freehire

项目背景

你有没有过这种感觉——在 LinkedIn、Indeed、Boss 直聘之间来回切换，投出去的简历像往黑洞里扔石子，连个回音都没有？你不是一个人。据 Stack Overflow 2025 年开发者调查，超过 60% 的求职者对现有平台最不满的一点，不是职位少，而是信息不透明：同一份工作被改头换面发在三个平台，薪资范围写得模糊，发布日期其实是假的（HR 只是点了一下"刷新日期"），投了才发现这个职位根本不对外招人。

freehire 就是来解决这个问题的。

freehire 是一个开源求职搜索引擎，由独立开发者 Ilya Strelov（GitHub @strelov1）发起，2026 年 6 月上线 GitHub。截至分析时，已收录超过 330 万条活跃职位，来自 29.4 万家公司，涵盖 320+ 个数据源，包括 Workday、Greenhouse、Lever、Ashby 等 92 个主流 ATS 平台，以及 97 个 Telegram 求职频道。

这个项目的野心不只是做搜索——它试图成为"求职的全栈操作系统"：找职位、做简历、投简历、追踪进度、收邮件通知，甚至还有一个内置 AI Agent 可以帮你模拟面试。

核心功能

直连源头，不走中间商

freehire 的爬虫直接对接各公司自己的 ATS（招聘管理系统）——不是通过招聘平台抓取，而是从源头的 Workday、Greenhouse、Lever 等系统直接拉取数据。这意味着：

• 职位链接直达原站：点进去就是公司自己的招聘页面，不是招聘平台的落地页，不用再经历二次跳转
• 去重机制：同一职位被发到三个平台，freehire 只会保留一条，所有来源归于同一个 ID
• 数据新鲜度：通过 ATS 直连，职位关闭后很快就能反映在 freehire 上，而不是一直显示"仍在招聘"

在技术实现上，每个 ATS 平台对应一个 Adapter（位于 internal/ingest/sources），遵循统一的 Source 接口，新增一个平台只需实现接口 + 在 sources.All 注册即可。README 提到"添加一个公司只需要在 boards 表里加一行"，这个设计思路非常务实。

全文语义搜索

freehire 用 Meilisearch 做全文 + 分面搜索，支持按地区、工作模式（远程/混合/线下）、职级、技能、薪资范围等维度过滤。语义搜索层面用了 pgvector 做职位描述的向量嵌入——这意味着你搜索"写 Python 的后端工作"，结果不会只匹配包含"Python"字样的职位，而是语义相近的也会被召回。

AI 辅助：从简历到面试

freehire 在 AI 方向的探索相当激进。它集成了 LLM（通过 langchaingo 库，理论上支持任何 OpenAI 兼容端点），提供以下功能：

• CV 构建：在线写简历，输出 ATS 友好的 PDF 格式（用 Typst 排版引擎）
• 简历-职位匹配分析：上传简历，freehire 会告诉你与某个职位的技能匹配度——哪些你具备，哪些你接近（相邻技能），哪些你缺失，匹配分数是多少
• 职位描述摘要：自动生成关键信息提炼
• 面试模拟 Agent：内置 5 个预设场景（聊天、浏览、Profile 优化、简历定制、面试演练）

有趣的是，freehire 用 Bifrost 作为 LLM 网关，实现"每用户虚拟 Key + 跨供应商回退 + 消费追踪"——用户用自己 API Key，但通过 Bifrost 统一路由，解决了成本控制和供应商锁定的问题。

应用追踪工作流

对于认真找工作的人，freehire 还提供了一套完整的申请管理工具：

• 申请看板：Saved / Applied / Interviewing / Offer 四阶段管理
• 邮件收件箱：将 HR 回复自动关联到对应申请
• 追踪链接：生成确定性追踪链接，告诉你 HR 是否打开过你的申请

