ai-job-search深度拆解：Claude Code驱动的全栈求职框架
ai-job-search深度拆解：Claude Code驱动的全栈求职框架
地球物理学家被裁，周末写工具，69 份定制申请、20 次初面、一份入职合同——这就是 36.4k star 项目 ai-job-search 的真实履历。
2026 年 8 月 GitHub Trending 上出现了一个不走寻常路的项目：madslorentzen/ai-job-search，它不训练模型、不做 RAG、不卷 Agent 框架，却在短短几个月内攒下 36.4k Star 和 12.4k Fork。
它的卖点只有一个：帮你找工作——而且作者自己就是小白鼠。作者 Mads Lorentzen 原本是地球物理学家，2025 年底被裁员后，用三周时间把自己的求职流程在 Claude Code 里写成了结构化工作流，随后每周用它投递，先后投了 69 份定制化申请，拿到 20 次第一轮面试，最终在 2026 年 6 月以 AI Engineer 身份入职。这份 repo 就是那个工作流的全部源代码——没有 SaaS，没有账号体系，没有 API Key 收费，Fork it and own it。
本文提纲
- 这到底是什么：不是"套壳投简历"，是完整的求职操作手册
- 13 条斜杠命令：从 /setup 到 /reset 的全景工作流
- 核心引擎 /apply：drafter-reviewer + PDF 校验循环 + ATS 文本层校验
- 4 个让它真正管用的工程细节
- 三大扩展点：Portal / Template / Criteria
- 安全哲学：为什么安装别人写的 Portal Skill 必须手动复制代码
- 文件结构与工程化设计
- 快速上手：8 步跑通你的第一次投递
这到底是什么：一套"编码在 Markdown 里的求职操作系统"
ai-job-search 的本质是一份可执行的职业咨询手册——它把简历撰写、职位匹配、投递跟踪、面试准备、结果复盘这些分散的动作，编码成一组可在 Claude Code CLI 中直接调用的斜杠命令。每条命令背后是一份 Markdown（放在 .claude/commands/ 里），由 Claude Code 读取并严格按流程执行。
核心三件套：
MERMAID_BLOCK_0
三个鲜明的设计取向：
- 本地优先，零依赖 SaaS：所有档案、申请记录、简历 PDF 都在你本地；唯一外部调用是招聘网站搜索和 LaTeX 编译。
- 硬规则优先于 Agent 自由发挥：CV 必须恰好 2 页、Cover Letter 恰好 1 页、PDF 文本层必须能被 ATS 正常提取——这些是硬约束，不通过就循环修正，而不是让 LLM"差不多就行"。
- 永不编造：所有写入 CV/CL 的能力、项目、成就都会校验候选人档案，不存在的能力永远不会因为 JD 出现就被"塞进去"——只诚实地标记为 Gap。
13 条斜杠命令全景
整个框架通过 13 条 /{command} 驱动，在 Claude Code 中输入即可。
核心三件套
/setup — 档案初始化。三条路径任选其一：
- 读取本地 documents/ 目录（CV PDF、LinkedIn 导出、推荐信、过往申请）
- 直接粘贴一份 CV 文本
- 通过问答形式的 interview 逐步采集
/scrape — 并行搜索所有已启用的招聘站 Skill（丹麦四站 + LinkedIn + freehire.me），自动去重，按匹配度呈现结果。
/apply <URL or JD text> — 跑完整的投递流水线，详见下一节。
追踪与复盘
| 命令 | 作用 |
|---|---|
/interview |
根据当前申请归档生成阶段专属备考包：公司调研、面试官背景、问题→STAR 事例映射、Mock Interview 角色扮演 |
/outcome |
记录面试/Offer/Reject/沉默，归档所有材料，生成跟进邮件草稿（最多两次，绝不自动发送），根据真实结果校准 fit 框架 |
/gmail-sync |
读取 Gmail 自动识别面试邀请/测评链接/Offer/拒信，批量提议写入 Tracker，每条都附邮件原文，冲突信号不猜测转人工 |
/html-report |
从 job_search_tracker.csv + 归档生成纯离线 HTML 看板：统计卡片、状态/行业/渠道/漏斗图（内嵌 SVG，零外部依赖）、可筛选表格 |
/notion-sync |
通过 Notion MCP（OAuth，不用 API Key）把管道单向同步成只读 Notion 数据库，每一行附带一个只读简介页 |
