Career-Ops：AI 驱动的职业搜索系统，帮你筛选匹配度最高的职位

今天在 GitHub Trending 上看到一个有意思的项目：Career-Ops，这是一个把 AI Coding CLI（Claude Code、OpenCode、Gemini CLI 等）变成完整求职指挥中心的工具。作者用这个系统评估了 740+ 个职位，生成了 100+ 份定制化简历，最终成功拿到了 Head of Applied AI 的 offer。

一、项目概述

Career-Ops 不是一个"海投"工具，而是一个过滤器。它的核心理念是：

公司用 AI 筛选候选人，那我就用 AI 来反向筛选公司。

这个项目解决了求职者面临的核心痛点：

职位太多，无从筛选：每天数百个职位发布，哪些值得申请？
简历定制太耗时：每个职位都要调整简历，效率极低
申请进度难追踪：用 Excel 表格管理，容易混乱
评估标准不清晰：凭感觉判断匹配度，容易错过好机会或浪费时间

核心特性

特性	说明
自动评估	用 A-F 评分系统（10 个加权维度）评估职位匹配度
智能简历生成	根据 JD 自动生成 ATS 优化的 PDF 简历
门户扫描	自动扫描 Greenhouse、Ashby、Lever 等招聘平台
批量处理	用子代理并行评估 10+ 个职位
进度追踪	单一数据源，自动去重和健康检查
人机协同	AI 评估和建议，你来决定是否申请

重要提示：系统强烈建议不要申请评分低于 4.0/5 的职位。你的时间很宝贵，招聘人员的时间也很宝贵。

二、技术原理

架构设计

你粘贴职位 URL 或描述
        │
        ▼
┌──────────────────┐
│  原型检测       │  分类：LLMOps / Agentic / PM / SA / FDE
│  (Archetype)   │
└────────┬─────────┘
         │
┌────────▼─────────┐
│  A-F 评估       │  匹配度、差距、薪酬调研、STAR 故事
│  (读取 cv.md)   │
└────────┬─────────┘
         │
    ┌────┼────┐
    ▼    ▼    ▼
 Report  PDF  Tracker
  .md   .pdf   .tsv

评估维度（6 大模块）

Role Summary：职位概要、原型分类、远程政策、公司规模
CV Match：匹配度评分（CV Match、North Star、Comp、Cultural、Red Flags）
Level & Strategy：级别判断、定位策略、薪资谈判空间
Comp Research：薪酬调研（内置_levels.fyi_ 数据）
Personalization & Outreach：定制化申请材料和 LinkedIn 挖掘
Interview Preparation：面试准备（公司研究、STAR+Reflection 故事库）

技术栈

Agent：Claude Code（也支持 Gemini CLI、Codex、GitHub Copilot）
PDF 生成：Playwright/Puppeteer + HTML 模板（Space Grotesk + DM Sans 字体）
扫描器：Playwright + Greenhouse API + WebSearch
Dashboard：Go + Bubble Tea + Lipgloss（Catppuccin Mocha 主题）
数据存储：Markdown 表格 + YAML 配置 + TSV 批处理文件

关键技术亮点

1. Machine Summary（机器可读摘要）

每个评估报告末尾都有一个 YAML 格式的 Machine Summary，方便其他脚本解析：

company: "Anthropic"
role: "Senior AI Engineer"
score: 4.4
legitimacy_tier: "High Confidence"
archetype: "AI Platform / LLMOps Engineer"
final_decision: "Apply"
hard_stops: []
soft_gaps:
  - "No direct healthcare domain experience"
top_strengths:
  - "Production evaluation pipelines"
risk_level: "Medium"
confidence: "High"
next_action: "Follow up with tailored CV"

2. 拒绝模式分析（Rejection Pattern Detector）

内置 analyze-patterns.mjs 脚本，可以分析你的申请历史，找出：

地理限制 blocker（如 “US-only”）
技术栈不匹配（如要求 TypeScript 但你主要用 Python）
级别不匹配（如要求是 Staff 级别但你资历不够）

然后根据这些数据给出建议：

调整 portals.yml 中的过滤条件
设置最低评分阈值（如只申请 3.5 分以上的职位）
重点关注转化率最高的原型（Archetype）

3. 生命周期检查（Liveness Check）

内置 Playwright 脚本来检查职位是否仍然有效：

检测 “Job is no longer available” 等硬编码模式
检查页面是否有"Apply"按钮
自动过滤过期职位，避免浪费时间

三、安装与快速开始

环境要求

Node.js ≥ 18
Playwright（用于 PDF 生成）
Git

安装步骤

# 1. 克隆仓库
git clone https://github.com/santifer/career-ops.git
cd career-ops && npm install

# 2. 安装 Playwright Chromium（PDF 生成必需）
npx playwright install chromium

# 3. 检查环境
npm run doctor

# 4. 配置
cp config/profile.example.yml config/profile.yml  # 编辑你的个人信息
cp templates/portals.example.yml portals.yml       # 自定义目标公司

