AIHawk：把求职变成一条可以看着走的流水线

一份简历，四个小时的手工投递

想象一个普通的工作日：你在招聘网站上刷到二十个"Python 后端工程师"的岗位。每一个都要下载 JD、比对简历、调整措辞、上传 PDF、逐题填写表格、点击提交。二十个岗位，两三个小时，重复劳动里最枯燥的那部分。

AIHawk 想做的，就是把这段时间压成一次"看得见的"批处理。

它跑在终端里。给它一份 PDF、DOCX 或纯文本简历，它解析出你的技能与联系方式，写出一份可编辑的搜索计划，然后在本地岗位索引里检索，把最匹配的岗位排成一张表：分数、公司、职位、地点、投递方式。你按空格选中岗位，回车就能看到它为什么给这个分、你的简历缺了什么。

它为什么长这样：一次彻底的重写

有意思的是，2026-11-04 发布的 1.0.0 与这个仓库此前的内容几乎无关。仓库名沿用 Jobs_Applier_AI_Agent_AIHawk，但 CHANGELOG 里写得很直白："This is a different program from the earlier AIHawk and from the Dots project"。旧版是常见的 Playwright + 爬虫脚本堆，AGPL-3.0；新版换成了 MIT 许可、src/ 布局、Textual 终端界面和一个叫"决策模型"的评分机制。

数据也说明这是个人项目：460 次提交，全部来自作者 feder-cr 一人。但工程质量并不个人化——CI 在三套操作系统、两个 Python 版本上跑 ruff 与 pytest，甚至用 xvfb 驱动真实 Firefox 跑端到端表单测试。

核心机制：三段式漏斗

第一段，筛选。 AIHawk 从简历生成搜索计划，用标题匹配从岗位库里捞出候选。岗位库不是实时爬取，而是每天通过 GitHub Actions 构建、以 Release 形式发布——2026-11-04 的清单里有 10,223,753 条岗位。首次启动会下载约 672MB 到 ~/.aihawk/data/index，之后检索全在本机 DuckDB 里跑，只有被评判的那批岗位描述才联网读取。

第二段，决策。 这是最有意思的设计。它不直接把 JD 丢给大模型问"合适吗"，而是构造六个封闭问题——方向是否一致、硬性要求是否全覆盖、是否有简历里没有的技能缺口、级别是否匹配、地点是否可达、以及反向的"是否远在别处"——由一个叫 Jev 的决策模型（typesafe/jev-1.14）通过 OrcaRouter 的 /systemone 端点回答，答案转成对数几率累加。取绝对值接近 0.5 的答案为零证据，因为"不确定"本就不该加分。

第三段，评分与投递。 最好的 25 个岗位再交给 judge 模型按 1 到 5 分打分并列出差距，模型同时为每个岗位重写一版定制简历。

表单自动化：能看见，也刹得住

填表走 invisible-playwright-mcp，一个 Playwright 兼容的 MCP 服务器，浏览器可见。项目的站点覆盖以 14 个 Markdown 插件形式外置——Greenhouse、Lever、Ashby、Workable、BambooHR 等 12 个 ATS，外加 Gmail 与 Outlook 两个只读邮箱插件。写一个插件不需要写代码，只需要用自然语言讲清这个站点的表单长什么样。

安全边界被写在 SECURITY.md 里，也写进代码：模型被明确告知不得发送；apply.py 会拦截任何可能触发发送的点击与回车键；只有用户的 a 加一次回车确认之后，AIHawk 才会去点模型命名的那一个发送按钮；验证码和登录墙不绕过，只报告给用户。

但作者同样诚实地承认了缺口：模型在最后一步可以执行页面脚本（browser_evaluate），而拒绝逻辑不覆盖脚本路径。这条被列为"已知且故意接受"的风险——因为脚本是浏览器工具都做不到时的最后一根救命稻草。这是一种罕见的态度：把绕过路径写进安全文档，比藏着更好。

上手门槛与真实代价

门槛不算高，但也不为零：Python 3.11+、pipx 或 uv 安装、注册 OrcaRouter 拿到 API Key（存 ~/.aihawk/key），首次下载 672MB 索引。整个体验是终端 TUI，没有任何 Web 界面，也没有 Dockerfile，所以严格来说它是一个"本地运行、不可容器化对外服务"的工具——quick_deploy 只能给 unsupported。

真正需要付出的成本是钱和信任：每一轮评分、每一份定制简历、每一次表单填写都在调用外部模型，简历内容和联系方式会离开本机；邮箱插件读的是浏览器已登录的真实邮箱；浏览器 profile 里存着你的登录态。

行业意义

32,386 星、4,739 fork。这个体量说明一件事：批量求职不是小众需求，而是一整代应届生和转岗者的共同痛点。AIHawk 的价值不在于"AI 帮你找工作"，而在于它把 AI 放在流程里而不是流程之外——决策、评分、填表各自有明确边界，用户始终握着最后那个"确认"。

从技术演进看，这个 1.0.0 版本更值得行业注意的地方是"岗位数据库即 Release"这个设计：把非结构化、时效性极强的招聘数据，变成一个每天自动构建、可离线下载、可版本追溯的静态产物，让 Agent 的检索层不再受爬虫封禁影响。这是把 Agent 从"演示脚本"推向"可运营系统"的一个具体手法。

局限同样清楚：单人维护、依赖单一模型网关、决策模型是非主流的 jev-1.14、672MB 索引对首次使用者不友好、只覆盖 12 个 ATS。但对一个开源求职工具来说，能把边界写清楚、把危险路径写进文档，已经比大多数同类项目更负责任。

数据采集时间：2026-11-05 | 代码基于 v1.0.0 (2026-11-04) 提交