用 Claude Code 打造 AI 求职助手：从自我画像到简历、求职信全自动生成

今天在 GitHub Trending 上看到一个有意思的项目：MadsLorentzen/ai-job-search，它把 Claude Code 变成了一个全流程求职助手——不仅能帮你写简历和求职信，还会替你搜索岗位、评估匹配度，并确保产出的 PDF 在排版和 ATS 解析两个维度都站得住脚。

一、项目概述

AI Job Search 是一个建立在 Claude Code 之上的求职工作流框架。它的核心思路不是调用某个封闭的 SaaS，而是把一整套「职业咨询最佳实践」编码进 Claude Code 的 commands 和 skills 中，让你 fork 一份、填好个人画像后，就能让 AI 完成从岗位评估、CV 裁剪到面试准备的全部工作。

整个框架的工作流可以用一张图概括：

/setup          /scrape              /apply <url>
  |                |                     |
  v                v                     v
Fill in        Search job           Evaluate fit
your profile   portals              Score & recommend
  |                |                     |
  v                v                     v
Profile        Present matches      Draft CV + Cover Letter
files ready    with fit ratings     (LaTeX, tailored)
                   |                     |
                   v                     v
               Pick a match         Reviewer agent critiques
               -> /apply            -> Revise -> Final output

核心特性：

语言/国家无关的核心工作流：自画像、匹配评估、drafter-reviewer 投递流水线是与地区解耦的，任何人都能用。
市场可插拔的招聘爬虫：内置丹麦市场（Jobindex、Jobnet、Akademikernes Jobbank 等）的 CLI 工具，并提供 /add-portal 一键为你的本地招聘网站生成抓取 skill。
零依赖的 LinkedIn 搜索：linkedin-search 基于公开未鉴权的 jobs-guest 接口，只需 bun 即可运行，支持任意地点。
PDF 与 ATS 双重校验：每份产出都会真正编译成 PDF 并视觉检查，再用 pdftotext 抽取文本层核对 ATS 可读性。
诚实原则：绝不编造技能或经历，关键词覆盖率不足时如实标记为 gap，而非硬塞。

二、技术原理

架构设计

项目把「求职能力」拆成了三层结构：

.claude/commands/ —— 暴露给用户的命令入口：setup（画像构建）、scrape（岗位搜索）、apply（投递流水线）、expand（能力补全）、upskill（技能差距分析）、add-template、add-portal、reset。
.claude/skills/job-application-assistant/ —— 真正的「大脑」，包含 7 个结构化 markdown 文件：01-candidate-profile（教育/经历/技能）、02-behavioral-profile（性格评估）、03-writing-style（文风）、04-job-evaluation（匹配评分框架）、05-cv-templates、06-cover-letter-templates、07-interview-prep（STAR 案例）。
.agents/skills/ —— 市场特定的招聘门户 CLI 抓取工具（丹麦四家 + LinkedIn）。

核心技术栈

Claude Code（CLI） 作为编排与生成引擎；
Python 3.10+ 编写薪酬基准工具；
Bun 运行各招聘门户的 TS 抓取 CLI；
LaTeX（moderncv + 自定义 cover.cls）负责 CV 与求职信的最终渲染，CV 用 lualatex 编译，求职信用 xelatex 编译；
poppler 的 pdftotext 做 ATS 文本层校验（缺失时优雅降级为视觉关键词检查）。

关键设计：drafter-reviewer 双人工作流

/apply 是框架的技术精华，运行流程如下：

解析岗位（URL 或粘贴的 JD 文本）；
匹配评估：用 04-job-evaluation 的评分框架对照你的画像（技能、经历、文化、地点、职业契合度）；
起草 LaTeX 简历与求职信；
派出 reviewer agent：用一个全新上下文的 Claude 去调研公司、 critique 草稿；
修订：drafter 根据反馈改写；
编译并视觉校验：lualatex 编 CV、xelatex 编求职信，Claude 读渲染页迭代，直到 CV 恰好 2 页、求职信恰好 1 页；
ATS 校验：抽取 PDF 文本层，核对联系方式、阅读顺序、关键词覆盖；
交付带校验清单的最终产物。

其核心动机在于：多数 LaTeX 简历模板在 .tex 里「看着没问题」，进 PDF 就翻车——职位孤行到下一页、求职信溢出到第 2 页、列表字体静默回退到正文字体。/apply 通过 \needspace、\enlargethispage、列表项字体包装等手段自动修复，且每次投递都跑。

薪酬基准工具的设计细节

salary_lookup.py 展示了框架对「鲁棒模糊匹配」的讲究。它支持丹麦/北欧字符的英文化变体（ø→o、æ→ae、å→aa），并剥离 A/S、ApS、Group、Holding 等法定后缀与噪音，再综合归一化、子串包含、词集合重叠计算 0–100 的匹配分：

def match_score(query, entry_name):
    q_norm = normalize(query)
    n_norm = normalize(entry_name)
    if not q_norm or not n_norm:
        return 0
    if q_norm == n_norm:
        return 100
    if q_norm in n_norm:
        ratio = len(q_norm) / len(n_norm)
        return 80 + int(ratio * 10)
    # 词集合重叠兜底，覆盖 +40 区间打分
    ...

