开源工具评测：ai-job-search把求职变成一条可编程的自动化流水线

一、开篇：找工作的痛，AI 真的能帮上忙吗？

如果你正在找工作，或者经历过求职季，一定对下面这些场景深有体会：

为每个岗位手动改简历，改到第 20 份时已经分不清哪个版本投了哪家公司；
精心排版的 LaTeX 简历，投进 Workday/Lever 后邮箱变成乱码、bullet 列表消失、多列布局读出火星文；
求职信写来写去都是"我非常重视这个机会"的模板话，自己看着都尴尬；
面试前对着 JD 瞎猜会考什么，准备了半天结果问的全是没料到的方向；
海投 200 份没有回音，想复盘哪个环节出了问题，却连投了哪些岗位都记不清。

市面上大多数"AI 简历工具"做的事，就是把你的名字和岗位名称丢进模板，生成一份看起来还行的 PDF——表面定制，实则填空。

今天要介绍的这个开源项目 ai-job-search，走的是完全不同的路线。它不是一个"AI 帮你写简历"的小工具，而是一个把求职变成可编程流水线的完整 Agent 工作台——从搜索职位、评估匹配度、定制简历、ATS 验证、面试准备到结果追踪，一条命令链全跑完。作者本人用它投了 69 份申请、拿到 20 次一面、最终成功入职 AI 工程师。

二、ai-job-search 是什么？

ai-job-search 是丹麦开发者 Mads Lorentzen 打造的一款基于 Claude Code 的端到端求职自动化框架，2026 年 3 月开源，GitHub 收获约 19k Star，MIT 协议完全开源。

它的核心理念一句话概括：Fork 仓库 → 填写你的职业档案 → 让 Claude 替你评估职位、定制简历、撰写求职信、准备面试。

整个框架围绕 13 个 Slash 命令构建，分为核心工作流和扩展能力两层：

类别	命令	功能
核心流程	`/setup`	建立候选人档案（文档文件夹 / 粘贴 CV / 访谈式三选一）
核心流程	`/scrape`	扫描多个招聘门户，去重后按匹配度排序
核心流程	`/rank`	批量打分岗位，返回 Top-N 短名单
核心流程	`/apply`	完整起草→审查→编译→ATS 验证流程
核心流程	`/outcome`	记录申请结果，归档材料，反推校准档案
扩展能力	`/interview`	阶段专属面试准备包 + 模拟面试
扩展能力	`/expand`	从 GitHub/Portfolio/Kaggle 补齐技能档案
扩展能力	`/upskill`	分析技能差距，生成带资源的学习计划
扩展能力	`/add-portal`	为本地市场生成招聘门户搜索 Skill
扩展能力	`/add-template`	注册自定义 CV/求职信模板（LaTeX/Typst）
扩展能力	`/notion-sync`	单向同步申请管线到 Notion 数据库
扩展能力	`/gmail-sync`	从 Gmail 自动检测面试邀请/拒信等状态
扩展能力	`/html-report`	生成离线可交互的申请追踪仪表盘

这些命令不是孤立的——上一步的输出就是下一步的输入，所有命令共享同一份候选人档案，档案随流程持续演进。

最关键的设计是 Drafter-Reviewer 双 Agent 协作：起草者（Drafter）写简历和求职信，审查者（Reviewer）从全新空上下文启动，独立调研公司、审查草稿，然后起草者根据反馈修订。这种分离避免了"自己写的自己看不出问题"的常见 AI 陷阱。

三、为什么你应该试试 ai-job-search？

1. 不是模板填空，是真正的岗位级定制

大多数 AI 简历工具的逻辑是：通用模板 + 关键词替换。ai-job-search 的做法是：先对你的档案和目标岗位做 5 维匹配评分（技能、经验、行为特质、地点、职业方向），然后根据评分结果有针对性地重写简历的每一条经历描述——突出匹配的部分，弱化不相关的部分，对真实存在的短板给出诚实的桥接表述，绝不编造技能或经验。

