在你的机器上进行 AI 求职：Claude Code 框架
一个本地 Claude Code 工作流，用于评估职位、定制求职材料、验证适用于 ATS 系统的 PDF，并帮助候选人为面试做好准备。
在你的机器上进行 AI 求职：Claude Code 框架
求职通常被视为一个写作问题：找到招聘信息，修改简历，撰写求职信，然后重复这一过程。但实际上，困难在于管理完整的求职流程，同时不丢失上下文，也不会意外发送千篇一律或不准确的材料。
ai-job-search 将这一过程视为一个工程工作流。它把 Claude Code 变成本地求职助手，可以建立结构化的候选人档案，搜索招聘门户，评估匹配度，生成定制化文档，检查 PDF 输出，并准备面试材料。由于工作流运行在你自己的代码仓库中，你的职业数据始终由你控制，也可以根据所在市场进行调整。
这个项目也非常容易评估：项目作者表示，他在 2025 年底失去职位后开始使用这套工作流。该流程生成了 69 份定制化申请，带来了 20 次初轮面试，并最终签署了一份合同。作者于 2026 年 6 月开始担任 AI 工程师。这些数字并不能保证每位候选人都能获得相同结果，但它们提供了一个具体示例，说明该系统被作为实际的求职工具使用，而不只是一个演示。
核心工作流
主要工作流刻意保持简短：
/setup -> /scrape -> /apply <url>
| | |
profile search evaluate fit
files portals draft documents
review and revise
/setup 创建基础信息。它可以读取包含简历、LinkedIn 导出文件、文凭、推荐信和过往申请材料的完整 documents/ 目录。它也可以导入直接粘贴到聊天中的单份简历，或通过面谈收集信息。文档目录路径支持幂等操作，因此随着更多源材料可用，可以再次运行该命令。
/scrape 搜索已配置的招聘门户，删除重复职位，并按匹配度排序后展示结果。如果结果集过大，无法手动检查，/rank 会对职位进行批量评分，并返回一份排名后的候选列表。评估会考虑技能、经验、文化、地点和职业发展匹配度，而不仅仅是匹配关键词。
最后，/apply 接受职位 URL 或粘贴的职位描述，并运行完整的申请流程。这种分离很重要：职位发现、优先级排序和文档生成是不同的决策，将它们合并到一个无结构的提示中，会让人更难检查系统的推理过程。
/apply 的不同之处
申请命令采用起草者与审阅者模式：
- 解析招聘信息。
- 根据已配置的标准评估候选人的匹配度。
- 起草定制化简历和求职信。
- 启动第二个拥有全新上下文的 Claude 代理，研究公司并批评这些草稿。
- 根据审阅结果修改文档。
- 编译并检查最终 PDF。
- 运行面向 ATS 的文本层检查，并展示验证清单。
第二个代理的设计很重要。单次处理可能生成流畅但泛泛的文字，同时遗漏某项要求，对可迁移技能的描述不够有力，或让公司研究显得流于表面。审阅者会直接接收内嵌的草稿，而不必重新读取它们，从而保持较高的令牌使用效率。验证只在最后运行一次，不过较新的 PDF 检查阶段会将部分节省下来的预算用于渲染和布局迭代。
该工作流还执行一条事实性规则：简历和求职信中的陈述必须得到候选人档案的支持。缺失的技能仍然是差距。系统不会仅仅为了改善表面上的匹配度而添加没有依据的关键词。
PDF 布局也是正确性的一部分
该仓库将生成的文档视为需要测试的构建产物。简历使用 lualatex 编译，而求职信使用 xelatex，因为自定义的 cover.cls 依赖 fontspec。工作流会持续迭代，直到简历恰好为两页，求职信恰好为一页，并且包含可见的签名和一致的字体。
这样可以捕获源文件中看不出的失败：职位条目标题孤零零地停留在页面底部，求职信溢出到第二页，或列表项图标静默回退到正文所用字体。项目使用 \\needspace 和 \\enlargethispage 等有针对性的 LaTeX 修复，同时为列表项使用匹配字体的包装器。
当简历超过两页时，系统不会机械地从最早的职位开始删除内容。候选人经历中的每一行会根据其与目标职位的相关性、在文档中的独特性，以及求职信是否依赖该内容进行评分。因此，较早职位中的相关要点可能会保留下来，而最近职位中无关的要点反而可能被删除。
ATS 检查查看 PDF 中嵌入的文本，而不是其视觉外观。借助 pypdf 或 pdftotext，它会验证联系方式是否为字面文本、字形是否乱码、阅读顺序是否合理，以及招聘信息中已得到支持的关键词是否出现在提取出的文档中。如果两种文本提取工具都不可用，流程会退回到人工视觉关键词检查。
安装与设置
该框架需要：
- Claude Code CLI，不过也可以通过
AGENTS.md将门户技能用于其他代理工具。 - Python 3.10 或更高版本。
- 用于招聘搜索 CLI 工具的 Bun。
- 包含
lualatex和xelatex的 LaTeX 发行版，例如 TeX Live、MacTeX、TinyTeX 或 MiKTeX。
对于可选的 ATS 解析器，请安装 pypdf：
pip install pypdf
