个岗位手动改简历，需要写一封又一封石沉大海的求职信，需要在面试前突击准备却不知道从哪下手。

你真正该花时间的，是和人聊、是判断机会、是谈判薪资。 而不是做信息搬运和文本排版。

如果有一个工具，能帮你把这些机械劳动全部自动化——

自动扫遍各大招聘网站，按你的标准筛选岗位
自动评估每个岗位和你的匹配度，告诉你投不投
自动生成定制化的简历和求职信，不是模板套话
自动做 ATS 兼容性检测，确保你的简历不会被系统过滤
自动准备面试问题和你的 STAR 案例，甚至陪你模拟面试

你愿意试试吗？

它叫 ai-job-search。一个在 GitHub 上狂飙 18k+ Star 的项目，把 Claude Code 变成了你的全职求职助理。

---

这不是另一个「AI 写简历」的玩具

市面上的 AI 求职工具很多，但大多停留在「把你的经历润色一下」的层面。ai-job-search 不一样——它是一个完整的求职操作系统。

核心工作流

/setup → /scrape → /rank → /apply → /interview → /outcome
   │         │         │         │           │           │
   ▼         ▼         ▼         ▼           ▼           ▼
 建档      搜岗      排序      投递      面试准备    追踪复盘

每一步都是一个 slash command，在 Claude Code 里直接敲命令就行。就像你用 Claude Code 写代码一样自然——只不过这次，它帮你找工作。

和普通 AI 工具有什么不一样

维度	普通 AI 简历工具	ai-job-search
工作方式	一次性生成模板化内容	完整的多智能体工作流
定制程度	浅度关键词替换	基于完整档案的深度定制
质量控制	生成即交付	起草-审阅双智能体 + PDF 验证 + ATS 检测
覆盖范围	简历 + 求职信	搜岗、评估、简历、求职信、面试、技能提升、追踪
诚实原则	可能夸大甚至编造	严格禁止虚构经历，缺口如实标注
可控性	黑箱生成	所有档案、模板、规则都在你本地，Fork 即私有

最关键的区别：它不是替你找工作，它是帮你把找工作的效率提升 10 倍。 决策权永远在你手上。

---

快速上手：四步启动你的 AI 求职助理

前置条件

在开始之前，你需要：

工具	用途	必需性
Claude Code	核心运行环境	✅ 必需
Python 3.10+	薪资查询工具	⚠️ 可选
Bun	招聘网站搜索 CLI	⚠️ 可选（不用搜岗可跳过）
LaTeX	编译简历和求职信 PDF	✅ 必需
poppler / pdftotext	ATS 文本层检测	⚠️ 可选

最简单的起步方式：装好 Claude Code + LaTeX，先从 /setup 建档开始，搜岗和薪资功能以后再加。

第一步：Fork 并克隆

bash
gh repo fork MadsLorentzen/ai-job-search --clone
cd ai-job-search

为什么要 Fork？ 因为你需要一个私有的仓库来存放你的个人资料——简历、学历证明、推荐信，这些都是敏感信息。Fork 之后，这就是你的私有求职工作空间。

第二步：安装搜索工具（可选）

如果你想用自动搜岗功能，需要安装各招聘门户的 CLI 工具：

bash
for tool in jobbank-search jobdanmark-search jobindex-search jobnet-search linkedin-search freehire-search; do
  cd .agents/skills/$tool/cli && bun install && cd ../../../..
done

内置了 6 个搜索源：4 个丹麦本土招聘网站 + LinkedIn + freehire.dev（全球技术岗位聚合）。

不在丹麦？没关系——用 /add-portal 命令，AI 会帮你为本地招聘网站生成搜索技能。项目的核心框架完全不依赖特定国家或语言。

第三步：建立你的个人档案

bash
claude
进入 Claude Code 后输入：
/setup

/setup 提供了三种建档方式，你选最适合自己的：

方式	适合场景	说明
Path A：文档文件夹	你有现成的 CV、LinkedIn 导出、证书、推荐信	把文件放到 `documents/` 目录，AI 自动读取并交叉验证
Path B：单份 CV 导入	你只有一份简历	粘贴或 @ 引用简历文件，AI 提取信息并补充追问
Path C：访谈模式	你想从零开始，或者想重新梳理自己	结构化问答，一步步建立完整档案