2. PDF 视觉 + ATS 文本层双重验证

这是整个项目最硬核的设计。所有用过 LaTeX 写简历的人都踩过这个坑：.tex 文件看起来没问题，PDF 打开也挺漂亮，但投进 ATS 系统就变成一团乱码。

ai-job-search 把验证作为强制不可跳过的一步写死在 /apply 流程里：

视觉验证：编译 PDF 后 Claude 亲自"看"渲染结果，确保 CV 恰好 2 页、无孤立标题、Cover Letter 恰好 1 页、签名与正文同页；
ATS 验证：用 pdftotext 提取 PDF 文本层，检查联系方式是否为明文字符、阅读顺序是否正确、岗位关键词覆盖度如何。

不是让 AI 承诺"一定没问题"，而是编译出真实 PDF 后客观验证。

3. 贵/便宜命令分离，工程化控制成本

为什么要拆成 /rank 和 /apply 两个命令？因为：

/rank 廉价、快速、可并行——一次跑 30 个岗位，只做文本匹配打分；
/apply 昂贵、精细、单发——一次一个，要起独立 Reviewer Agent、做公司调研、编译 PDF、双重验证。

用便宜的排序过滤，让昂贵的申请只花在 Top-N 上。 这是成熟 AI Agent 工作流的工程思维，而不是"把所有事扔进一个大 Prompt"。

4. 求职是流水线，不是单一步骤

找工作的完整链路是：搜岗位 → 评估匹配 → 写简历 → 写求职信 → 编译 PDF → 检查 ATS → 面试准备 → 跟踪结果 → 反推校准。任何一个环节掉链子，整条链白跑。ai-job-search 把每个环节都做成了独立命令，又通过共享档案串成完整流水线。

5. 作者亲自验证有效

这不是一个"为了开源而开源"的项目。作者 Mads Lorentzen 是地球物理学家出身，2025 年底被裁后用这个框架跑自己的求职，69 份定制申请、20 次一面、1 份 offer，2026 年 6 月入职 AI 工程师。他对每个雇主都坦诚说了自己用 AI 工具求职，反而引发了很多技术讨论。

四、核心优势：和同类工具比，强在哪？

对比维度	ai-job-search	AIHawk	career-ops	普通 AI 简历生成器
核心思路	深度定制 + 验证	自动填表海投	管道化批量处理	模板填空生成
追求目标	质量	数量	效率	速度
简历定制	5维评分 + 相关性加权裁剪	通用模板	A-F评分系统	关键词替换
PDF/ATS 验证	✅ 双重强制验证	❌	⚠️ 部分	❌
多Agent协作	✅ Drafter-Reviewer分离	❌	⚠️ 多Worker	❌
面试准备	✅ 阶段专属包+模拟	❌	❌	❌
结果追踪	✅ CSV+HTML仪表盘	⚠️ 基础	✅ TUI仪表盘	❌
技能差距分析	✅ /upskill	❌	❌	❌
本地运行	✅ 数据全在本地	⚠️ 浏览器自动化	✅ 本地	❌ 云端
开源可扩展	✅ MIT + 门户/模板扩展	⚠️ 部分开源	✅	❌ 闭源
是否帮你点提交	❌ 只帮你写好，提交自己来	✅ 自动提交	⚠️ 半自动	❌

ai-job-search 的差异化亮点总结：

双 Agent 审查机制——Reviewer 从空上下文启动，独立调研公司后审查草稿，避免"自写自夸"；
真实产物验证——不依赖 AI 的"自我感觉良好"，编译 PDF 后视觉检查 + 文本层 ATS 校验；
相关性加权裁剪——简历超页时不是机械删最旧的经历，而是按"岗位相关性 × 独特性 × 求职信依赖度"评分后删最低分；
完整流水线覆盖——从搜岗到面试到复盘，13 个命令覆盖求职全链路；
高度可扩展——/add-portal 支持任意招聘市场，/add-template 支持任意 PDF 模板工具链；
数据本地优先——所有职业档案、申请记录都在本地 Fork 仓库里，不依赖云端服务。

五、手把手实操：跑通你的第一条求职流水线

环境准备

ai-job-search 的硬性依赖：

工具	用途	安装方式
Claude Code CLI	整个框架的运行载体	`npm install -g @anthropic-ai/claude-code`
Python 3.10+	薪资工具、CI 脚本	系统包管理器
Bun	职位搜索 CLI 工具的运行时	`curl -fsSL https://bun.sh/install
LaTeX 发行版	编译 CV 和 Cover Letter PDF	TeX Live / MacTeX / MiKTeX（需含 lualatex + xelatex）
poppler-utils（可选）	ATS 文本层验证	macOS: `brew install poppler`；Ubuntu: `apt install poppler-utils`