# 5. 添加你的简历
# 在项目根目录创建 cv.md，写入你的简历（Markdown 格式）

# 6. 用 Claude 定制系统
claude   # 在这个目录下打开 Claude Code

# 然后让 Claude 帮你定制系统：
# "把原型改成后端工程角色"
# "把这些公司添加到 portals.yml"
# "用我粘贴的简历更新我的 profile"

最简运行示例

# 方式 1：粘贴职位 URL（全自动）
/career-ops "https://jobs.ashbyhq.com/anthropic/senior-ai-engineer"

# 方式 2：粘贴职位描述
/career-ops "We are looking for a Senior AI Engineer..."

# 方式 3：扫描门户
/career-ops scan

# 方式 4：生成 PDF 简历
/career-ops pdf

# 方式 5：批量评估
/career-ops batch

四、使用方法与实战

基础用法

1. 评估单个职位

# 在 Claude Code 中运行
/career-ops "https://jobs.ashbyhq.com/openai/staff-ai-engineer"

Claude 会自动：

用 Playwright 抓取职位描述
读取你的 cv.md
生成 6 大模块的评估报告（reports/001-openai-2026-06-09.md）
给出 A-F 评分和最终建议（Apply / Skip）
如果评分 ≥ 4.0，自动生成定制化 PDF 简历

2. 查看申请进度

# 在 Claude Code 中运行
/career-ops tracker

会显示一个 Markdown 表格：

| # | Fecha | Empresa | Rol | Score | Status | PDF | Report | Notas |
|---|--------|---------|-----|-------|--------|-----|--------|-------|
| 1 | 2026-06-01 | Anthropic | Senior AI Engineer | 4.4 | Evaluada | ❌ | [1](reports/001-anthropic-2026-06-01.md) | |
| 2 | 2026-06-03 | OpenAI | Staff AI Engineer | 3.8 | Aplicada | ✅ | [2](reports/002-openai-2026-06-03.md) | |

3. 扫描目标公司

# 在 Claude Code 中运行
/career-ops scan

系统会扫描 portals.yml 中配置的 45+ 家公司（Anthropic、OpenAI、Retool 等），自动发现新职位并添加到 pipeline.md。

进阶用法

1. 批量评估

# 在 Claude Code 中运行
/career-ops batch

系统会：

读取 pipeline.md 中的所有待评估职位
用 claude -p 启动多个子代理并行评估
每个子代理生成一个 TSV 文件（batch/tracker-additions/*.tsv）
运行 npm run merge 合并到 applications.md

2. 生成 ATS 优化的 PDF 简历

# 在 Claude Code 中运行
/career-ops pdf

系统会：

读取评估报告中的关键词
将这些关键词注入到 HTML 简历模板中
用 Playwright 生成 PDF（使用 Space Grotesk + DM Sans 字体）
保存到 output/ 目录

ATS 兼容性处理：

自动将 em-dash（—）转换为 ASCII 连字符（-）
将智能引号（" “）转换为普通引号（” “）
将零宽字符移除
确保 PDF 文本可以被 ATS 系统正确提取

3. 面试准备

评估报告中的 Block F（Interview Preparation） 会自动生成：

公司研究：产品、竞争对手、最近新闻
STAR+Reflection 故事库：从你的经历中积累 5-10 个通用故事
谈判脚本：薪资谈判框架、地区折扣反驳、竞争 offer 杠杆

实际项目示例

假设你正在申请 Anthropic 的 Senior AI Engineer 职位：

粘贴职位 URL：

/career-ops "https://jobs.ashbyhq.com/anthropic/senior-ai-engineer"

Claude 生成评估报告（reports/001-anthropic-2026-06-09.md）：

## A. Role Summary
| Field | Value |
|-------|-------|
| Archetype | AI Platform / LLMOps Engineer |
| Seniority | Senior |
| Remote | Global remote |
| Team size | 50-100 |
| Comp | $180-250k + equity |
| Domain | AI Safety |

## B. CV Match
| Dimension | Score |
|-----------|-------|
| CV Match | 4.5/5 |
| North Star | 4.2/5 |
| Comp | 4.0/5 |
| Cultural | 4.8/5 |
| Red Flags | 0 |

**Global Score: 4.4/5**

## C. Level & Strategy
- Your profile: Principal Engineer (IC4-IC5)
- Role level: Senior (IC3-IC4)
- Strategy: Emphasize technical leadership and production experience

## F. Interview Preparation
- Company research: Anthropic is focused on AI safety...
- STAR story #1: "Tell me about a time you shipped a complex system..."
- Negotiation script: "Based on levels.fyi, Senior AI Engineer at Anthropic..."