AI 会帮你建立这些档案文件：

01-candidate-profile.md — 教育背景、工作经历、技能栈
02-behavioral-profile.md — 行为特质评估（PI/DISC 等）
03-writing-style.md — 写作风格、语气、禁忌
04-job-evaluation.md — 岗位匹配度评分框架
05-cv-templates.md — 简历模板和个人陈述模板
06-cover-letter-templates.md — 求职信模板
07-interview-prep.md — STAR 案例库和面试框架

档案越详实，后续的定制申请质量越高。强烈建议至少准备一份完整的简历再开始。

第四步：投出你的第一份申请

找到一个你感兴趣的岗位，然后：

/apply https://www.linkedin.com/jobs/view/xxxxxx

或者直接粘贴职位描述：

/apply [粘贴职位描述全文]

然后，AI 会自动执行完整的申请流水线。接下来这一章，我们详细拆解 /apply 到底做了什么。

---

/apply 深度解析：双智能体 + 七步流水线

这是整个项目最核心的部分。你以为 /apply 只是「帮你写封求职信」？Too naive。

它运行的是一套起草-审阅双智能体工作流，加上 PDF 验证和 ATS 检测，整整七个步骤。

第一步：解析职位描述

AI 读取岗位 JD，提取关键信息：

岗位名称、公司、地点
必备技能、加分技能
职责描述、团队规模、业务方向
薪资范围（如果有）
申请截止日期

第二步：匹配度评估

用你在 04-job-evaluation.md 中定义的评分框架，从五个维度打分：

维度	评估内容
技能匹配	技术栈、工具、领域经验
经验匹配	工作年限、职级、项目规模
文化匹配	公司价值观、工作方式、团队氛围
地点匹配	城市、远程/混合/到岗
职业发展	成长空间、薪资水平、行业前景

然后 AI 会告诉你：这个岗位值不值得投，你的优势在哪，差距在哪。

遇到硬伤（比如要求 5 年经验你只有 2 年），AI 会明确标记为「否决项」，不会浪费你的时间。

第三步：起草定制化简历和求职信

这是第一个智能体——起草者（Drafter） 的工作。

它不是简单地把你的经历复制粘贴。它会：

重新排序：把和岗位最相关的经历放到最前面
调整措辞：用岗位描述中的关键词来描述你的经历（但不编造）
裁剪内容：和岗位无关的经历简化或移除，确保简历精准匹配
定制个人陈述：针对岗位需求重写 Summary
撰写求职信：向前看的叙事框架——不是「我做过什么」，而是「我能为你做什么」

