找工作最痛苦的不是没机会,是在几百个职位里分辨哪些值得花时间。Santiago Fernández 被裁员后用 Claude Code 搭了一套 AI 求职流水线 career-ops,靠它筛了 740 多个岗位、生成 100 多份定制简历,最终拿到应用人工智能总监(Head of Applied AI)的 offer。项目开源后在 GitHub 上迅速突破 15000 星标(截至2026年4月仍在快速增长),成为目前最受关注的 AI 求职工具。 仓库地址:https://github.com/santifer/career-ops
它到底解决什么问题
传统求职要么靠 Excel 手动记录,要么用 Boss 直聘、LinkedIn 之类的平台广撒网。career-ops 走的是完全相反的路线——它是一个过滤器,帮你从几百个岗位里挑出少数真正值得投入的。
系统采用 A-F 评分体系,从薪资匹配、技术栈契合度、成长空间等 10 个加权维度对每个岗位打分(满分 5.0),低于 4.0 的直接建议跳过。评估逻辑不是简单的关键词匹配,而是让 Claude Code 逐条对比你的简历和 JD,做语义级的匹配判断。
14 种技能模式和核心功能
career-ops 内置了 14 种斜杠指令模式,覆盖求职全链路:
职位发现阶段——门户扫描器预装了 45 家以上公司(包括 Anthropic、OpenAI、ElevenLabs、Mistral、Retool、Vercel 等),通过 Playwright 自动抓取 Greenhouse、Ashby、Lever、Wellfound、Workable 等平台,一次执行 19 个搜索查询。批量模式下可以通过 Claude 子代理并行评估 10 个以上职位。
简历生成阶段——根据每个 JD 自动生成 ATS 优化的 PDF 简历,使用 Playwright 渲染,内置 Space Grotesk 和 DM Sans 字体,确保在各大招聘系统中正常解析。不是套模板改几个词,而是根据匹配分析结果重新组织你的经历呈现方式。
面试与谈判阶段——系统会在每次评估中自动积累 STAR+反思格式的故事素材,逐步建立 5-10 个可复用的行为面试核心答案。还提供薪酬调研数据、谈判话术脚本和 LinkedIn 触达策略模板。
可视化管理——基于 Go 语言的 Bubble Tea 框架构建了终端仪表板(TUI),支持 6 种筛选标签、4 种排序方式,可以在终端里直接浏览、过滤和管理整个求职流程,不需要打开浏览器或 Excel。
安装和上手流程
整个部署过程大约 5 分钟,前提是已经安装了 Claude Code 和 Node.js:
然后复制配置模板、填入个人信息和简历内容(cv.md),在项目目录里启动 Claude Code,粘贴一个职位链接或描述就能跑通完整流程。
这套系统最特别的地方在于可以让 Claude 直接修改自身配置。比如你想把目标岗位从 AI 方向改成后端开发,直接告诉 Claude "把 archetype 改成后端工程师岗位",它会自动定位到对应的配置文件并完成修改。语言、评分权重、目标公司列表、谈判脚本都可以用同样的方式调整。
实际使用中的局限性
career-ops 并不适合所有人。首先,它依赖 Claude Code,这意味着需要 Anthropic 的付费订阅。其次,系统需要"训练期"——前几次评估的匹配度不会太准,因为 Claude 还不了解你的职业偏好和强项,需要持续喂入简历、项目经历、个人偏好等上下文才能越用越准,作者把这个过程比作"给新招聘官做入职培训"。
另外,系统默认的岗位类型、公司列表和评分维度都是按照作者本人的 AI/自动化方向设计的。虽然可以自定义,但从零适配到一个完全不同的领域(比如传统制造业或教育行业)需要花不少时间调整。目前社区已经有人做了多行业适配的 fork 版本,比如 career-ops-plugin 项目扩展了金融、医疗、法律等 15 个行业模板。
适合谁用
career-ops 最适合的场景是:正在找中高级技术或 AI 相关岗位,每周面对大量职位信息需要高效筛选,同时愿意在前期花时间配置和"训练"系统的求职者。如果你只是随便看看机会、或者目标岗位非常明确只需要投几家公司,用它反而是大炮打蚊子。
项目完全开源(MIT 许可证),没有任何付费墙。感兴趣可以直接 clone 仓库跑起来试试。