第一步：Fork 并克隆项目

bash

# Fork 到你的 GitHub 账号，然后克隆
gh repo fork MadsLorentzen/ai-job-search --clone
cd ai-job-search

💡 为什么要 Fork 而不是直接 Clone？因为你需要把自己的职业档案、申请记录提交到自己的私有仓库里。Fork 后建议设为 Private。

第二步：安装职位搜索 CLI 依赖

bash

# Linux / macOS / Git Bash
for tool in jobbank-search jobdanmark-search jobindex-search jobnet-search linkedin-search freehire-search; do
  (cd .agents/skills/$tool/cli && bun install)
done

powershell

# Windows PowerShell
$tools = @("jobbank-search", "jobdanmark-search", "jobindex-search", "jobnet-search", "linkedin-search", "freehire-search")
foreach ($tool in $tools) {
  Push-Location ".agents/skills/$tool/cli"
  bun install
  Pop-Location
}

内置 6 个门户搜索工具：4 个丹麦市场（Jobindex、Jobnet、Jobbank、Jobdanmark）+ LinkedIn（全球通用）+ freehire（技术岗位聚合）。其他市场可以用 /add-portal 扩展。

第三步：建立你的职业档案

bash

# 启动 Claude Code
claude

# 在 Claude Code 中运行
/setup

/setup 提供三条路径，自动检测你有什么材料：

路径 A（推荐）：Documents 文件夹模式——把 CV PDF、LinkedIn 导出、学位证、推荐信、过往申请材料丢进 documents/ 文件夹，命令自动读取。幂等设计，可安全重复运行；
路径 B：粘贴 CV——在聊天中直接粘贴完整 CV 文本；
路径 C：访谈式——通过问答访谈一步步建立职业档案。

⚠️ 关键提醒： 资料深度直接决定输出质量。不要只写"Python, Machine Learning"，而要写"用 Python 和 scikit-learn 构建了客户流失预测的 ML 管道，AUC 从 0.78 提升到 0.89"。

第四步：搜索岗位

bash

/scrape

这会同时搜索所有已启用的招聘门户，抓取符合你档案的职位，去重后按匹配度排序展示。如果返回的岗位太多看不过来：

bash

/rank --top 10

/rank 会并行派多个 Agent 对新抓取的岗位批量打分（5 维评估），返回排名前 10 的短名单，每个岗位附诚实的优势和差距分析。

第五步：申请一个岗位（核心流程）

bash

/apply https://jobindex.dk/job/1234567

如果 URL 无法抓取（部分门户屏蔽自动化访问），可以直接粘贴职位描述：

bash

/apply <粘贴完整职位描述>

/apply 会自动执行完整的 6 步流水线：

解析职位描述（URL 或文本）
评估匹配度——5 维评分，标注优势和差距
起草——生成定制化 LaTeX 格式 CV 和 Cover Letter
审查——启动独立 Reviewer Agent（空上下文），调研公司后审查草稿
修订 + 编译——按反馈修订，lualatex 编译 CV、xelatex 编译 Cover Letter，视觉检查页数和排版
ATS 验证——pdftotext 提取文本层，校验联系方式、阅读顺序、关键词覆盖

最终输出两份经过双重验证的 PDF，附带验证清单。系统不会替你点提交按钮——它只负责把申请材料做到最好，投递的决定由你自己做。

第六步：记录结果与复盘

bash

# 记录申请结果（面试、offer、拒信、沉默）
/outcome

# 收到面试邀请后准备面试
/interview

# 生成申请追踪仪表盘
/html-report

/outcome 会归档已提交的 CV、Cover Letter 和职位原文到 documents/applications/<公司>_<职位>/，更新追踪表，并在积累一定数据后建议你回到 /setup 校准匹配框架。

