2026年8月26日
AI Job Search：把求职材料定制做成一套可复查的本地工作流
求职辅助工具常停在“帮我改简历”这一步，结果是否真实、PDF 是否能被 ATS 正确解析、每次申请用了什么版本，都容易失控。今日进入 GitHub Trending 的 AI Job Search 更像一套可维护的求职工程：它基于 Claude Code，把职位搜索、匹配评估、简
求职辅助工具常停在“帮我改简历”这一步，结果是否真实、PDF 是否能被 ATS 正确解析、每次申请用了什么版本，都容易失控。今日进入 GitHub Trending 的 AI Job Search 更像一套可维护的求职工程：它基于 Claude Code，把职位搜索、匹配评估、简历与求职信生成、复核、面试准备和结果跟踪串成可在本地运行的流程。
📌 这个项目是干什么的
AI Job Search 不是招聘平台，也不会替你投递。用户先通过 /setup 建立个人资料，再用 /scrape 搜索职位、用 /rank 批量评估匹配度，最后通过 /apply 针对一个职位生成定制 CV 和求职信。
它的核心特点是“有依据地改材料”：工作流要求简历中的能力和经历来自个人资料，不支持的关键词要保留为差距，而不是为了 ATS 硬塞进去。生成后还会编译 LaTeX、检查页数和版式；安装 pdftotext 后，可继续检查 PDF 文本层是否存在乱码、顺序异常或联系方式缺失。
🔍 为什么值得关注
第一，它把求职拆成了可复用流程。从职位筛选到申请结果归档，每一步都有明确输入和产物，适合需要同时管理多个机会的人，而不只是临时润色一份简历。
第二，生成与复核被刻意分开。/apply 使用起草者—审阅者流程，审阅 Agent 在独立上下文中检查岗位关键词、公司信息与表达问题，再由起草流程修订，减少“一次生成直接发送”的风险。
第三，它关注最终交付物，而不只看源文件。PDF 能编译不代表 ATS 能读懂。项目把视觉检查、文本层提取和关键词覆盖检查放进流程，这种“验证最终产物”的思路也值得内容生成、报告自动化项目借鉴。
🧪 谁适合试，怎么开始
它适合熟悉命令行、正在批量求职，或想研究 Agent 工作流编排的开发者。核心流程不限定国家和语言，但仓库自带的多个职位门户工具主要面向丹麦市场，其他地区通常需要替换或新增数据源。
准备 Claude Code、Python 3.10+、Bun 和带 lualatex、xelatex 的 LaTeX 环境后，建议不要直接创建公开 Fork。更稳妥的做法是把仓库导入自己的私有仓库，再运行 Claude Code，通过 /setup 导入一份脱敏 CV；先拿一个公开职位测试 /apply，重点核对事实、PDF 文本层和最终版式，再决定是否扩大使用。
⚠️ 使用提醒
这套工具会处理姓名、联系方式、履历和薪资期望等敏感信息。GitHub 的公开仓库 Fork 仍是公开的，而 /setup 会把个人资料写入受版本控制的文件；项目 v1.6.0 已增加提醒和可见性检查，但正确做法仍是使用私有仓库，并在提交前检查 Git 历史。
此外，职位页面应视为不可信输入。项目通过工作流规则避免执行职位描述中的指令，但官方也明确说明这不是运行时沙箱。自动生成的材料必须人工核对，搜索结果也要遵守目标网站规则。项目采用 MIT 许可证，最新已核验版本为 v1.6.0。