儿童的心灵是敏感的，它是为着接受一切好的东西而敞开的。如果教师诱导儿童学习好榜样，鼓励仿效一切好的行为，那末，儿童身上的所有缺点就会没有痛苦和创伤地不觉得难受地逐渐消失。——苏霍姆林斯基

https://github.com/MadsLorentzen/ai-job-search

当求职这件事，终于不再像一场孤军奋战

有些项目一看名字，就知道它不是来“展示技术肌肉”的，它是来替人分担焦虑的。

ai-job-search 就是这样一个仓库。

它像一位不知疲倦、逻辑清晰、又很懂分寸的求职搭子，站在你电脑旁边，对你说：

把你的经历交给我，把岗位链接交给我，剩下的我来帮你一起拆。

它不是简单地帮你“生成一份简历”那么浅，也不是把招聘广告喂给 AI 再吐出一封套话味十足的求职信。它更像是把求职这件事，拆成了一整套可以协作、可以验证、可以迭代的工作流：先认识你，再理解岗位，再判断匹配度，再去定制简历和求职信，最后连 PDF 呈现效果和 ATS 可读性都不放过。

如果说很多 AI 工具只是递给你一支笔，那 ai-job-search 更像是直接搭起了一间求职作战室。

它到底是什么

ai-job-search 的仓库描述写得很直接：

一个基于 Claude Code 构建的 AI 驱动求职申请框架。你只需要 fork 它、填写自己的资料，然后让 Claude 去评估职位、定制 CV、撰写求职信，并帮你准备面试。

README 进一步把它说得更完整一些：这是一套结构化工作流，可以把 Claude Code 变成一个全栈求职助手。

这句话很有意思。

所谓“全栈”，不是因为它用了多少技术名词，而是因为它几乎覆盖了求职过程中的整条链路：

建立个人画像
搜索职位
评估岗位匹配度
生成定制化 CV
撰写求职信
用第二个代理做审稿和批判
修订输出
编译并检查 PDF
验证 ATS 读取效果
记录申请结果
追踪能力缺口并生成学习计划