智能辅助
| 命令 | 作用 |
|---|---|
/rank |
批量对 /scrape 结果做五维 fit 打分，输出排名短名单，Deal-breaker 一票否决、临近截止加 urgency 标记、失效帖标 expired |
/expand |
扫描档案里已列出的 GitHub/作品集/Kaggle/Google Scholar 链接 + 课程大纲，自动补充档案里没写的能力项，每项附来源 |
/upskill |
综合已投递、已排名、目标 JD 的差距，输出技能缺口热力图 + 学习计划（资源 + 时间估算），可对单个 JD 单独分析 |
配置与重置
| 命令 | 作用 |
|---|---|
/add-template |
注册自定义 CV/CL 模板（LaTeX/Typst/任意命令行可编译到 PDF 的工具链），存储为 PLACEHOLDER 模板，可安全 git commit |
/add-portal |
给你所在国家/地区的招聘站自动生成 CLI Skill：探测搜索 URL 模式、结果结构、robots 规则、脚手架 + 实测后才注册 |
/reset |
三种擦除粒度：profile / documents / all，明确列出将要删除的文件，必须输入 RESET 才执行 |
核心引擎 /apply：7 步 drafter-reviewer + 强校验循环
这是整个项目最值得拆开看的部分。/apply 对一份 JD（URL 或原文）执行严格的 7 步流水线，没有任何一步是"交给 LLM 自己发挥"：
MERMAID_BLOCK_1
Step 1-2 解析与评估：拆解 JD 硬要求、技能点、公司背景；再与候选人档案在五个维度（技能匹配、经验匹配、文化匹配、地点匹配、职业方向匹配）打分，Deal-breaker 直接 veto。
Step 3-5 Drafter-Reviewer 分离：
- Drafter 基于候选人档案写定制 CV（LaTeX moderncv banking 样式）和 Cover Letter（自研 cover.cls）。
- Reviewer 是新启动的独立 Claude 上下文，它拿到的是 JD + Drafter 初稿，没有读过候选人档案，任务是：调研公司、以招聘方视角挑刺（关键词遗漏、措辞泛化、格式问题）。
- Drafter 再按评审意见修订。这一步是整个框架最"不像 AI 套壳"的地方——双 Agent 辩论直接干掉了单次生成里大量的"看起来顺但没击中 JD"的废话。
Step 6 PDF 编译 + 视觉校验循环（最有工程味的一步）：
- CV 用 lualatex 编译（pdflatex 在 modern MiKTeX + fontawesome5 组合下会抛字体扩展错误，踩过坑后固定用 lualatex）；Cover Letter 用 xelatex（因为 cover.cls 依赖 fontspec）。
- 编译后 Claude 读实际 PDF 渲染页的视觉内容并循环修正：CV 必须恰好 2 页、不能有条目标题孤儿翻页；Cover Letter 必须恰好 1 页、签名可见、字体一致。修的手段不是瞎改，是精准插 \needspace、\enlargethispage、列表项字体匹配包装器。
- 这一步是每个求职者都踩过的坑：LaTeX .tex 里看排版没问题，编译出来首页最后一行标题翻到下一页、字体悄悄 fallback 成正文字体——绝大多数"AI 写 CV"工具在这里直接交付，而 ai-job-search 会一直循环到干净为止。
Step 7 ATS 文本层校验：
- 用 pdftotext（无则降级 pypdf，再无则降级视觉关键词审查）抽 PDF 真实文本层，按 ATS 解析器的方式审查：
- 联系方式是不是字面文本（不是 icon glyph）
- 阅读顺序是不是人类正常顺序（双栏布局常见问题：左右栏被抽成"左行1 右行1 左行2 右行2"的灾难顺序）
- JD 关键词覆盖度打分
- 关键词覆盖的诚实原则：候选人档案里确实有的，可以补；确实没有的，永远只标 gap，不硬塞。这是作者在 README 里反复强调的红线。
4 个让它真正管用的工程细节
普通项目写到这里通常就结束了。ai-job-search 能帮作者真的拿到 Offer，核心在下面四个反直觉决策。
1. Relevance-Weighted CV 裁剪：不按"时间远近"删，按"相关性+唯一性+被 CL 引用"打分
CV 超 2 页是常态。一般 AI 工具从最老的经历开始机械砍。ai-job-search 的做法是：
每条候选行得分 =
(a) 对目标 JD 的相关性 × 权重
+ (b) 在整份 CV 里的独特性（重复度低加分）
