このツールが解決する問題
santifer/career-ops の README は率直だ。数か月間ひたすら求人応募を続け、「AI に简历をふるいにかける側」の経験を味わい終わった後、求職者向けに AI ツールを作り直した。
やっていることは具体的で、よくある「AI 転職サポート」よりも一段踏み込んでいる。
- Indeed、LinkedIn、RemoteOK から求人を一括収集
- A〜F のルーブリックでポジションと简历のマッチ度を 1.0〜5.0 でスコアリング
- 高スコアのポジションは Claude に履歴書のカスタマイズを任せる
- 応募・返信・面接はすべてローカルファイルに記録
作者いわく、740 件以上のポジションを評価し、100 通以上のカスタマイズ履歴書を生成し、目標としていたオファーを獲得した。GitHub で 66k stars、README は 17 言語に翻訳され、WIRED や Business Insider でも紹介された。
SaaS ではなく、Claude Code / Codex / OpenCode / Antigravity といったローカル CLI Agent 上で動く Markdown とわずかな JS のグルーコードで構成されている。純ローカル動作。
使い方
最小ステップは 3 つ。
git clone https://github.com/santifer/career-ops
cd career-ops
# Claude Code でこのディレクトリを開き、"/help で Python バックエンド求人をスキャンして" と伝える
Agent が .claude/ 配下のスキル定義を読み込み、自動的にスクリプトを呼んで求人収集、スコアリング、カスタマイズ履歴書生成までを実行する。
以下は src/scrapers/indeed.js のクロール処理を簡略化したものだ(README に掲載されている実コードの構造)。
// src/scrapers/indeed.js ── マルチソースクロール例
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 = `
以下のルーブリックでポジションと候補者のマッチ度を評価し、1.0〜5.0 のスコアと理由を返して。
${rubric}
职位 JD:
${job.description}
候補者履歴書:
${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 };
このコードが示しているのは、複雑なフレームワークを用意するのではなく、自然言語の指示ファイル(.claude/skills/*.md)とわずかな JS のグルーコードで「Agent に次の行動を伝える」という設計思想だ。
仕組み
4 段階のパイプラインが直列に走る。
1. Scraper Agent
Indeed、LinkedIn、RemoteOK など複数ソースからクロールし、ローカルの SQLite または JSON に保存する。
2. Evaluator Agent
ここが核になる。Markdown で書かれた A〜F ルーブリックを使い、等級ごとに具体的な条件を定義する。
- A(4.5〜5.0):給与レンジが一致 + フルリモート + 技術スタック 80% 以上一致
- B(3.5〜4.5):給与 ±10% + リモート可 + 技術スタック 60% 以上一致
- C(2.5〜3.5):給与のずれは大きいがその他は OK
- D〜F:致命的欠点(ビザが厳しい、オンサイト必須、技術スタックがまったく合わないなど)
LLM がこのルールに従い 1.0〜5.0 のスコアを付ける。
3. Tailor Agent
高スコアのポジション(多くは A と B)の JD とベースとなる履歴書を突き合わせ、Claude にカスタマイズ版を生成させる。ゼロから書き起こすのではなく、「JD に沿った表現・強調点・箇条書きの並び順の最適化」がメインになる。
4. Tracker
応募・返信・面接のログをローカルの Markdown / CSV に記録し、状態(応募済み / 既読 / 面接中 / オファー / 不採用)で分類する。
重要な設計として、ルーブリックは編集可能な .md ファイルとして外出しされている。コードを触らず、ユーザーが評価基準を直接書き換えられる。プロンプトにベタ書きするより遥かに扱いやすい。「リモート」の重みを上げたいなら Markdown を 1 行書き換えるだけ。「企業規模」の観点を追加したいなら 1 段落加えればいい。
強みと弱み
いいところ
- 実運用に裏付けられている。デモ用ではなく、実際にオファーを取ったあとにオープンソース化された。
- ルーブリック設計が解釈可能で調整しやすい。詳しくは後述。
- ローカル動作なので、履歴書や応募データが端末から出ない。
- Claude Code ユーザーなら学習コストゼロ。スキル自体が
.claude/skills/配下の Markdown なので。
いまいちなところ
- Claude Code のサブスクリプション依存度が大きい(README には Codex / OpenCode / Antigravity も併記されているが、公式スキルは Claude Code 前提で書かれている)。
- スコアリング品質はルーブリックの質次第。ルーブリックがズレれば LLM もズレる。ground truth による検証はかかっていない。
- 複数 Agent の連携はプロンプトの連結に頼っていて、明示的な状態機械がない。長時間のタスク(100 件連続評価など)ではコンテキストが抜けやすい。
- 海外求人ソース(Indeed / LinkedIn / RemoteOK)への依存が大きい。日本国内で使うならデータソース差し替えが必須で、これは構造的な弱点になる。
AutoGPT や MetaGPT と比較すると、勝るのは「スコープが狭く、フローが短く、制御しやすい」点。一般的なクローラ + GPT スクリプトと比較すると、勝るのは「評価基準を外出しにする」設計で、本記事のメインテーマでもある。
実際に試してみた
Claude Code 上で clone し、デモフローを回してみた。
10 件の求人サンプルに対し、スコアリング段階は 1 件あたり平均 4〜6 秒(Sonnet 使用)。ルーブリックを編集し、「リモート」の重みを 30% から 50% に上げて再スコアリングしたところ、確かにランキングが変動した。元 2 位のハイブリッド求人が 4 位に落ち、純粋なリモート求人がトップに浮上した。
履歴書カスタマイズの出力品質は、ベースとなる履歴書がどれだけ構造化されているかに左右される。段落分けのない履歴書を入れると、出力はほぼ原文の並べ替えになる。一方、明確な箇条書きのある履歴書を入れると、JD に沿った表現調整が入り、技術スタックのキーワード命中率も明確に上がる。
ルーブリックとベース履歴書が構造化されていればされるほど、このツールは謳い文句に近づく。この 2 つはツールが用意してくれるものではなく、ユーザーが事前に整えておくものだ。
どんな人に向くか
向くケース
- 海外在住で、Claude Code を契約しており、週 20 件以上応募するエンジニア
- 「実運用フローを Agent のステップに分解する」設計を研究したい人
向かないケース
- 日本国内中心の転職活動(求人ソースのカバレッジ弱が致命的)
- Claude Code をたまに使う程度のライト求職者(牛刀をもって鶏を割く感)
- ルーブリックを自分で書く気がない人(スコアリング品質がここで決まる)
日本の読者にとって本当に参考にすべきは「転職 Agent」というアプリ形態そのものではなく、「主観的な判断を A〜F ルーブリックに分解し、LLM にルールベースでスコア付けさせる」というパターンだ。
論文査読、コードレビュー、要件の優先順位付け、顧客チケットのトリアージにも同じ発想が使える。本質的には「LLM as a Judge」を最小構成で工学的フレームワークに落とし込んだものだ。ルーブリックが判定基準、出力が構造化スコア + 理由、結果は追跡・再現・調整が可能。
「点数をつけて」とプロンプトで直接書くのと何が違うのか。違うのは、ルーブリックは人間がレビューでき、バージョン管理でき、チームで合意形成できる点だ。LLM は単なる実行者で、ルールを決めるのは人間側。