技术架构

freehire 是典型的前后分离 + 微服务队列架构：

组件	技术选型	职责
后端 API	Go + Fiber v2	REST API 服务，无状态
数据库	PostgreSQL 18 + pgvector	事务数据 + 向量搜索
全文搜索	Meilisearch	分面过滤 + 全文检索
爬虫/Worker	Go 命令行程序	定时从 ATS 拉取、LLM 丰富数据
前端	SvelteKit 2（Svelte 5 runes）+ Tailwind 4	服务端渲染 Web UI
LLM 调用	langchaingo + Bifrost	供应商无关的 AI 功能
可观测性	Langfuse	LLM 调用链路追踪
缓存/限流	Redis	请求限速、实时通知
对象存储	S3 兼容	简历 PDF、头像等文件
指标	Prometheus + Grafana	基础设施监控

代码结构亮点

• 无 ORM：用 sqlc 从 SQL 生成类型安全的数据库访问代码，既保证了 SQL 的表达能力，又避免了运行时 SQL 注入风险和 ORM 的性能损耗
• 多阶段 Dockerfile：编译阶段用 Go 1.26 Alpine + CGO_ENABLED=0 做静态编译，运行时用 Debian Slim，CV 渲染阶段单独拉取 Typst 静态二进制。多阶段设计使最终镜像精简且安全
• 迁移自执行：数据库迁移在 Postgres 首次初始化时通过 docker-entrypoint-initdb.d 自动执行，无需手动干预

上手体验

快速部署

项目用 make up 一键启动，底层是 docker-compose.yml，包含：PostgreSQL（pgvector）、Meilisearch、Redis、MinIO（S3 模拟）、API 服务、Web 前端。

git clone https://github.com/strelov1/freehire
make up
curl localhost:8080/health

首次启动大约 1-2 分钟（取决于镜像拉取速度），之后数据库迁移自动完成。生产部署需要额外配置：外置 S3、真实 LLM API 密钥（OpenAI/Anthropic/其他兼容端点）。

CLI 和 MCP 支持

freehire 不仅有 Web UI，还提供：

• CLI：freehire-cli 独立项目，可在终端搜索职位
• MCP Server：freehire-mcp 可接入 Claude Desktop / Claude Code，让 AI Agent 直接帮你搜职位

这意味着 freehire 的定位不只是一个网站，而是一个可编程的求职数据平台。

iOS App

freehire 已于 2026 年 8 月上线 App Store，支持简历匹配分析和申请追踪，UI 针对移动端优化。与 Web 版共享同一套后端 API。

局限与挑战

尽管功能全面，freehire 也面临一些现实问题：

1. LLM 功能依赖用户自己的 API Key：虽然架构上解耦了供应商，但普通用户仍需要有自己的 OpenAI/Anthropic 账户，这提高了 AI 功能的使用门槛
2. 数据覆盖有地域偏差：作为一个 2026 年中才起步的项目，其数据源集中在美国和欧洲市场，亚洲市场的覆盖率相对有限
3. 爬虫维护成本：直接对接 ATS 意味着需要持续维护各平台的 Adapter，当 ATS 更新接口时爬虫可能失效
4. iOS 专属功能局限：App Store 版本的部分功能（如简历上传）需要服务器端支持，离线体验受限

行业意义

freehire 出现在 GitHub Trending 上的时间点值得关注：2026 年 8 月 17 日达到 Go 语言榜第 6 位，单日增长 528 stars。这种增长曲线背后有两层驱动力：

第一层：求职市场的结构性痛点。现有平台（LinkedIn、Indeed）本质上是中介——它们的存在价值来自于信息不对称，而 freehire 的"直连源头"模式直接挑战了这个商业模式，在求职者和公司之间做了一次"去中介"。

第二层：开发者群体的强烈共鸣。项目的作者本人就是开发者，在 Reddit 上说"我在找工作，所以做了一个工具"——这句话引发了开发者社群的强烈共鸣。开源 + MIT 许可 + 自己部署 = 完全掌控自己的求职数据，这对于技术人群有天然的吸引力。

freehire 的"全栈求职 OS"愿景（搜索 + 简历 + 申请追踪 + AI 分析）如果能持续迭代，有潜力成为 Hired、TripleByte 等闭源平台的开源替代品。