+ (c) Cover Letter 是否依赖这一条（被 CL 引用加分）
然后按得分从低到高开始删，直到页数刚好。一条老经历的 Bullet 如果正好命中 JD 关键词，会压过一条新经历里泛泛的"参与日常开发"——这是真人 HR 改简历时真正会做的取舍。
2. Token-Efficient Reviewer：初稿 inline 传给 Reviewer，校验清单只跑一次
Reviewer Agent 是整个流程最大的 Token 消耗源，作者专门做了两个优化：
- Reviewer 收到的是 inline 的 Drafter 结果文本，不是重新加载两份 PDF/两份 .tex——避免重复上下文加载。
- PDF 校验、ATS 校验这两个"检查型步骤"只在最后跑一次，而不是 Drafter 和 Reviewer 各自跑一遍——用"更多的 PDF 渲染迭代 Token"换"更少的重复型校验 Token"，整体开销更低，且交付到用户手里的 PDF 出错率真实下降。
3. Language Gate：唯一带结构化硬处理的 Deal-breaker
Fit 评估的绝大部分 Deal-breaker 是自由文本（"强陪产假条款""公会薪资级别 X""不带 oncall"），但语言是例外：
/setup专门采集所有工作语言及等级（直接问，或从 CV/LinkedIn 导出推断），写入独立的Languages表格。- 04-job-evaluation.md 里的 Language Gate：
- JD 要求的语言候选人完全没声明 → 硬拒绝（不浪费大家时间）
- 候选人声明了但等级低于 JD 要求（比如你写 B1/B2，JD 要 fluent）→ 标 warning，不自动拒，留给你人判断这个 border case
4. 职位描述是"不可信输入"，不是指令
这是一个容易被忽略但极其重要的安全设计：
- /apply 拿到 JD 后，JD 中的任何"指令"、"链接"、"内嵌 prompt 注入"全部忽略，系统只提取结构化要求，不 follow JD body 里的任何外链或操作。
- Agent 级防御（不是沙箱）：陌生招聘站上，建议你在点 Send 前快速过一眼系统实际抓取到的 JD 文本与实际写入内容。详见 SECURITY.md。
三大扩展点 + 借用其他 Fork 的安全流程
框架显式声明了 3 个扩展点，全部不需要动 upstream 代码：
MERMAID_BLOCK_2
1. Portal Skills：招聘站的模块系统
每个 *-search Skill 是 .agents/skills/ 下的独立自包含文件夹，遵守统一合同：
- search / detail 子命令
- --format json|table|plain
- SKILL.md 里有 enabled: 开关
- 自带本地测试
- /scrape 会自动扫描所有符合合同的 Skill，注册/接线一律不需要写代码
非丹麦用户的两个开箱即用选项：
- linkedin-search：用 LinkedIn 公开 guest endpoint，无运行时依赖，纯 bun 跑，地点显式传 -l "北京"/-l "Remote" 即可。README 明写：仅供个人用，自动化访问违反 LinkedIn ToS，保持低流量。
- freehire-search：调 freehire.me 的公开 REST API（JSON，免 Key），聚焦 software/data/engineering/DevOps/Remote，可用 --region / --country / --remote 切 facet；后端 MIT 可自托管，设置 FREEHIRE_API_URL 指向自己的实例。
2. Document Templates：你自己的 CV/CL 工具链
用 /add-template 注册，支持 LaTeX/Typst/任何能命令行编译到 PDF 的工具链，流程：
1. 指向你的源文件（.tex + .cls/.sty + 字体；或 .typ + 本地包；或等价物）
2. 交互式问答录入：源扩展名、编译命令、字体路径、样式保留规则、硬页数限制
3. 强制测试编译通过后才存入 templates/ 并激活 /apply
4. 模板存为 [PLACEHOLDER] 占位而非真实个人信息 → 可安全 git commit / 分享
配套命令：/add-template --list 列出所有已注册，/add-template --use <name> 切换，--use default 还原 stock moderncv + cover.cls。
3. Evaluation Criteria：你的红线，不用写代码