生成定制化 PDF 简历：
Claude 会自动调整你的简历，突出与 Anthropic 职位相关的经验（如 LLM 训练、AI 安全、生产部署等）。

更新 Tracker：

| 1 | 2026-06-09 | Anthropic | Senior AI Engineer | 4.4 | Evaluada | ❌ | [1](reports/001-anthropic-2026-06-09.md) | |

五、常见问题与解决方案

安装失败

问题：npm install 失败，提示 playwright 安装错误。

解决方案：

# 清理缓存并重试
rm -rf node_modules package-lock.json
npm cache clean --force
npm install

# 如果 Playwright 安装失败，手动安装 Chromium
npx playwright install chromium --with-deps

运行时错误

问题：运行 /career-ops 时，Claude 报错 cv.md not found。

解决方案：

确保在 career-ops/ 项目根目录下创建 cv.md 文件，并写入你的简历（Markdown 格式）。可以参考 examples/ 目录下的示例。

PDF 生成失败

问题：运行 /career-ops pdf 时，Playwright 报错 Chromium executable not found。

解决方案：

# 重新安装 Playwright Chromium
npx playwright install chromium

# 验证安装
node -e "const { chromium } = require('playwright'); console.log(chromium.executablePath());"

性能问题

问题：批量评估时，运行时间太长（> 30 分钟）。

解决方案：

减少并行数：编辑 batch/batch-runner.sh，将并发数从 10 降低到 5
只评估高分职位：在 cv.md 中明确你的偏好，让 Claude 在评估时更激进地过滤低分职位
使用 Gemini CLI：如果你有 Gemini API Key，可以用 Gemini 替代 Claude 进行批量评估（免费额度更高）

兼容性问题

问题：生成的 PDF 在某些 ATS 系统中显示乱码。

解决方案：

系统已经内置了 ATS 兼容性处理（generate-pdf.mjs 中的 normalizeTextForATS() 函数），会自动：

将 em-dash（—）转换为 ASCII 连字符（-）
将智能引号（” “）转换为普通引号（” “）
移除零宽字符

如果还有问题，可以手动检查生成的 HTML 文件（templates/cv-template.html），确保没有特殊 Unicode 字符。

六、总结

Career-Ops 是一个强大且实用的开源工具，特别适合以下人群：

技术求职者：尤其是工程师、产品经理、解决方案架构师等
批量申请者：需要同时申请多个职位，时间紧张
数据驱动决策者：希望通过结构化评估来提高申请成功率

优点

✅ 开源免费：MIT 协议，可以随意修改和分发
✅ 多 AI 支持：Claude、Gemini、Codex、GitHub Copilot 都能用
✅ 高度可定制：所有提示词、评分权重、原型定义都可以改
✅ 实战验证：作者用这个系统成功拿到了 Head of Applied AI 的 offer

缺点

❌ 学习曲线陡峭：需要熟悉 Claude Code、Playwright、Markdown 等工具
❌ 初始配置耗时：第一次使用需要填写 cv.md、profile.yml、portals.yml
❌ 依赖 AI 质量：评估结果的好坏取决于你的 cv.md 写得够不够详细

最佳实践

不要急于申请：前几次评估可能不准确，因为系统还不了解你。花时间完善 cv.md 和 article-digest.md
设置评分阈值：根据 analyze-patterns.mjs 的输出，设置合理的最低评分阈值（如 3.5/5）
定期同步：运行 npm run sync-check 确保 cv.md、profile.yml、_shared.md 之间的一致性
加入社区：Discord 社区有很多实用技巧和案例分享

资源链接

GitHub 仓库：https://github.com/santifer/career-ops
作者网站：https://santifer.io
案例研究：https://santifer.io/career-ops-system
Discord 社区：https://discord.gg/8pRpHETxa4

个人评价：这是一个非常实用的工具，尤其是对于那些需要批量申请职位的人。它不会帮你"海投”，而是帮你精准筛选最值得申请的职位，并为每个职位生成定制化简历。如果你正在找工作，或者准备跳槽，强烈建议试一试。

一、项目概述#

核心特性#

二、技术原理#

架构设计#

评估维度（6 大模块）#

技术栈#

关键技术亮点#

1. Machine Summary（机器可读摘要）#

2. 拒绝模式分析（Rejection Pattern Detector）#

3. 生命周期检查（Liveness Check）#

三、安装与快速开始#

环境要求#

安装步骤#

最简运行示例#

四、使用方法与实战#

基础用法#

1. 评估单个职位#

2. 查看申请进度#

3. 扫描目标公司#

进阶用法#

1. 批量评估#

2. 生成 ATS 优化的 PDF 简历#

3. 面试准备#

实际项目示例#

五、常见问题与解决方案#

安装失败#

运行时错误#

PDF 生成失败#

性能问题#

兼容性问题#

六、总结#

优点#

缺点#

最佳实践#

资源链接#

一、项目概述

核心特性

二、技术原理

架构设计

评估维度（6 大模块）

技术栈

关键技术亮点

1. Machine Summary（机器可读摘要）

2. 拒绝模式分析（Rejection Pattern Detector）

3. 生命周期检查（Liveness Check）

三、安装与快速开始

环境要求

安装步骤

最简运行示例

四、使用方法与实战

基础用法

1. 评估单个职位

2. 查看申请进度

3. 扫描目标公司

进阶用法

1. 批量评估

2. 生成 ATS 优化的 PDF 简历

3. 面试准备

实际项目示例

五、常见问题与解决方案

安装失败

运行时错误

PDF 生成失败

性能问题

兼容性问题

六、总结

优点

缺点

最佳实践

资源链接