AIHawk：让 AI 替你海投简历的"求职机器人"

你有没有想过：每天花 2 小时翻遍 LinkedIn、Indeed、Hired，机械地点开一个又一个职位，再花半小时填表格——结果却连一个面试邀请都没收到？那种筋疲力尽的挫败感，经历过的人都懂。

AIHawk 解决的就是这个问题。它是一个开源的 AI 求职代理，能全自动地在多个招聘平台搜索、筛选、申请职位，用大语言模型帮你生成针对每个岗位量身定制的简历和求职信。整个过程只需要你配置好一次，之后就可以"躺着等面试邀请"。

图1：AIHawk 项目 GitHub 主页

这个项目由意大利开发者 Federico Elia 创建，自 2024 年初发布以来迅速走红 GitHub，Stars 数突破 29,800，被 Business Insider、TechCrunch、Wired、The Verge 等主流科技媒体广泛报道——一位记者用它向 2,843 个职位投递了申请，引发了关于 AI 求职机器人的激烈讨论。

技术架构：LangChain + Selenium 的强强联合

AIHawk 的技术选型非常务实：

• LangChain：作为 AI Agent 的核心编排框架，负责连接 LLM（支持 OpenAI GPT-4o、Anthropic Claude、Google Gemini、Ollama 等多款模型）与外部工具。
• Selenium + undetected-chromedriver：模拟真实用户在浏览器中操作，自动登录 LinkedIn、Indeed、Hired 等平台，绕过反爬虫检测。
• PDF 生成（reportlab + pdfminer）：将 YAML 格式的简历转换为专业的 PDF 文档。
• YAML 配置驱动：用户通过 YAML 文件声明式地配置求职偏好（地区、职位类型、薪资范围、黑名单公司等），无需改代码。

项目采用模块化分层架构：

src/
  job.py               # 职位数据模型
  jobContext.py         # 求职上下文状态管理
  job_application.py   # 申请记录模型
  job_application_saver.py  # 申请结果持久化（JSON）
  logging.py           # 日志模块（基于 loguru）
  utils/
    constants.py       # 常量定义（LLM 模型、文件路径等）
    chrome_utils.py    # Chrome 浏览器初始化
resume_schemas/        # 简历/求职偏好数据 schema（YAML 解析）
libs/
  resume_and_cover_builder/  # 简历+求职信生成（核心）

main.py 采用了 Click CLI 框架，通过交互式提问（inquirer）引导用户填写配置，最终启动 AI Agent 循环。整个流程是：配置偏好 → 搜索职位 → AI 评估匹配度 → 生成简历/求职信 → 自动填写表单 → 保存申请记录。

图2：YAML 配置示例——声明式定义求职偏好

核心功能拆解

1. 智能职位筛选

用户只需在 work_preferences.yaml 中用 YAML 格式声明求职偏好——目标地区、职位类型（全职/合同/实习）、经验级别、薪资范围、公司/职位黑名单等。AIHawk 会在 LinkedIn 等平台自动执行搜索，遇到符合条件的职位时，LLM 会评估该职位与简历的匹配度得分（默认阈值 ≥7 分），只有达标才继续申请，避免无效投递。

2. AI 定制简历 & 求职信

这是 AIHawk 的核心差异化能力。每个职位申请都会调用 LLM，结合用户原始简历和职位描述，动态生成一封针对性极强的求职信（Cover Letter），甚至可以调整简历中的关键词、技能描述，最大化 ATS（简历筛选系统）的通过率。生成的文档为 PDF 格式，视觉上专业美观。

3. 多平台自动申请

目前支持 LinkedIn、Indeed、Hired 三大主流平台。Selenium 驱动 Chrome 浏览器模拟真实用户操作，包括：登录、搜索职位、点击申请按钮、填写表单、上传简历/求职信。undetected-chromedriver 专门用于绕过 Cloudflare 等反爬虫机制。

4. 申请记录存档

每次申请完成后，AIHawk 会将申请详情（职位信息、AI 生成的内容、投递时间）以 JSON 格式保存到本地 job_applications/ 目录，方便用户复盘。

上手体验：配置一次，躺平等结果

部署流程非常直接：

git clone https://github.com/feder-cr/Jobs_Applier_AI_Agent_AIHawk.git
cd Jobs_Applier_AI_Agent_AIHawk
pip install -r requirements.txt
cp -r data_folder_example data_folder
# 编辑 data_folder/secrets.yaml，填入 LLM API Key
# 编辑 data_folder/work_preferences.yaml，配置求职偏好
python main.py

全程在终端运行，无 Web UI，纯 CLI 交互。首次运行时，程序会引导用户通过交互式问答完善配置。

注意：项目需要真实的 Chrome 浏览器（不是 headless 模式），因为 LinkedIn 等平台会检测自动化工具，必须有浏览器环境才能正常运行。

争议与局限：AI 求职真的靠谱吗？

AIHawk 的走红也伴随着大量争议。

批评主要集中在三点：

1. LinkedIn 的风险：LinkedIn 明确禁止自动化工具，大量使用可能被封号。Business Insider 的报道也指出，AIHawk 生成的求职信有时会出现"幻觉"内容（凭空编造的细节），存在信息不准确的风险。

2. 伦理争议：用 AI 批量投递简历，对人工求职者是否公平？有评论者将其比喻为"AI 时代的垃圾邮件"，破坏了求职市场的公平性。

3. 第三方插件移除：作者明确说明，因版权原因已移除了第三方 provider 插件（如部分付费求职平台的支持），这限制了项目的适用范围。

技术上的局限：

• 依赖 Chrome 浏览器，不支持无头模式，对服务器/自动化环境不友好
• 无 Docker 支持，无法在隔离环境中运行（可能遭遇依赖冲突）
• LLM 调用成本取决于投递数量，大规模投递费用可观
• 各平台 UI 经常更新，Selenium 选择器可能失效，维护成本较高

行业意义：AI Agent 在 HR 赛道的先行者

AIHawk 真正让我们看到了 AI Agent 在"行动层"的能力——不只是聊天和问答，而是真正替用户执行复杂的多步骤任务。它代表了一种趋势：未来会有越来越多的"数字代理人"帮我们处理繁琐的线上行政事务（投简历、订机票、报税、客服）。

从技术角度看，AIHawk 展示了 LangChain 在真实场景中的落地能力——LLM 不只是生成文本，还能作为决策中枢，驱动浏览器自动化工具执行实际操作。这种"LLM as Controller"的架构模式，正在成为 AI Agent 开发的标准范式之一。

如果你正在求职，AIHawk 是一个值得尝试的效率工具；如果你对 AI Agent 开发感兴趣，它的源码是极好的学习范例——尤其是 LangChain 与 Selenium 的集成方式、以及 AI 生成简历的 prompt 工程实践。