它不是一锤子买卖，而是一套持续运转的求职系统。

你可以把它理解成：把“投简历”这件通常很混乱、很耗神、很容易反复自我怀疑的事情，变成一个尽可能有秩序、有依据、有反馈回路的流程。

这个项目最迷人的地方，是它不装聪明

很多 AI 求职工具给人的感觉像是一个太过热情的销售，张口闭口都在说“我可以帮你秒生成最强简历”。但真正找过工作的人都知道，求职最怕的不是慢，而是假。

假经历，假技能，假热情，假匹配，假到最后连自己都不敢相信自己投出去的那份材料。

ai-job-search 在 README 里有一句很重要的话：

它不会编造技能和经历。CV 和求职信里的所有表述，都要基于你的真实资料进行验证。

这一点，让整个项目一下子从“炫技工具”变成了“可信工具”。

它并不试图替你发明一个更厉害的你，而是努力把真实的你组织得更有说服力，让你的经验更准确地对接岗位需求，让你的优势被更好地看见。

这很克制，也很珍贵。

因为真正成熟的求职辅助，不是替你撒谎，而是替你表达。

它像一个认真做功课的求职助手

README 里给了一张很清晰的流程图，大意可以理解成这样：

先用 /setup 建立你的个人档案
再用 /scrape 去搜索招聘网站
然后用 /apply <url> 对某个岗位发起完整申请流程

这三个命令几乎构成了它的主心骨。

你会发现，这个项目很像一个做事特别有章法的人。

它不会一上来就催你“快给我一个岗位链接”。它会先把椅子拉开，让你坐下，说，先别急着投，我们先认真认识一下你是谁。

于是 /setup 出场了。

它会引导你建立自己的档案，而且不是只认一种输入方式。README 里提到它支持三条路径：

读取你 documents/ 文件夹中的材料
直接在对话里粘贴一份 CV
通过一次引导式访谈来逐步了解你

这很像一个真正懂人的助手。因为它知道，不是每个人都已经把资料整理得漂漂亮亮，也不是每个人都习惯用同一种方式讲述自己。

有人简历丰富、文档齐全，那就读文件。
有人手上只有一份旧 CV，那也能先接住。
还有人经历很多，但从没系统梳理过，那就通过提问，一点点把他的故事拎出来。

它不是要求你完美准备好再来，而是愿意陪你从混乱中开始。

它懂得先理解你，再理解工作

很多人对 AI 求职工具最大的担忧是：它会不会把我写得千篇一律？

这个仓库给出的答案是：不会，前提是你愿意给它足够真实、足够丰富的自己。

README 里反复强调了一件事：资料的深度，直接决定输出质量。

你的资料越薄，它写出来的内容越像模板。
你的经历越具体，它生成的申请材料越有灵魂。

它很鼓励你不要只写职位名称，而是去描述：

你具体做过什么项目
用过什么工具
承担过什么责任
取得了什么可量化成果
哪些工作让你有成就感
哪些工作让你感到消耗
你未来想往哪里走

这意味着这个项目眼中的你，不是一串关键词，也不是一份技能清单。

你是一个有工作轨迹、有偏好、有动力结构、有成长路径的人。

于是它做岗位评估的时候，也不是只看“命中几个关键词”。README 中写得很明确，它会从多个维度判断匹配度，包括：

技能匹配
经验匹配
文化契合
地点因素
职业发展方向的一致性

这很像一个真正会替你思考长期价值的职业顾问，而不是一个只会把“Python”匹配给“Python”的自动机。

`/scrape` 像一只勤奋的小猎犬，替你四处嗅岗位

当你的画像建立好之后，/scrape 就开始上场干活了。

它会搜索多个招聘门户，找出和你画像相匹配的职位，然后去重、排序，并按匹配度展示结果。

这种感觉很妙。

你不是站在无数招聘网站之间来回切换的人了，你像是坐在指挥室里，而这个项目则像一只跑得飞快、鼻子很灵的小猎犬，在不同的岗位池里替你搜寻线索，然后把猎物叼回来，整齐地放到你面前。

仓库里已经内置了多个职位搜索工具，README 展示了几个主要集成：

Jobbank
Jobdanmark
Jobindex
Jobnet
LinkedIn public job listings

其中前四个更偏丹麦市场，LinkedIn 那个则是更通用、更偏全球化的入口。README 还提到，LinkedIn 这一套是基于公开、无需认证的 jobs-guest 接口实现的。

这说明项目不是停留在“理论上能搜职位”，而是真的把搜索这件事做成了可执行的工具链。

更妙的是，如果你所在的市场不在它预设的范围内，它还准备了 /add-portal。

也就是说，这个项目并没有把自己关在一个固定的小世界里。它像个很会适应环境的人，对你说：

你常用的招聘网站不在这里没关系，带我去看看，我可以学。

`/apply` 才是整部戏真正的主角

如果说 /setup 是认识你，/scrape 是替你找机会，那么 /apply 就是这套系统最锋利、也最动人的部分。

你可以这样用它：

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

如果某些招聘网站屏蔽自动抓取，也可以直接粘贴完整职位描述：

1	/apply <paste the full job description here>

然后，它就开始一整套严谨得近乎执拗的工作流。

README 对 /apply 的流程写得非常清楚，大致包括：

解析岗位信息
根据你的画像评估匹配度
生成定制化 LaTeX CV 和求职信
启动第二个 reviewer agent 去研究公司并批评草稿
根据反馈修订内容
编译并检查两个 PDF
做 ATS 可读性检查
展示最终输出和验证清单

这一连串动作看下来，你会意识到，这不是“AI 写一封信”。
这是“AI 在替你走一遍真正高质量申请材料的生产流程”。

它把一个原本很容易草率处理的动作，变成了一次有审稿、有质检、有复盘的完整协作。

最妙的一笔，是它安排了一个“挑刺的人”

这个仓库最有戏剧感的一点，是它不是只安排一个 agent 来写，而是安排了一个 reviewer agent 来批。

这特别像你身边那个最靠谱的朋友。

你写完一版材料，自己看总觉得还行。
而那个朋友会皱着眉头说：

这个地方太空了。
这句太泛。
你说你适合这家公司，但你其实还没说明白为什么。
这段经历写得像流水账，没有把价值抬出来。

README 里强调，这个 reviewer 会以一个新的上下文去研究公司，并对草稿提出批评意见，然后再由 drafter 去修订。

这个“写的人”和“挑刺的人”分离开的设计，非常聪明。

因为很多时候，AI 最容易犯的错不是不会写，而是写得太顺，顺到它不质疑自己。
而 reviewer 的存在，就是专门给那种“看起来挺像那么回事”的内容踩一脚刹车。

