把投简历从玄学变成数据AI Job Search 评分与追踪机制实操【免费下载链接】ai-job-searchThe job search that runs on your machine. AI job application framework built on Claude Code: evaluate postings, tailor CVs, write cover letters, prep interviews. Fork it and own it.项目地址: https://gitcode.com/GitHub_Trending/ai/ai-job-search投出去三十份简历三周过去我连自己都答不上来哪家公司真的看了我的简历哪类职位转化率最高为什么那份 85% 匹配的岗位毫无回音问题不在投入不够而是一整条链路没有留下任何可回看的痕迹。AI Job Search 是一个基于 Claude CodeAnthropic 的命令行 AI 代理工具搭建的本地求职框架喂给它你的档案和职位链接它负责爬取职位、批量评分、定制简历、写求职信结果回流到一张本地追踪表里随时能复盘。 /rank 怎么给一整批职位打分/scrape一次吐回来二十个职位肉眼是筛不完的。/rank的作用就是把它们变成一份带排序的短名单。它并行派出多个代理每个代理抓 5 个职位的真实正文对照评估规则逐维打分技术匹配占 30%、经验 25%、行为文化 15%、职业方向 30%地理位置和语言要求不参与加权只做一票否决——通勤不可达或要求你没申报过的语言分数再高也直接出局。跑完你拿到一张表每个职位有总分、档位标签Strong Fit 75 分以上算强匹配、1-3 条优势要点和 1-3 条诚实的差距要点临近截止的还会标个加急记号。分数和理由会写回job_scraper/seen_jobs.json下次不会把同一个职位重打一遍。 /apply 的双代理流水线从草稿到能发/apply是真正出活的部分但不是单次套模板而是一套起草者-审查者结构。第一个代理读职位帖先给你一份匹配评估你点头后它起草简历和求职信LaTeX 源文件分别落在cv/和cover_letters/下。接着系统另起一个干净上下文的代理当审查员它调研目标公司、把草稿里每个日期、数字、头衔和你的档案逐项对质返回一份结构化编辑清单加文字建议。起草代理照单修改产出终稿。最容易被忽略的是编译验证环节简历必须用 lualatex 编译到恰好 2 页且没有孤立的条目标题求职信用 xelatex 编译到恰好 1 页且签名完整随后用 tools/verify_pdf.py 抽出 PDF 的文本层按 ATSApplicant Tracking System招聘系统自动解析简历的组件的视角验证——邮箱电话是不是字面文本、阅读顺序对不对、职位关键词覆盖了没有真实没有的技能留白而不是硬塞。最终产出两份能直接发的 PDF外加追踪表里一条状态为 drafted 的新行。 /outcome 与 /html-report把结局变回数据第三个模块管之后发生了什么。/outcome记录每份申请的结局面试邀请、offer、拒绝或者干脆沉默。它把提交的简历、求职信和原始职位文本归档进documents/applications/公司_职位/目录更新追踪表job_search_tracker.csv里的状态。它还管投出去没回音这段灰区/outcome followup找出超过 10 天没动静的申请用你的语气起草一封 60-120 词的跟进邮件——只起草、不代寄每份申请最多两次。/html-report则是查看层读追踪表和归档生成一个自包含的 HTML 文件图表全部内联 SVG无外部依赖离线双击就能打开里面有统计卡片、状态环图、行业/渠道柱状图以及一条从 Applied 到 Hired 的漏斗。 完整工作流我跟着从零跑了一遍我在一台干净的机器上把整条链路走了一遍顺序供参考拉仓库装依赖。git clone https://gitcode.com/GitHub_Trending/ai/ai-job-search后进目录。机器上需要 Claude Code、Python 3.10、Bun跑职位门户 CLI 脚本用的 JS 运行时和带 lualatex、xelatex 的 LaTeX 发行版。LaTeX 是编译简历用的也是最常见的卡壳点建议先装。/setup建档。在仓库里打开 Claude Code 跑/setup它给你三条路把 CV、LinkedIn 导出、推荐信放进documents/让它读或者贴一份 CV或者分段回答提问。我选了第一条。这步值得花时间档案文件是后面所有草稿和评分的事实来源填得薄拿回来的是模板化申请。/scrape拉职位。它按搜索词配置调.agents/skills/下各门户的 CLI 并行搜内置 LinkedIn 通用版和一个技术岗聚合站其他市场可以用/add-portal自己生成结果限定近 14 天对照已见列表和追踪表去重输出一张带粗匹配标签的表。一次超过 8 个职位时它会主动建议你改用/rank。/rank批量筛选。我没逐条看那二十几个职位直接跑了分诊评分代理并行抓取打分位置和语言否决生效几分钟后出短名单。我挑了第 1 和第 3。/apply出材料。/apply加职位 URL门户封禁抓取的话可以直接粘贴职位全文。先出评估、等你确认然后看完整走一遍起草、审查、修改、编译、ATS 检查最后是两个 PDF 和追踪表新行。/outcome加/html-report复盘。提交后用/outcome把状态从 drafted 改成 applied两周后跑/outcome followup看有没有该跟进的月底/html-report生成仪表板看漏斗。攒够若干份有结局的申请后可以重新跑/setup用真实面试数据反向校准评分权重——到这里闭环才算转起来。 跑起来之后能拿到哪些数这套框架的核心产出就是一条追踪表加一个离线仪表板其中三个数值得盯指标来源怎么读懂漏斗转化率到面试及以后 ÷ 已提交/html-report漏斗drafted 行不计入前几份样本太小没意义看 20 份左右的滑动窗口持续偏低就先检查高分申请为什么没转化fit_rating 与实际结局的对照追踪表的fit_rating列0-100 纯数字高分集体死在简历关问题多半在简历关键词而不是评分低分反而拿到面试说明权重该重新校准静默天数 × 已跟进次数/outcome followup列表10 天阈值、两次跟进上限两次后仍沉默就记 no_response 收掉别无限追另外两个细节体现它的数据口径拒绝率只算真正的拒绝你主动拒的 offer 和主动撤回都不计入分子/upskill命令会消费/rank记下的差距要点和追踪表结果产出带优先级的技能差距清单和学习计划——下一步补什么也变成有数据依据的事。薪资基准工具 salary_lookup.py 则是可选的需要你自带数据没有就自动跳过。 避坑与上手顺序不要 clone 完直接/scrape而要先把/setup做扎实。评分质量只到档案深度为止材料放全再开始搜。不要只看总分而要读 Excluded 清单。90 分的职位也可能被位置或语言一票否决那张清单写明了落选原因比分数本身更有用。不要把公开 fork 当私人仓库推个人信息而要建私有仓库挂 upstream。公开仓库的 fork 永远是公开的而/setup会把姓名、履历写进被跟踪的文件SETUP.md 第 8 节有现成的两步配方。不要拿 .tex 源码判断 PDF 好不好而要看编译产物和抽出来的文本层。ATS 读的是文本层多栏模板肉眼完美、解析出来可能是乱码。不要投完就完事而要用/outcome把每份都收掉。不记录的结局等于没投过校准闭环转不起来。这套框架的价值上限取决于你建档时有多诚实、记录结果时有多勤快。【免费下载链接】ai-job-searchThe job search that runs on your machine. AI job application framework built on Claude Code: evaluate postings, tailor CVs, write cover letters, prep interviews. Fork it and own it.项目地址: https://gitcode.com/GitHub_Trending/ai/ai-job-search创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考