career-ops 拆解:在 Claude Code 里跑一个找工作 Agent
它解决什么问题
santifer 在 README 里写得很直白:花几个月海投简历,体验了一整轮"被 AI 筛简历"的流程,然后反过来给求职者做了一套 AI 工具。
他做的事情很具体,不是又一个泛泛的"AI 求职助手":
- 批量从 Indeed、LinkedIn、RemoteOK 抓岗位
- 用 A-F rubric 把岗位和简历的匹配度量化到 1.0–5.0 分
- 对高分岗位,让 Claude 自动改写 CV
- 把每次投递、回复、面试全部记在本地文件里
作者说自己用这套工具评估了 740+ 岗位、生成 100+ 份定制 CV,最后拿到了目标 offer。GitHub 上 66k stars,README 翻译成 17 种语言,WIRED 和 Business Insider 都报道过。
它不是一个 SaaS,是一套跑在 Claude Code / Codex / OpenCode / Antigravity 这些本地 CLI Agent 里的 Markdown + 少量 JS glue。JavaScript 项目,纯本地运行。
怎么用
最小流程就三步:
git clone https://github.com/santifer/career-ops
cd career-ops
# 在 Claude Code 里打开这个目录,直接说:
# "帮我扫描 RemoteOK 上的 Python 后端岗"
Agent 会读 .claude/ 下的 skill 定义,自动调脚本拉岗位、跑评分、生成定制 CV。
下面是 src/scrapers/indeed.js 里拉取逻辑的简化版(结构是 README 里贴出来的真代码):
// src/scrapers/indeed.js —— 多源抓取示例
const { loadRubric } = require('../lib/rubric');
const { callClaude } = require('../lib/llm');
async function fetchAndScore(source, query) {
const jobs = await scrape(source, query);
const rubric = await loadRubric('./rubrics/engineering.md');
const scored = [];
for (const job of jobs) {
const prompt = `
用以下 rubric 评估这份岗位和候选人简历的匹配度,输出 1.0-5.0 分 + 理由。
${rubric}
岗位 JD:
${job.description}
候选人简历:
${job.baseCV}
`;
const result = await callClaude(prompt, { json: true });
scored.push({ jobId: job.id, score: result.score, rationale: result.reason });
}
return scored;
}
module.exports = { fetchAndScore };
注意这段代码说明的核心设计:"让 Agent 知道下一步该干嘛"这件事,不是写在一个复杂框架里,而是全部写在自然语言指令文件(.claude/skills/*.md)加少量 JS glue。
它怎么工作
四阶段流水线,串得很清晰:
1. Scraper Agent
多源抓取(Indeed、LinkedIn、RemoteOK 等),落库到一个本地 SQLite 或 JSON 文件。
2. Evaluator Agent
这一步是核心。用 Markdown 写的 A-F rubric——每个等级对应一组硬条件,比如:
- A 级(4.5–5.0):薪资范围匹配 + 全远程 + 技术栈 80%+ 重合
- B 级(3.5–4.5):薪资 ±10% + 远程可选 + 技术栈 60%+ 重合
- C 级(2.5–3.5):薪资偏差大但其他条件 OK
- D-F 级:硬伤(签证不友好、必须 onsite、技术栈完全不匹配)
LLM 按规则打 1.0–5.0 分。
3. Tailor Agent
拿高分岗位(通常是 A 和 B)的 JD,和你的 base CV 对照,让 Claude 生成定制版。不是从零写,是"针对 JD 调措辞 + 调 bullet 顺序"。
4. Tracker
把每次投递、每次回复、每次面试记录在本地 Markdown / CSV 里,按状态分组(投递中 / 已读 / 面试中 / Offer / Reject)。
关键设计:rubric 外置成可编辑的 .md 文件,用户能直接改评分标准,不用动代码。这比写死 prompt 强很多——你想给"远程"加权?改 Markdown 一行就行;你想新增"公司规模"维度?加一段就行。
它哪里好 / 哪里不好
好的地方:
- 闭环真实。不是 demo,作者在跑出 offer 之后才开源的。
- Rubric 设计可解释可调。这点下面单独说。
- 本地运行,简历和投递数据不出你的机器。
- 对 Claude Code 用户零学习成本,因为 skill 本身就是
.claude/skills/下的 Markdown。
坏的地方:
- 重度依赖 Claude Code 订阅(虽然 README 里也列了 Codex / OpenCode / Antigravity,但官方 skill 是为 Claude Code 写的)。
- 评分质量取决于你写的 rubric 质量——rubric 写歪了,LLM 跟着歪,没有 ground truth 校验。
- 多 Agent 协作靠 prompt 串联,没有显式状态机,跑长任务(比如连续评估 100 条岗位)容易丢上下文。
- 重度依赖海外岗位源(Indeed / LinkedIn / RemoteOK),国内使用需要替换数据源,这是硬伤。
跟 AutoGPT、MetaGPT 比,它胜在"场景窄、流程短、可控"。跟普通爬虫 + GPT 脚本比,它胜在"评分标准外置"这个设计——这是这篇文章真正想聊的东西。
我试了下
在 Claude Code 里 clone 下来,跑了一下 demo 流程:
对一个 10 条岗位的样本,评分阶段平均每条 4–6 秒(用 Sonnet)。改了一版 rubric,把"远程"权重从 30% 调到 50%,重新跑分排序确实变了——原本排第二的一个 hybrid 岗掉到第四,纯远程的岗位顶上来了。
CV 改写阶段输出质量取决于 base CV 写得有多结构化。我塞了份没分段的简历进去,改出来基本是原文重排;塞了份带明确 bullet 的进去,改出来能看出针对 JD 调过措辞,技术栈关键词命中率高很多。
rubric + base CV 越结构化,这套工具效果越接近宣传的样子。这两个东西不是它帮你做的,是你自己先做好的。
谁该用
适合:
- 人在海外、订阅了 Claude Code、每周要投 20+ 岗的工程师
- 想研究"怎么把一个真实流程拆成 Agent 步骤"的人
不适合:
- 国内求职为主(岗位源覆盖弱是硬伤)
- 偶尔用用 Claude Code 的轻度求职者(杀鸡用牛刀)
- 不愿意自己写 rubric 的人——评分质量直接卡在这一步
对中文读者最值得借鉴的不是"求职 Agent"本身,而是"把主观决策拆成 A-F rubric + 让 LLM 按规则打分"这个套路。
套到论文评审、代码 review、需求排序、客户工单分级上一样能用。本质上是把"LLM 当 judge"做了一个最小可用的工程化框架:rubric 是判据,输出是结构化分数 + 理由,结果可追溯、可复现、可调试。
这比直接写 prompt 让 LLM"打个分"强在哪?强在 rubric 是人能 review 的、是版本可控的、是能跟团队对齐的。LLM 只是执行者,规则是你定的。