三、安装与快速开始

环境要求

Claude Code（CLI）
Python 3.10+
Bun（丹麦招聘 CLI 工具）
含 lualatex 与 xelatex 的 LaTeX 发行版（TeX Live 或 MiKTeX）
可选：pdftotext（poppler）——用于 /apply 的 ATS 解析校验

1. Fork 并克隆

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

2. 安装招聘搜索工具

cd .agents/skills/jobbank-search/cli && bun install && cd ../../../..
cd .agents/skills/jobdanmark-search/cli && bun install && cd ../../../..
cd .agents/skills/jobindex-search/cli && bun install && cd ../../../..
cd .agents/skills/jobnet-search/cli && bun install && cd ../../../..
cd .agents/skills/linkedin-search/cli && bun install && cd ../../../..

linkedin-search 的 bun install 仅拉 TS 开发类型，运行本身零依赖。

3. 构建个人画像

claude
# 在 Claude Code 内部执行：
/setup

/setup 提供三条路径：读取你的 documents/ 文件夹（CV PDF、LinkedIn 导出、文凭、推荐信、过往投递）、粘贴单份 CV、或走一遍访谈式录入。文档夹模式是幂等且可重复运行的。

四、使用方法与实战

搜索岗位

/scrape

这会按你的画像搜索多个招聘门户、去重、并按匹配度排序展示结果；挑一个匹配项即可直接对其运行 /apply。

投递岗位

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

当 URL 无法抓取时，可直接粘贴 JD 文本：

/apply <在这里粘贴完整的岗位描述>

进阶命令

/expand：扫描你画像中已链接的公开来源（GitHub、作品集、Kaggle、Google Scholar）并补全能力清单；
/upskill：分析画像与跟踪岗位间的技能差距，产出带学习资源和时长的热力图；
/add-template：注册你自己的 LaTeX CV/求职信模板，自动跑测试编译并接入 /apply；
/add-portal：为你的本地招聘网站生成抓取 skill，上线前会真实跑一次查询验证。

自定义画像

偏好手动编辑时，直接改 CLAUDE.md（完整画像）、01-candidate-profile.md（结构化 CV 数据）、04-job-evaluation.md（技能匹配区）等文件即可。随着优先级变化，还能用 /setup --section search 只重新配置搜索策略。

五、常见问题与解决方案

Q：LaTeX 编译失败，报 fontawesome5 字体展开错误？ A：CV 必须用 lualatex 编译（现代 MiKTeX 配 pdflatex 常因 fontawesome5 出错）；求职信用 xelatex，因为 cover.cls 依赖 fontspec。

Q：某些招聘门户抓不到岗位？ A：部分门户会屏蔽自动化访问，/apply 支持直接粘贴 JD 文本绕过；对于鉴权墙门户，/add-portal 会明确拒绝并给出「仅个人使用」警告。

Q：没有薪酬数据，salary 步骤会报错吗？ A：不会。salary_lookup.py 找不到 salary_data.json 时只会提示需要先建数据文件，/apply 会直接跳过薪酬基准步骤。

Q：生成的 PDF 排版不对（孤行、溢出）？ A：这正是 /apply 的 PDF 校验循环要解决的——它会自动应用 \needspace/\enlargethispage 等修复并迭代，无需手动干预。

Q：ATS 检查依赖 pdftotext，没装会怎样？ A：会优雅降级为视觉关键词检查，不会中断流程；装了 poppler 则会抽取文本层做更严格的解析校验。

六、总结

AI Job Search 值得关注的地方，在于它把「AI 帮写简历」这件容易翻车的事，做成了有验证闭环的工程：drafter-reviewer 双人分工避免单一视角的套话，PDF 视觉校验杜绝排版翻车，ATS 文本层校验保证机器可读，再加上「不编造、不堆砌」的诚实原则。对正在找工作、又想用 Claude Code 把自己的职业资产系统化的开发者来说，这是一份可以直接 fork 上手的高质量脚手架。

一、项目概述#

二、技术原理#

架构设计#

核心技术栈#

关键设计：drafter-reviewer 双人工作流#

相关性加权的 CV 删减#

薪酬基准工具的设计细节#

三、安装与快速开始#

环境要求#

1. Fork 并克隆#

2. 安装招聘搜索工具#

3. 构建个人画像#

四、使用方法与实战#

搜索岗位#

投递岗位#

进阶命令#

自定义画像#

五、常见问题与解决方案#

六、总结#