职位搜索最初是信息检索问题后来变成了信息过载问题。JobRadar 是一个开源open-source求职搜索 agent核心思路是定时抓取职位列表调用本地 LLM 对每个职位按照你的偏好打分然后只展示值得关注的高分职位。这里的“本地 LLM”指模型运行在个人电脑或内部服务器上职位描述和评分数据不需要发送到外部 API隐私可控、成本相对稳定。要真正把这条链路落到自己的流程里需要依次解决核心概念、环境准备、数据模型、评分 Pipeline、Prompt 设计、运行验证、排错和生产化的问题。下面这套参考实现会按照“拉取职位、解析字段、本地模型评分、结果落库、按阈值筛选”的主线把整条链路走通。如果你正在找工作又不想把简历和搜索偏好暴露给第三方服务如果你是开发者想了解 agent 调用本地模型完成结构化评分任务或者你想基于本地 LLM 搭建一个自动化筛选工具这个技术路线都很适合。完成之后你会得到一个可运行的职位抓取、本地评分、结果落库的最小版本并能把同样的思路复用到订阅、告警、推荐等场景。1. 为什么“职位搜索 本地 LLM 打分”是一条合理的技术路线1.1 从抓取职位到判断职位真实招聘信息分散在公司招聘页、职位聚合站、RSS、猎头邮件和内部推荐系统里。传统爬虫只能把文本抓回来但抓回来不等于可以用。一个岗位是否适合你要综合判断技术栈、地点、工作模式、薪资范围、公司阶段甚至团队描述。这个判断如果只靠规则引擎写起来会很累关键词要维护、同义词要扩充、地区和远程的定义模糊不清。Agent 在这里指一个循环执行的多步任务从多个来源拿到职位做字段归一化