候选人档案里的 Deal-breaker 和 Preference 完全自由文本："需要父母假政策""薪资 ≥ 公会 X 级""不带 oncall"——每条就是一个 profile line，不需要改代码，直接被 /rank 和 /apply 的 Fit Rubric 用起来，权重和其他标准一致。
从其他 Fork 借 Portal Skill：故意做成手动复制
社区维护了一个 portal index 索引帖（#78）。你看到某个国家的招聘站 Skill 写得好，做法是：
- 读代码，全部读完。确认网络调用只去它声称的招聘站、
package.json没有dependencies和postinstall等生命周期脚本、读写不出自己的文件夹——因为settings.json已经把它们加到白名单，它们会不经询问就执行、并接触你的职业数据。 - 离线跑它的测试（Skill 的
cli/目录下bun test），优秀 Skill 的测试在无网络下也能全过。 - 检查
enabled:开关和 Skill 自己的 ToS 说明。 - 手动复制整个文件夹到你的
.agents/skills/。
"故意做成手动复制"在 README 里写得非常直白：如果框架自带一个"一键安装第三方 Skill"的安装器，就会跳过最关键的那一步检查——你亲自读代码。这不是功能缺失，这是安全决策。
文件结构与工程化
ai-job-search/
├── CLAUDE.md # 候选人总档案 + 工作流规则入口
├── .claude/
│ ├── commands/ # 13 条 /{command} 定义
│ │ ├── setup.md apply.md rank.md scrape.md outcome.md
│ │ ├── interview.md gmail-sync.md html-report.md
│ │ ├── notion-sync.md expand.md upskill.md
│ │ ├── add-template.md add-portal.md reset.md
│ ├── skills/
│ │ ├── job-application-assistant/ # 核心 Skill 7 份资料
│ │ │ ├── 01-candidate-profile.md 学历/经验/技能
│ │ │ ├── 02-behavioral-profile.md PI/DISC/性格自评
│ │ │ ├── 03-writing-style.md 语气 + do/don't
│ │ │ ├── 04-job-evaluation.md Fit 评分框架 + Language Gate
│ │ │ ├── 05-cv-templates.md CV 裁剪 + 定制规则
│ │ │ ├── 06-cover-letter-templates.md CL 模板
│ │ │ └── 07-interview-prep.md STAR 事例库 + Mock 协议
│ │ ├── job-scraper/ upskill/
│ │ └── settings.json # Claude Code 权限白名单
├── .agents/skills/ # 招聘站 CLI Tools
│ ├── jobbank-search jobdanmark-search jobindex-search jobnet-search
│ ├── linkedin-search freehire-search
├── cv/main_example.tex # moderncv 样例
├── cover_letters/ # cover.cls + 字体
├── templates/ documents/ # 自定义模板 / 原始资料
├── tools/ # 10 个 Python 小工具
│ ├── check_framework_version.py # CI：skill 改了 framework_version 必须 +1
│ ├── check_upstream_updates.py # 合入上游前预览哪些个人文件会被碰
│ ├── lint_skills.py # skill / command / settings.json lint
│ ├── security_guards.py # CI 级安全守卫：allowlist + gitignore + manifest
│ ├── upstream_triage.py # 把落后 commit 分成"值得看/可跳过"
│ ├── robots_check.py verify_pdf.py convert_salary_excel.py ...