简历和求职信都是 LaTeX 格式，排版质量直接拉满。

第四步：审阅智能体 critique

这是最体现专业度的一步。

AI 会生成第二个独立的智能体——审阅者（Reviewer），它的任务是：

调研公司背景、产品、行业地位
以招聘经理的视角 critique 你的简历和求职信
指出问题：信息缺失、逻辑漏洞、措辞不当、关键词不足
给出具体的修改建议

相当于你有一个免费的职业顾问，在你投递之前帮你把一道关。

第五步：修订

起草者智能体根据审阅者的反馈，对简历和求职信进行修订。这一轮迭代后，质量通常会上一个台阶。

第六步：PDF 编译 + 视觉验证

这一步超级重要，也是大多数 AI 简历工具缺失的。

AI 会：

用 lualatex 编译简历 PDF
用 xelatex 编译求职信 PDF
视觉检查 PDF 渲染效果：

- 简历必须正好 2 页（不多不少） - 没有孤立的职位标题被挤到下一页 - 求职信正好 1 页，签名可见 - 字体一致，没有 fallback 到默认字体

自动修复版式问题（\needspace、\enlargethispage 等）

为什么这很重要？因为 90% 的 LaTeX 简历模板，在你改了内容之后，排版都会崩——标题孤立、溢出、字体错乱。但你可能根本没注意到，就那样发出去了。

ai-job-search 自动帮你把这些坑都填上。

第七步：ATS 兼容性检测

最后一步，用 pdftotext 提取 PDF 的文本层，模拟 ATS（申请人追踪系统）读取简历的方式，检查：

联系方式是否以纯文本形式存在（不是图标 glyph）
阅读顺序是否正常（不是乱序的）
关键词覆盖率如何——缺什么关键词
需不需要补充

关键词的补充原则：你的经历里真的有的才加，真没有的如实标注，绝不硬塞。

---

不止投递：完整的求职生命周期

/setup、/scrape、/apply 是核心三件套。但项目还提供了 7 个进阶命令，覆盖了求职的每一个环节。

/scrape：全网搜岗

/scrape

自动搜索所有已配置的招聘网站，去重后按匹配度排序展示给你。

不想一条条看？继续看 /rank。

/rank：批量打分排序

/rank

对刚搜到的所有岗位，用并行智能体批量打分，给出一个排序后的候选清单。每个岗位都标注了：

匹配度评分
你的优势和差距
是否有硬伤否决项
截止日期和紧急程度

选一个编号，直接进入 /apply。

/interview：面试准备

收到面试邀请了？

/interview

AI 会：

从档案里调出你投这个岗位时用的 exact 版本的简历和求职信（面试官看的就是这个版本！）
调研公司和面试官背景（遵循「验证后使用」原则）
预测可能的面试问题，映射到你的 STAR 案例
为你的短板准备诚实的「桥梁答案」——绝不编造经历
陪你进行模拟面试（角色扮演模式）

最贴心的设计：它用的是你当时投递的那个版本的材料，而不是最新版本。因为面试官手里拿的就是当时的版本，你准备的也应该是同一个版本。

/outcome：结果追踪

/outcome

记录申请结果——面试了几轮、拿到 offer 了吗、被拒了吗、还是石沉大海了。

AI 会：

把所有材料归档到 documents/applications/<公司>_<职位>/
更新追踪表格
当有了足够多的结果后，引导你回到 /setup 重新校准匹配框架——用真实的面试反馈来优化你的搜索方向

这才是真正的「数据驱动求职」。不是凭感觉投，而是根据实际结果不断迭代你的策略。

/expand：能力挖掘

/expand

扫描你档案里提到的公开链接（GitHub、作品集、Kaggle、Google Scholar），以及课程和证书的大纲，从中发现更多你可能没意识到的技能点，补充到你的档案里。

很多技能你自己都忘了你会。AI 帮你挖出来。

/upskill：技能差距分析

/upskill

或者针对某个特定岗位：

/upskill https://job-url...