/interview 基于申请存档构建阶段专属准备包：STAR 示例映射、公司/面试官调研、模拟面试角色扮演、薄弱点的诚实桥接答案。

进阶功能速查

命令	说明
`/expand`	扫描你档案中链接的 GitHub/Portfolio/Kaggle，自动补齐技能
`/upskill`	分析档案与目标岗位的技能差距，生成带学习资源的计划
`/upskill <URL>`	针对单个岗位做技能差距分析
`/add-portal`	为你的本地招聘市场生成搜索 Skill（自动探测 + 测试）
`/add-template`	注册自定义 CV/求职信模板（LaTeX/Typst/任意命令行编译工具）
`/notion-sync`	单向同步管线到 Notion（OAuth，无需 API Key）
`/gmail-sync`	从 Gmail 自动检测面试邀请/拒信，批量确认后更新追踪
`/setup --section search`	只重新配置搜索条件，不重建整个档案
`/reset profile`	清除档案数据，保留框架规则
`/reset all`	全部重置（需输入 RESET 确认）

六、适用场景 & 落地案例

场景一：精准求职，少投多中

你的策略是"少投几份但每一份都高度定制"。每天早上启动 Claude Code，/scrape 扫新岗位，/rank 排出 Top 5，选 1-2 个跑 /apply，5-10 分钟拿到经过 ATS 验证的定制申请材料。投出去后 /outcome 记录，收到面试就 /interview 准备。

场景二：转行/跳槽期的系统化工具体验

你正在从一个领域转向另一个领域（比如作者从地球物理转向 AI 工程）。/upskill 帮你分析技能差距并生成学习计划，/expand 从你的 GitHub 和作品集里挖掘可迁移技能，/apply 在写简历时诚实地桥接经验短板而不是编造。

场景三：学习 Claude Code 多 Agent 工程实践

即使你不找工作，这个项目也是学习 AI Agent 工作流设计的绝佳范本：双 Agent 上下文管理、贵/便宜命令分离、真实产物验证循环、可扩展门户架构。读懂它的 .claude/commands/ 和 .claude/skills/ 结构，能直接套用到自己的多阶段 Agent 项目中。

场景四：欧洲市场求职

如果你在丹麦或欧洲其他国家求职，内置的 4 个丹麦门户 + LinkedIn + freehire 开箱即用。LaTeX 简历在欧洲市场几乎是标配，而 ai-job-search 的 PDF 验证流程专门解决了 LaTeX 简历最常见的渲染坑。

场景五：非技术岗位的简历工程化

虽然项目作者是技术背景，但框架本身是语言和国家无关的。/add-template 可以接入任何 PDF 模板，/add-portal 可以接入任何招聘网站，核心的档案-评估-起草-审查-验证流程对任何岗位都适用。

七、客观优劣总结

✅ 优势

真正的岗位级定制：5 维匹配评分 + 相关性加权裁剪，不是模板填空；
双重验证机制：PDF 视觉检查 + ATS 文本层校验，强制不可跳过，解决 LaTeX 简历最常见的投递坑；
双 Agent 审查：Reviewer 从空上下文启动，独立调研后审查，避免自写自审的盲区；
完整流水线覆盖：13 个命令覆盖从搜岗到复盘的全链路，共享同一份演进式档案；
工程化成本控制：贵/便宜命令分离，廉价并行排序 + 昂贵单发申请；
高度可扩展：门户搜索、文档模板、评估标准都是扩展点，不绑定特定市场或工具链；
数据本地优先：所有职业数据在自己的 Fork 仓库里，隐私可控；
作者实战验证：69 份申请 → 20 次一面 → 1 份 offer，不是纸上谈兵。

⚠️ 局限性

环境搭建有门槛：需要 Claude Code、Python、Bun、LaTeX 发行版，对非技术用户不友好；
不帮你点提交：只生成申请材料，投递动作需要手动完成（这是设计选择，不是缺陷）；
内置门户偏丹麦市场：非丹麦用户需要用 /add-portal 扩展或依赖 LinkedIn/freehire；
Claude Code 绑定：核心流程依赖 Claude Code，虽然框架可移植到 Codex/Gemini CLI 但需要额外配置；
API 费用累积：/apply 一次需要 Drafter + Reviewer 两个 Agent + PDF 编译迭代，长篇申请的 Token 成本不低；
档案质量决定上限：输入单薄的档案只会得到泛泛的输出，需要花时间认真填写；
LaTeX 学习曲线：默认模板是 LaTeX，虽然 /add-template 支持 Typst 等，但自定义模板仍需技术能力。