├── .github/workflows/ci.yml # LaTeX 烟雾编译 + skill lint + TS typecheck
├── salary_lookup.py # 薪资基准（BYO 数据）
├── job_scraper/ gmail_sync/ upskill/ # 状态目录
├── job_search_tracker.csv # 申请追踪总表
└── SETUP.md / CONTRIBUTING.md / CHANGELOG.md / SECURITY.md
几个值得点出的工程化：
- framework_version 检查：check_framework_version.py 在 CI 里跑——任何 skill 文件改动必须同时 bump 框架版本，避免"文件改了但调用方不知道版本差异"的灾难。
- LaTeX CI 烟雾编译：cover_example.tex 自带一个样例，ci.yml 每次 push 都真刀真枪编译一次——上游改了模板不至于到用户投简历时才发现编译不通过。
- Security Guards：settings.json 权限、.gitignore 规则、每个 skill 的 manifest 一致性都在 CI 里有守卫。
- 私有 Fork 友好：README 明确提醒——因为个人信息会被写进 tracked files，个人用途不要用公 Fork（GitHub 不允许把公库 Fork 变私有），要建一个以本仓库为 upstream 的私有仓库，SETUP.md §8 有两分钟配置食谱，所有上游更新流程完全一致。
- 上游更新不盲追：永远追打 tag 的 release（vetted checkpoint，CHANGELOG 里写过），不要直接追 master。check_upstream_updates.py 先预览哪些个人文件会被碰到，upstream_triage.py 把你落后的 commit 分类，适合每周跑一次贴到滚动 issue 里。
快速上手：8 步跑通你的第一次投递
# 1.（推荐）建私有仓库 + 设为 upstream；或直接 gh fork（仅贡献用途）
gh repo fork MadsLorentzen/ai-job-search --clone
cd ai-job-search
# 2. 安装 6 个招聘站 CLI（linkedin/freehire 无运行时依赖，仅装 TS dev 类型）
for tool in jobbank-search jobdanmark-search jobindex-search jobnet-search linkedin-search freehire-search; do
(cd .agents/skills/$tool/cli && bun install)
done
# 3. 前置环境就绪：Claude Code CLI、Python 3.10+、Bun、LaTeX（含 lualatex/xelatex）
# 可选：pip install pypdf 或系统装 poppler-utils（更稳的 ATS 文本层抽取）
# 4. 启动 Claude Code，跑档案初始化（三条路径里最推荐 documents/ 模式）
claude
/setup
# 5. 跑职位抓取，从列表里挑感兴趣的直接 /apply
/scrape
# 6. 或先批量排名再挑编号投递（大量结果时推荐）
/rank
/apply 3 # 例如第 3 条
# 7. 面试后记录结果；想复盘整体漏斗则生成离线看板
/outcome
/html-report
# 8. 定期拉取上游发布的安全修复/新特性
python3 tools/check_upstream_updates.py
python3 tools/upstream_triage.py
作者: itech001
来源: 公众号：AI人工智能时代(the-ai-era)
网站: https://www.theaiera.top/
关注每日最新AI新闻和技术博客，主页有更多的文章的AI 技术参考：https://www.theaiera.top
本文首发于 AI人工智能时代，转载请注明出处。
浙公网安备 33010602011771号