AI 会分析你的档案和目标岗位（或目标方向）之间的差距，生成：

技能差距热力图（优先级排序）
学习计划（带时间估算）
网络搜索到的学习资源

求职不是目的，成长才是。就算暂时没拿到 offer，你也知道接下来该补什么。

/add-template：自定义模板

想用自己的 LaTeX 简历模板？

/add-template

AI 会：

记录你的模板信息（编译引擎、字体、样式规则、页数限制）
跑一次测试编译确保没问题
把模板接入到 /apply 工作流中

/add-portal：添加本地招聘网站

/add-portal

AI 会帮你为任何一个公开招聘网站生成搜索 CLI 技能——分析搜索 URL 模式、结果结构、访问规则，然后搭脚手架、跑一次真实查询测试，最后注册到系统中。

这就是为什么这个项目不局限于丹麦市场——你可以给任何国家的任何招聘网站做适配。

---

为什么它敢说「不编造」

这是 ai-job-search 最让我敬佩的一点：它从设计上就杜绝了造假。

所有出现在简历和求职信里的内容，必须能在你的档案里找到依据。AI 不会：

❌ 编造你没有的技能或经验
❌ 夸大你的职位或职责
❌ 硬塞关键词来蒙混 ATS
❌ 给你准备假的面试答案

遇到差距怎么办？如实标注。

诚实不是一种道德选择，而是一种策略。靠造假拿到的面试，最终也会在面试中露馅。不如把时间花在真正提升自己上。

---

适合谁？不适合谁？

✅ 强烈推荐

正在找工作的开发者和知识工作者 — 尤其是技术岗，和 Claude Code 的契合度最高
投递了很多但回音很少的人 — 可能不是你不够好，是简历没优化到位
想系统规划职业发展的人 — 不只是找一份工作，而是想清楚下一步怎么走
重视效率、喜欢自动化的人 — 如果你已经在用 Claude Code 写代码，上手零成本
隐私敏感的人 — 所有数据在你自己的 Fork 里，完全私有

⚠️ 需要考虑

完全不会用命令行的人 — 虽然 Claude Code 已经很友好了，但还是需要一点终端基础
对 LaTeX 有恐惧的人 — 不过你不需要懂 LaTeX，AI 会帮你搞定一切
期望值管理 — AI 能帮你提升效率和质量，但不能替你拿到 offer

❌ 不适合

想靠 AI 编造简历、一步登天的人
不愿意花时间完善自己档案的人（垃圾进，垃圾出）
期待 AI 帮你直接找到工作的人（工具是放大器，不是替代品）

---

一些真实的声音

「这个项目最厉害的不是技术，而是它把职业咨询的方法论编码进了系统。结构化评估、诚实原则、PDF 版式迭代、ATS 关键词核对——这些都是专业职业顾问会做的事，现在 AI 帮你做了。」

— GitHub Trending 评论

「Fork 即用的产品形态太聪明了。每个人 fork 之后就是自己的私有工作空间，招聘门户可以扩展到任何市场。在 AI 辅助就业这个话题下，这是我见过最完整的开源方案。」

— 社区用户

「我最喜欢的是 /outcome 命令。大多数人投简历就像买彩票，投出去就忘了。但这个工具帮你追踪每一个结果，然后用真实数据校准你的策略——这才是正确的求职方式。」

— 独立开发者

---

写在最后

找工作这件事，本质上是一个匹配问题。

你有你的技能、经验、诉求；公司有它的需求、文化、预算。两边对上了，offer 自然就来了。

但大多数人找不到好工作，不是因为他们不匹配，而是因为——

他们不知道有哪些岗位在招人
他们的简历没能准确传达自己的价值
他们在不匹配的岗位上浪费了太多时间
他们没有从每次面试中学习和迭代

ai-job-search 解决的就是这些问题。它不能替你面试，不能替你做决定，但它能把你从机械劳动中解放出来，让你把时间花在真正重要的事情上。

就像 Claude Code 让编码效率提升了 10 倍一样，ai-job-search 能让你的求职效率提升 10 倍。

试一下吧。你可能会惊讶——原来找工作可以这么高效。

---

快速开始（再放一次）

bash
1. Fork 并克隆
gh repo fork MadsLorentzen/ai-job-search --clone
cd ai-job-search

2. 启动 Claude Code
claude

3. 建立你的档案
/setup

4. 投出第一份申请
/apply <职位链接或描述>

祝你好运。

---

参考资料

[1] ai-job-search GitHub 仓库：https://github.com/MadsLorentzen/ai-job-search

[2] 官方设置指南（SETUP.md）：https://github.com/MadsLorentzen/ai-job-search/blob/master/SETUP.md

[3] Claude Code 官方文档：https://docs.anthropic.com/en/docs/claude-code

[4] freehire.dev — 全球技术岗位聚合：https://freehire.dev/

[5] moderncv — LaTeX 简历模板：https://www.ctan.org/pkg/moderncv