实战

career-ops 拆解:在 Claude Code 里跑一个找工作 Agent

扫岗、A-F 评分、定制 CV、追踪进度——santifer 把自己的求职流程开源成一套跑在本地 CLI 的多 Agent 工具,66k stars,真实跑出过 offer。

字号

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。

参考:career-ops GitHub repo

来源: https://github.com/santifer/career-ops