實戰

career-ops 實戰解析:用 Claude Code 打造自動化求職 Agent

santifer 把自己的求職流程開源成一套跑在本地 CLI 的多 Agent 工具,整合掃崗、A-F 評分、客製 CV、進度追蹤,GitHub 上累積 66k stars,據稱真實跑出 offer。

字級

它解決了什麼問題

santifer 在 README 裡寫得很直白:花了幾個月大量投履歷,完整體驗過一輪「被 AI 篩履歷」的流程,然後反過來幫求職者做了一套 AI 工具。

他做的事情非常具體,不是又一個空泛的「AI 求職助手」:

  • 批次從 Indeed、LinkedIn、RemoteOK 抓取職缺
  • 用 A-F rubric 把職缺與履歷的匹配度量化為 1.0–5.0 分
  • 針對高分職缺,讓 Claude 自動改寫 CV
  • 把每次投遞、回覆、面試全部記錄在本地檔案

作者說自己用這套工具評估了 740+ 個職缺、生成 100+ 份客製 CV,最後拿到目標 offer。GitHub 上 66k stars,README 翻譯成 17 種語言,WIRED 與 Business Insider 都報導過。

這不是 SaaS,是一套跑在 Claude Code / Codex / OpenCode / Antigravity 這些本地 CLI Agent 裡的 Markdown + 少量 JS glue。JavaScript 專案,純本地運行。

怎麼用

最小流程就三步:

git clone https://github.com/santifer/career-ops
cd career-ops
# 在 Claude Code 裡打開這個目錄,直接說:
# "幫我掃描 RemoteOK 上的 Python 後端職缺"

Agent 會讀取 .claude/ 下的 skill 定義,自動呼叫腳本拉職缺、跑評分、生成客製 CV。

以下是 src/scrapers/indeed.js 抓取邏輯的簡化版(結構來自 README 貼出來的實際程式碼):

// src/scrapers/indeed.js —— 多源抓取範例
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 評估這份職缺和候選人履歷的匹配度,輸出 1.0-5.0 分 + 理由。
      ${rubric}

      職缺 JD:
      ${job.description}

      候選人履歷:
      ${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 };

這段程式碼說明的核心設計:「讓 Agent 知道下一步該做什麼」這件事,不是寫在某個複雜框架裡,而是全部寫在自然語言指令檔(.claude/skills/*.md)加上少量 JS glue。

它怎麼運作

四階段流水線,串得相當清晰:

1. Scraper Agent
多源抓取(Indeed、LinkedIn、RemoteOK 等),存進本地 SQLite 或 JSON 檔。

2. Evaluator Agent
這一步是核心。用 Markdown 寫成的 A-F rubric——每個等級對應一組硬條件,例如:

  • A 級(4.5–5.0):薪資範圍匹配 + 全遠端 + 技術棧 80%+ 重疊
  • B 級(3.5–4.5):薪資 ±10% + 遠端可選 + 技術棧 60%+ 重疊
  • C 級(2.5–3.5):薪資偏差大但其他條件 OK
  • D-F 級:硬傷(簽證不友善、必須 onsite、技術棧完全不匹配)

LLM 按規則打出 1.0–5.0 分。

3. Tailor Agent
拿高分職缺(通常是 A 與 B)的 JD,對照你的 base CV,讓 Claude 生成客製版。不是從零寫,而是「針對 JD 調整措辭 + 調整 bullet 順序」。

4. Tracker
把每次投遞、每次回覆、每次面試記錄在本地 Markdown / CSV 裡,按狀態分組(投遞中 / 已讀 / 面試中 / Offer / Reject)。

關鍵設計:rubric 外置成可編輯的 .md 檔,使用者可以直接改評分標準,不用動程式碼。這比寫死 prompt 強很多——想幫「遠端」加權?改 Markdown 一行就行;想新增「公司規模」維度?加一段就行。

它哪裡好 / 哪裡不好

好的地方:

  • 閉環真實。不是 demo,作者跑出 offer 後才開源。
  • Rubric 設計可解釋、可調整。這點下面單獨談。
  • 本地運行,履歷與投遞資料不離開你的機器。
  • 對 Claude Code 使用者零學習成本,因為 skill 本身就是 .claude/skills/ 下的 Markdown。

不好的地方:

  • 重度依賴 Claude Code 訂閱(雖然 README 也列出 Codex / OpenCode / Antigravity,但官方 skill 是為 Claude Code 寫的)。
  • 評分品質取決於你寫的 rubric 品質——rubric 寫歪,LLM 跟著歪,沒有 ground truth 校驗。
  • 多 Agent 協作靠 prompt 串接,沒有顯式狀態機,跑長流程(例如連續評估 100 條職缺)容易掉上下文。
  • 重度依賴海外職缺源(Indeed / LinkedIn / RemoteOK),國內使用需要替換資料源,這是硬傷。

跟 AutoGPT、MetaGPT 比,它勝在「場景窄、流程短、可控」。跟一般爬蟲 + GPT 腳本比,它勝在「評分標準外置」這個設計——這也是這篇文章真正想聊的東西。

我試了一下

在 Claude Code 裡 clone 下來,跑了一遍 demo 流程:

對 10 條職缺的樣本,評分階段平均每條 4–6 秒(用 Sonnet)。改了一版 rubric,把「遠端」權重從 30% 調到 50%,重新跑分排序確實變了——原本排第二的某個 hybrid 職缺掉到第四,純遠端的職缺頂上來。

CV 改寫階段的輸出品質取決於 base CV 寫得有多結構化。我塞了一份沒分段的履歷進去,改出來基本是原文重排;塞了一份帶明確 bullet 的進去,改出來能看出針對 JD 調過措辭,技術棧關鍵字命中率高很多。

rubric + base CV 越結構化,這套工具效果越接近宣傳的樣子。這兩件事不是它幫你做的,是你自己先做好的。

誰適合用

適合:

  • 人在海外、訂閱 Claude Code、每週要投 20+ 職缺的工程師
  • 想研究「怎麼把一個真實流程拆成 Agent 步驟」的人

不適合:

  • 國內求職為主(職缺源覆蓋弱是硬傷)
  • 偶爾用 Claude Code 的輕度求職者(殺雞用牛刀)
  • 不願意自己寫 rubric 的人——評分品質直接卡在這一步

對中文讀者最值得借鏡的不是「求職 Agent」本身,而是「把主觀決策拆成 A-F rubric + 讓 LLM 按規則打分」這個套路。

套到論文審稿、code review、需求排序、客戶工單分級上一樣能用。本質上是把「LLM as judge」做了一個最小可用的工程化框架:rubric 是判據,輸出是結構化分數 + 理由,結果可追溯、可重現、可除錯。

這比直接寫 prompt 讓 LLM「打個分」強在哪?強在 rubric 是人可以 review 的、是版本可控的、是能跟團隊對齊的。LLM 只是執行者,規則是你定的。

參考:career-ops GitHub repo

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