career-ops

想象一个场景：你花了两周时间海投简历，收到 80% 的"已读不回"，剩下的面试机会也不确定值不值得去。背后原因是——企业招聘早已用 AI 筛选简历，而你还在靠直觉选公司。

Career-Ops 正是为解决这个问题而生：把 AI 的力量反转给求职者，让候选人也拥有评估和选择公司的话语权。

项目起源：一个人用系统改变了求职游戏

这个项目的作者 Santiago Fernandez de Valderrama（GitHub @santifer）在求职 AI 相关岗位时，花了数月用"笨办法"筛选职位——在各个招聘平台来回跳转、对比薪资、猜测公司文化。他发现这个过程完全是重复劳动，而且效率极低。

于是他决定用自己最擅长的方式解决这个问题：写代码。

他用 Career-Ops 系统评估了 740+ 个职位、生成 100+ 份定制化简历，最终拿下了一家公司的 Head of Applied AI 岗位。随后他将整套系统开源。

核心技术：把 Claude Code 变成求职助手

Career-Ops 的核心逻辑非常聪明——它不是又一个招聘平台，而是一个个人求职操作系统。它的运行方式很像一个私人招聘顾问，但背后驱动的是 AI Agent。

系统的核心工作流程如下：

输入：用户粘贴一个职位 JD（文字或 URL）

评估阶段（6 个模块 A-F）：

• 模块 A：职位摘要 — 提取关键职责和要求
• 模块 B：简历匹配度 — 对比你的技能和经验，标注差距并给出缓解策略
• 模块 C：职级策略 — 评估你申请该级别是否匹配
• 模块 D：薪酬调研 — 通过网络搜索获取市场薪酬数据
• 模块 E：简历个性化方案 — 针对该职位定制简历的关键要点
• 模块 F：面试准备 — STAR+R 格式的面试故事库

评分：10 个维度加权平均（1-5 分），总分 4.5+ 强烈推荐，4.0-4.4 值得申请，低于 3.5 不建议投递。

输出：评估报告 + ATS 优化 PDF 简历 + 追踪系统自动记录

值得注意的是，系统绝不自动提交申请——AI 负责评估和推荐，最终决定权始终在用户手中。

多 Agent 并行处理：批量评估不再繁琐

单个评估用 Claude Code 的对话式交互固然清晰，但面对上百个职位时就需要批量处理能力。Career-Ops 为此设计了 batch-runner.sh：

• 读取 batch-input.tsv（职位列表）
• 启动 N 个并行 headless Claude Code Worker
• 每个 Worker 独立完成：评估报告 + PDF 生成 + 追踪记录
• 编排器负责并发控制、状态追踪、断点续跑

这种架构的巧妙之处在于多 CLI 兼容——batch 系统设计为可插拔，支持 Claude Code、OpenCode、Gemini CLI 等多种 AI 编码工具的 headless 模式。

系统还支持 Gemini CLI 原生集成，全部 15 个 slash 命令可用。Codex 支持也已在路上。

招聘门户扫描器：零 API 成本获取职位

传统的招聘聚合平台要么收费，要么数据不全。Career-Ops 的 scan.mjs 实现了零 token 消耗的职位扫描：

• 直接调用 Greenhouse、Ashby、Lever 等 ATS（招聘管理系统）的公开 API
• 内置 45+ 公司预配置（Anthropic、OpenAI、ElevenLabs、Retool、n8n 等）
• 支持自定义查询和自定义解析脚本
• 插件化架构——只需在 providers/ 目录放一个 *.mjs 文件即可扩展新数据源

系统还提供了职位存活检测（check-liveness.mjs），定期验证已扫描的职位是否仍然有效，过期职位自动下架。

图1：Career-Ops 系统工作流演示

Go 终端 UI：求职状态一目了然

评估了这么多职位，怎么管理进度？Career-Ops 提供了一个用 Go + Bubble Tea 构建的终端 UI Dashboard：

• 三屏切换：Pipeline（管道）视图、Report（报告）查看、Progress（进度）仪表盘
• 从 Markdown 文件（data/applications.md）实时读取状态
• 支持直接打开评估报告、在终端内更新申请状态
• 使用 Catppuccin Mocha 主题，视觉体验精致

Dashboard 依赖轻量（只用了 charmbracelet 系的几个包），无需任何前端知识即可运行。

图2：Career-Ops 系统概览

图3：Career-Ops 发展路线图

技术栈与代码质量

主技术栈：

组件	技术	作用
核心 CLI	Node.js (ESM)	评估逻辑、PDF 生成、脚本编排
Dashboard	Go 1.24 + Bubble Tea	终端 TUI
浏览器自动化	Playwright	网页抓取、PDF 渲染
AI 驱动	Claude Code / Gemini CLI / OpenCode	自然语言推理与内容生成
配置	YAML (js-yaml)	配置文件解析
版本管理	Nix Flakes	可复现环境

代码质量：

项目采用严格的数据分层设计（DATA_CONTRACT.md）：

• 用户层（cv.md、config/profile.yml、data/ 等）：永不自动覆盖，完全由用户控制
• 系统层（modes/_shared.md、*.mjs、dashboard/ 等）：可通过 update-system.mjs 自动更新

这种设计确保了系统升级不会覆盖用户的个性化配置，是非常成熟的工程实践。

CI/CD 方面，项目配置了完整的 GitHub Actions 流程：CodeQL 静态分析、依赖审查、SBOM 生成、测试、Release 自动化、标签自动管理等。

文档质量极高——项目自带 9 种语言翻译（EN/ES/PT-BR/KO/JA/ZH-TW/ZH-CN/DE/RU/UA），文档细分到架构图、设置指南、脚本说明、定制教程。

上手体验与局限性

上手体验：

Career-Ops 本身是一个本地工具，依赖 Node.js >= 18 和 Go >= 1.21。项目提供了 Nix Flakes 安装方式，flake.nix 配置完整，对于 Nix 用户而言一行命令即可初始化环境。

需要注意的门槛：

• 需要申请 Claude Code 或其他 AI CLI 的使用权限
• 首次使用需要花时间喂养系统（简历、职位偏好、薪资目标等）
• 评估质量依赖用户提供的上下文质量——"垃圾进，垃圾出"
• 没有 Web 界面，纯命令行工具，非技术用户有一定学习曲线

局限性：

• 职位信息来源依赖公司自己的 ATS 系统，若公司使用私有系统则无法覆盖
• AI 评估的薪酬数据基于公开网络数据，可能存在时效性差异
• 不支持自动投递申请（设计如此），仍然需要人工操作最后一步
• batch 模式强烈依赖 Claude API，批量处理成本不可忽视

行业意义：把 AI 军备竞赛的天平扳回来

Career-Ops 的出现反映了一个更大的趋势：AI 辅助求职正在从边缘走向主流。

企业招聘早已大量使用 AI 筛选简历已成事实，而 Career-Ops 证明了求职端同样可以用 AI 来应对。据 LinkedIn 2025 年数据，超过 60% 的大公司已开始使用 AI 筛选简历。

从增长曲线看，这个项目在 GitHub 获得了 46,880 Stars，Discord 社区活跃，持续有贡献者提交 PR。它不仅是一个工具，更代表了一种理念：在 AI 时代，信息差就是竞争优势，而系统化是消除信息差的最优路径。