Poppler 的 pdftotext 仍然是备用方案。在 macOS 上可以使用 brew install poppler 安装；在 Debian 或 Ubuntu 上使用 apt install poppler-utils；在 Windows 上使用 choco install poppler。精简版 TeX 发行版可能还需要安装 SETUP.md 中列出的其他软件包。
克隆仓库后，安装招聘门户工具：
gh repo fork MadsLorentzen/ai-job-search --clone
cd ai-job-search
for tool in jobbank-search jobdanmark-search jobindex-search jobnet-search linkedin-search freehire-search; do
(cd .agents/skills/$tool/cli && bun install)
done
linkedin-search 和 freehire-search 工具没有运行时依赖，因此它们的安装步骤是可选的，只会获取 TypeScript 开发类型。
设置说明中有一个重要的隐私细节：公开的 GitHub fork 无法改为私有，而 /setup 会将联系方式、工作经历和薪资预期等个人信息写入受版本控制的文件。对于个人求职，推荐使用私有仓库，并将该项目配置为上游远程仓库。只有在需要贡献修改时，才应公开 fork。
扩展到丹麦以外
随项目提供的 Jobindex、Jobnet、Jobdanmark 和 Akademikernes Jobbank 集成面向丹麦市场。不过，该架构本身具备可移植性。每个招聘门户技能都是 .agents/skills/ 下的独立文件夹，包含通用的搜索和详情 CLI、--format json|table|plain 输出、测试，以及技能定义中的 enabled: 标志。
/add-portal 可以调查本地招聘网站的 URL 模式、结果结构、robots 规则和访问限制，然后搭建并测试新的集成。需要身份验证的门户会被拒绝，限制性条款则会触发个人使用警告。LinkedIn 通过公开的 jobs-guest 端点提供了一个与国家无关的起点，并支持明确的地点标志，例如 -l "Berlin, Germany" 或 -l "Remote"。仓库还包含 freehire-search，它使用 freehire.me 的公开 REST API，并支持地区、国家和远程办公筛选条件。
从其他 fork 复制的门户技能应在使用前阅读并测试。项目特别建议检查网络目标、依赖项、生命周期脚本、文件系统访问、测试、服务条款说明以及 enabled: 设置。由于已安装的工具可能会在预先批准的 Claude Code 权限下运行，这种人工检查是一项有意设置的安全控制措施。
跟踪、面试与职业规划
生成申请材料之后，该框架仍会继续工作。/outcome 会将确切的招聘信息、已提交的简历和求职信归档到 documents/applications/<company>_<role>/ 下，同时在跟踪器中记录面试、录用、拒绝或无回应。/outcome followup 会查找默认 10 天内没有进展的申请，并起草适合相应沟通渠道的跟进消息。它不会发送消息，并将每份申请的跟进次数限制为两次。
/interview 会根据面试官实际看到的文档、上一轮反馈、公司研究和面试官研究来生成准备材料。可能出现的问题会映射到真实的 STAR 示例；对于缺失的经历，则使用诚实的衔接式回答，而不是编造故事。
在报告方面，/html-report 会生成一个自包含的离线仪表盘，其中包含状态、行业、渠道和漏斗图表，以及可筛选的申请表格。/notion-sync 使用官方 MCP 服务器在 Notion 中提供单向只读视图，同时将仓库文件保留为事实来源。/gmail-sync 可以根据 Gmail 提议状态变更，但需要获得批准，并为每项变更引用来源邮件。
项目还支持使用 /expand 从关联的公开来源丰富档案，使用 /upskill 生成按优先级排列的技能差距热图和学习计划，以及一个接受用户从工会统计数据、Glassdoor 导出文件或个人研究中提供的数据的薪资基准脚本。
质量提升的关键在于档案深度
档案中没有的信息，系统无法据此定制材料。“Python”是较弱的输入；“使用 Python 和 scikit-learn 为客户流失预测构建机器学习管道”则为工作流提供了可以复用的具体成果、工具链和上下文。
详细的职位描述、可量化的成果、项目细节、偏好、不可妥协项，以及对哪些事情让你充满动力或感到疲惫的反思，都会影响推荐结果。该框架支持明确的目标定位，也可以通过分析职位名称背后的实际工作来发现相邻的职业路径。语言要求会得到专门处理：未声明的语言能力可能触发直接拒绝，而招聘信息要求的水平高于已声明水平时，则会标记出来供人工判断。
结构化评估、文档生成、PDF 验证、申请跟踪和面试准备的结合，使 ai-job-search 不再只是一个简历提示词。它是一个本地、可检查的求职操作系统，并为招聘门户、文档模板和评估标准提供了清晰的扩展点。该项目采用 MIT 许可证，可在 github.com/MadsLorentzen/ai-job-search 获取。