于是整套工作流就不再像自说自话，而像一次真正有内部校对机制的协作过程。

它连 PDF 最终长什么样都要亲自盯

如果你做过 LaTeX 简历，应该知道一件很现实的事：

源码看着没问题，不代表导出的 PDF 没问题。

有时候某个职位标题会孤零零掉到下一页；
有时候求职信不知不觉溢到了第二页；
有时候版式很漂亮，但 ATS 一读全成乱码；
还有时候图标字体看着高级，提取文本时却面目全非。

README 专门把这一块写成了项目差异化能力之一，而且说得很直白：

很多简历模板的问题，不在 .tex 文件里，而在生成出来的 PDF 里。

所以 ai-job-search 做了一件非常“较真”的事：

它不只负责生成内容，它还会编译 PDF、读取渲染结果，并持续调整，直到 CV 恰好控制在 2 页内，同时避免孤行、断裂和排版问题。

对于 CV，它使用 lualatex；
对于求职信，它使用 xelatex。

这不是形式主义，这是把“最后交出去的东西”当回事。

它不像有些工具，只把任务停在“我帮你生成文本了，剩下你自己看着办”。
它更像一个把文件交付视作尊严的编辑，对每一页都亲自过目。

它还知道，ATS 读的不是你眼睛看到的那层世界

这部分尤其让我觉得这个项目很懂现实。

README 里提到，ATS 检查读取的是 PDF 的文本层，不是你肉眼看到的版面层。换句话说，人看起来没问题，不代表机器能正确解析。

于是它会用 pdftotext 去检查导出的 CV，在机器视角里确认这些关键内容是否还在：

联系方式是否以文字形式存在
是否出现乱码字符
章节结构是否还能正确提取
项目符号和文本流是否还合理

这个细节真的很加分。

因为它不是活在理想世界里，它知道简历要面对的不只是招聘经理，还有前置筛选系统。
你辛辛苦苦写得再漂亮，如果 ATS 读不懂，那些努力可能在第一道门口就被拦住了。

而这个项目像一个有经验的前辈，拍拍你的肩说：

别只顾着让人类喜欢，也得先让机器别误会你。

它不是盲目地删内容，而是聪明地帮你“裁剪”

简历篇幅控制一直是件很痛苦的事。

要保留什么？
删掉什么？
是不是旧经历都该砍？
是不是不相关的就完全不能提？

很多工具在这件事上特别粗暴，一超页就机械删除。
但 ai-job-search 的 README 提到，它使用的是 relevance-weighted CV cutting，也就是按“相关性加权”的方式来裁剪内容。