⚠️ 安全提醒： 职位描述被视为不可信输入——框架不会执行其中嵌入的指令、不会抓取其中的链接。但这是指令级防御而非沙箱，遇到不熟悉的招聘网站，提交前务必 skim 一下抓取和生成的内容。从第三方 Fork 复制门户 Skill 时，务必先读代码（检查网络调用、依赖、生命周期脚本），因为这些 CLI 在你的机器上以预授权方式运行。

八、写在最后

ai-job-search 真正的价值，不在于"又一个 AI 简历生成器"，而在于它展示了一种成熟的 AI Agent 工作流设计范式：

多命令 + 单档案：所有命令共享同一份演进式数据，每个命令按需读取；
贵/便宜分离：替 AI 决定什么时候可以省 Token、什么时候必须多花；
验证挂在真实产物上：不是让 AI 承诺"没问题"，而是编译出 PDF 后客观验证。

这三条原则可以套用到任何多阶段 AI Agent 项目——代码审查、文档生成、数据分析，都是一样的逻辑。

如果你正处在换工作的窗口期，或者想找一个把 Claude Code 用得很深的项目来学习多 Agent 架构——这个仓库值得 Fork 下来跑一遍 /setup，半小时就能感受到 Drafter-Reviewer 循环的价值。

项目地址：https://github.com/MadsLorentzen/ai-job-search

快速上手：

bash

gh repo fork MadsLorentzen/ai-job-search --clone
cd ai-job-search
# 安装门户依赖后启动
claude
/setup

试试吧，也许下一个拿到 offer 的就是你。

如果这篇文章对你有帮助，欢迎收藏、转发，也可以去 GitHub 给作者点个 Star 支持一下开源项目。

开源工具评测：ai-job-search把求职变成一条可编程的自动化流水线 ​

一、开篇：找工作的痛，AI 真的能帮上忙吗？ ​

二、ai-job-search 是什么？ ​

三、为什么你应该试试 ai-job-search？ ​

1. 不是模板填空，是真正的岗位级定制 ​

2. PDF 视觉 + ATS 文本层双重验证 ​

3. 贵/便宜命令分离，工程化控制成本 ​

4. 求职是流水线，不是单一步骤 ​

5. 作者亲自验证有效 ​

四、核心优势：和同类工具比，强在哪？ ​

五、手把手实操：跑通你的第一条求职流水线 ​

环境准备 ​

第一步：Fork 并克隆项目 ​

第二步：安装职位搜索 CLI 依赖 ​

第三步：建立你的职业档案 ​

第四步：搜索岗位 ​

第五步：申请一个岗位（核心流程） ​

第六步：记录结果与复盘 ​

进阶功能速查 ​

六、适用场景 & 落地案例 ​

场景一：精准求职，少投多中 ​

场景二：转行/跳槽期的系统化工具体验 ​

场景三：学习 Claude Code 多 Agent 工程实践 ​

场景四：欧洲市场求职 ​

场景五：非技术岗位的简历工程化 ​

七、客观优劣总结 ​

✅ 优势 ​

⚠️ 局限性 ​

八、写在最后 ​

开源工具评测：ai-job-search把求职变成一条可编程的自动化流水线

一、开篇：找工作的痛，AI 真的能帮上忙吗？

二、ai-job-search 是什么？

三、为什么你应该试试 ai-job-search？

1. 不是模板填空，是真正的岗位级定制

2. PDF 视觉 + ATS 文本层双重验证

3. 贵/便宜命令分离，工程化控制成本

4. 求职是流水线，不是单一步骤

5. 作者亲自验证有效

四、核心优势：和同类工具比，强在哪？

五、手把手实操：跑通你的第一条求职流水线

环境准备

第一步：Fork 并克隆项目

第二步：安装职位搜索 CLI 依赖

第三步：建立你的职业档案

第四步：搜索岗位

第五步：申请一个岗位（核心流程）

第六步：记录结果与复盘

进阶功能速查

六、适用场景 & 落地案例

场景一：精准求职，少投多中

场景二：转行/跳槽期的系统化工具体验

场景三：学习 Claude Code 多 Agent 工程实践

场景四：欧洲市场求职

场景五：非技术岗位的简历工程化

七、客观优劣总结

✅ 优势

⚠️ 局限性

八、写在最后