这意味着它不是照着时间线胡乱砍，而是会综合判断：

某条经历和当前岗位的相关度
这段内容在你职业故事中的重要性
是否有助于支撑目标职位的价值表达

这很像一个会讲故事的编辑。
它知道简历不是流水账，也不是墓志铭，不是要把你所有做过的事都刻进去，而是要保留那些最能说明“你为什么值得被面试”的证据。

它替你做的，不是删除，而是取舍。

它还有很多像配角一样低调，却很能打的命令

这类项目最怕主流程强，边角能力弱。
但这个仓库在“求职生命周期管理”上，想得比很多同类工具更远。

README 里提到，除了 /setup、/scrape 和 /apply 三大核心命令外，还有六个延展命令。

`/outcome`

这个命令会记录每次申请最后发生了什么：

进了哪几轮面试
有没有拿到 offer
是被拒绝了还是石沉大海
当时投递的 CV、求职信、岗位描述都会被归档

这就像一个很细心的档案管理员。
它不让你的每次尝试像落进水里的石子一样没了回音，而是把结果收集起来，逐渐变成你自己的求职数据库。

`/rank`

它负责在 /scrape 和 /apply 之间搭桥。

当你一次抓回来很多岗位时，它会批量打分，按适配度排出 shortlist。这样你就不需要面对一堆岗位时凭直觉乱选，而是能先看一眼哪些机会更值得优先下注。

`/expand`

这个命令很像一个不满足于表面信息的研究员。

它会沿着你在资料里已经提到的公开来源继续往下挖，比如：

GitHub 仓库
个人作品集网站
Kaggle
Google Scholar
课程大纲与证书信息

也就是说，它愿意替你把那些已经散落在外部世界里的能力线索，重新拉回到求职画像中来。

`/upskill`

这是一个很有成长意味的命令。

它会分析你的画像和岗位之间的差距，给出优先级排序后的能力缺口热力图和学习计划。

这让整个项目不只是服务于“这次申请”，它还开始关心“你的下一次竞争力”。

它像一个不会只陪你冲刺一次的人，而是想陪你把路越走越宽。

`/add-template`

如果你不想使用项目自带的 LaTeX 模板，可以注册自己的模板，告诉系统编译方式、字体、页数限制和风格规则。

它不是要求你接受它的审美，而是愿意学习你的偏好。

`/add-portal`

前面提过，这是让项目适应你本地招聘网站生态的重要入口。
你给它一个招聘网站，它会去研究搜索 URL 模式、结果结构、访问规则，并生成对应的 CLI skill。

这像一个跨国工作的顾问，到了新市场也不怵，说一句：

给我一点时间，我先熟悉一下这边的街道。

它连文件结构都整理得像一间井井有条的办公室

一个项目的目录结构，常常暴露作者到底是认真搭系统，还是只是拼一个 demo。

ai-job-search 的文件结构很完整，而且非常具有“工作流感”。

比如你会看到：

CLAUDE.md 作为主候选人画像与工作流规则
.claude/commands/ 放各种命令定义
.claude/skills/job-application-assistant/ 放候选人画像、行为画像、写作风格、岗位评估、CV 模板、求职信模板、面试准备等内容
.agents/skills/ 放各类职位门户的 CLI 工具
cv/ 和 cover_letters/ 放默认 LaTeX 模板
templates/ 放用户自定义模板
documents/ 放你的真实资料
job_scraper/ 存职位抓取状态
upskill/ 存能力提升报告
job_search_tracker.csv 用来跟踪申请过程

这就像一间办公室，每个抽屉都贴好了标签。
简历在哪，求职信在哪，投递记录在哪，能力提升报告在哪，搜索器在哪，规则手册在哪，全都有明确的位置。

你不会觉得自己是在用一个神秘的黑盒。
你会觉得自己是在和一套透明、有秩序的系统协作。

`documents/` 这一层设计，特别像在认真收集你的职业证据

README 和 documents/README.md 都把 documents/ 讲得很细。

这里面可以放：

cv/：你的主 CV，支持 PDF 或 LaTeX
linkedin/：LinkedIn 导出的 PDF
diplomas/：学历证书与成绩单
references/：推荐信
applications/：过往申请记录

这个设计的高明之处在于，它不是把“简历”当作你唯一的职业身份来源。

它知道一个人真正的职业画像，往往散落在不同文档里：

你的主 CV 里有主体故事，
LinkedIn 里有补充信息和公共叙述，
学历材料里有官方名称和时间校验，
推荐信里有别人对你能力的措辞，
过往申请记录里有你曾经瞄准过哪些方向，以及那些尝试换回了什么结果。

于是这个项目像个认真做案头工作的研究员，把这些材料一份份摊开，不急着下判断，而是慢慢拼出一个更完整的你。

它不只帮你找工作，也帮你认识自己的职业路径

README 中有一段我很喜欢，它提到这个框架支持两种求职模式：

明确目标型
潜在机会发现型

前者很好理解：你知道自己想找什么岗位，系统帮你 refine 和排序。
后者就很有意思了：它会基于你完整的经历，而不只是职位头衔，帮助你发现你可能没想过的新方向。

这很像一个真正有职业洞察的伙伴。

它不会只说“你过去是数据分析师，所以你下一份也该找数据分析师”。
它会去看你做过的项目、使用过的工具、你在哪些任务上表现出强项、你对哪些工作内容更有能量，然后尝试告诉你：

也许你还能往这里走。
也许你那些看似分散的经历，拼起来其实指向另一条路。
也许你不只是过去那个职位名称。

这一点，让项目有了一种超出“自动化求职”的温度。

它不只关心你怎么投，也关心你往哪里去。

快速启动也很直接，几乎没有废话

如果你想上手，README 给出的 Quick start 很清楚。

1. Fork 并克隆仓库

1 2	gh repo fork MadsLorentzen/ai-job-search --clone cd ai-job-search

2. 安装职位搜索工具

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 ../../../..

README 还特别说明了，linkedin-search 其实运行时没有依赖，直接用 bun 就能跑，bun install 更多是为了拉 TypeScript 的开发类型。

3. 设置个人资料

1 2	claude /setup

4. 搜索职位

/scrape

5. 对目标岗位发起申请流程

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

如果目标网站抓不到内容，就直接贴岗位描述：

1	/apply <paste the full job description here>

从命令本身也能看出这个项目的气质：简洁、明确、不绕弯子。
它不是堆一大堆参数和复杂配置把你挡在门外，而是尽量把真正复杂的部分收进内部流程里，把入口留给人。

它对环境依赖也交代得很实在

在使用前，你大概需要准备这些：

Claude Code CLI
Python 3.10+
Bun
带有 lualatex 和 xelatex 的 LaTeX 发行版
可选的 pdftotext

这些依赖看起来不少，但和它要完成的事情相比，其实都很合理。

尤其是 LaTeX 这一块，恰恰说明它不是只想生成“差不多就行”的文本，而是要产出能真正用于投递的正式材料。

项目甚至还明确写了：
CV 用 lualatex 编译，
封面信用 xelatex 编译，
某些环境下 pdflatex 可能并不可靠。

这种细节非常像一个踩过坑之后认真写下提醒的人。
不是教科书式地罗列依赖，而是带着一点“这地方我替你摔过一次了”的经验感。

它甚至替“重来一次”准备好了体面的退出方式

有时候最好的设计，不体现在“开始”，而体现在“重来”。

这个仓库提供了 /reset：

1
2
3

/reset profile
/reset documents
/reset all

而且它不会默默执行，它会明确告诉你将删除什么，并要求你输入 RESET 才会确认。

这就是一个成熟系统该有的样子。

它知道人的资料、职业材料、投递记录都不是玩具。
所以即使是重置，也要谨慎、透明、有确认机制。

这像一个做事有边界感的人。
他愿意帮你动手，但不会替你鲁莽。

为什么这个项目会让人觉得有希望

我觉得 ai-job-search 最打动人的地方，不是它用了 Claude Code，不是它会写 LaTeX，也不是它会多门户抓取。

而是它非常认真地对待了“求职”这件本来就很消耗人的事。

它知道求职不是只有生成文本那么简单。

求职是一种反复回答“我是谁、我适合什么、我为什么值得被看见”的过程。
它也是一种很容易被挫败、被忽视、被低回应率磨掉自信的过程。

而这个项目像一个沉稳的助手，把这团混乱拆开：

先把你的材料收好
再把你的经验说清
再把岗位看明白
再决定值不值得投
再认真定制材料
再找另一个视角来挑刺
再把 PDF 盯到能交
再确认 ATS 不会误伤你
再把结果记录下来
再从一次次结果里提炼下一步成长方向

它不承诺魔法。
它提供的是秩序。

而对很多正在找工作的人来说，秩序本身就是一种安慰，也是一种力量。

它适合什么样的人

如果你只是想一键糊一份“差不多”的简历，这个项目可能比你想象中认真得多。

但如果你是下面这些人，它会非常适合你：

想把求职流程系统化的人
不想每次投递都从零开始的人
希望 CV 和求职信真正贴合岗位的人
在意 PDF 版式和 ATS 可读性的人
愿意沉淀长期职业资料的人
想一边找工作，一边反向发现能力缺口的人
希望 AI 帮忙，但不希望 AI 乱编经历的人

它不是“最轻”的工具，但很可能是“最像真实求职协作”的工具之一。

最后

ai-job-search 像一个不爱说大话、但真的会把活做细的伙伴。

它把自己放在一个很正确的位置上：
不是替你变成另一个人，
而是帮你把真正的你，讲得更准确、更有针对性、更能穿过人和机器的双重筛选。

它会帮你搜索岗位，帮你梳理画像，帮你定制材料，帮你检查版式，帮你记录结果，帮你找出差距，帮你准备下一次出发。

如果说求职像一段又长又磨人的路，那这个项目就像一位会背包、会查地图、会提醒你整理鞋带、还会在你怀疑自己的时候递上一杯热咖啡的同行者。

它不替你走路。

但它会让你走得更稳，也更像你自己。