career-ops 实测AI 求职系统能把简历从乱稿带到 PDF 投递件走多远【免费下载链接】career-opsOpen-source AI job search: scan job portals, evaluate listings into a structured A-H report with a global 1-5 score, tailor your CV, track applications — runs locally in your AI coding CLI (Claude Code, Codex, OpenCode, Antigravity…)项目地址: https://gitcode.com/GitHub_Trending/ca/career-ops求职不是一次点击发送的动作而是一场持续数周甚至数月的运营战。career-ops 就是为这件事生的一个构建在 Claude Code 等 AI 编码 CLI 之上的开源 AI 求职系统能扫描招聘门户、把职位逐一评估成结构化报告、按岗位定制并一键生成 ATS 友好的 PDF 简历再把整个求职流程管理收进单一事实源。所有数据都留在你的机器上。求职真正的难点不是写简历是管流程先抛开AI 帮我写简历这类宣传话术看看求职者实际被卡住的几个位置简历只有一份通用版投 30 家公司就用同一份匹配度全靠玄学投出去之后进度全凭记忆哪家到哪一步、哪该跟进翻聊天记录才能想起来面试前一晚临时抱佛脚公司研究、薪资口径、行为面试题各查各的海投模式看似高效实际上是在给不匹配的岗位浪费自己的时间。career-ops 的设计者把这四件事分别做成了模块而不是塞进一个黑盒按钮。5 分钟上手更像开启一场对话环境要求不高Node.js 18 加上 git可选装 Go 1.21 来跑仪表板。最省事的入口是一条命令npx santifer/career-ops init它会把最新 release 克隆到./career-ops并装好依赖偏爱手动的话git clone https://gitcode.com/GitHub_Trending/ca/career-ops后npm install效果相同。接下来不是填配置表而是对话式 onboarding在目录里打开你的 AI CLIClaude Code、Codex、OpenCode 都行首次启动它会直接问你简历、目标岗位、薪资预期边聊边把config/profile.yml和扫描配置落好。哪里不对劲就运行node doctor.mjs自检。Go 写的终端仪表板是可选项npm run serve:dashboard一开筛选、排序、改状态都在终端里完成不想装 Go 也完全不影响主线功能。粘一个 JD换回一整套交付物这是整个系统的主干把职位链接或 JD 文本丢进去auto-pipeline 会连续做四件事——渲染并抓取 JD含职位是否还活着的存活性检查过期岗位直接拦下不浪费一次评估、输出 A-H 结构报告、生成定制 PDF、写一行进 tracker。报告不是关键词打勾。全局 1-5 分来自模型对简历与 JD 五个维度的整体判断而不是算术平均Block G 单独负责甄别招聘钓鱼帖和幽灵岗位且不计入分数只有 4.5 分以上才会追加生成 Block H。更值得注意的是它的态度系统明确不推荐投递低于 4.0 分的岗位——这是一个过滤器不是海投加速器。PDF 这条链路值得多说一句node generate-pdf.mjs走 HTML 模板加无头 Chromium 渲染默认两页预算、超页会给出裁剪建议还支持按报告编号把 PDF 和 tracker 条目互相链接之后在仪表板里按快捷键就能调出对应投递件。想省钱的话仓库里给了 Ollama 本地模型和免费额度的跑法文档。14 种技能模式挑你用的那几个modes/目录下一个 Markdown 文件就是一个技能模式AI CLI 读文件、执行工作流路由规则在AGENTS.md里。常用的一览scan门户扫描预置 100 公司与 45 查询覆盖 Greenhouse、Ashby、Lever 等 55 招聘源加--verify还能用 Playwright 把已下线的僵尸帖滤掉tracker/pipeline申请状态总览、URL 收件箱处理pdf/cover/email简历、求职信、正式投递邮件——后两者只出草稿永不替你发送或点击deep/contacto公司深度研究 找到该联系的人并按联系人类型生成 300 字符内的 LinkedIn 消息interview-prep/interview-redflag/offer-prep面试情报、公司红旗检测、合同条款陪读支持斜杠命令的 CLI 里统一走/career-ops {子命令}Codex 这类不保证斜杠命令的直接用自然语言说模式名也行。批量评估让无头工人替你磨一次要处理十来个职位时切到 batch 模式无头子进程如claude -p各自带着干净的上下文并行评估主进程只做编排。有个细节做得挺细——正式评估前会先用经济档模型做一次廉价初筛明显不匹配的岗位直接标记 skipped并且每一票否决都写进discard.log过滤逻辑不是黑箱你可以回头检查它是不是筛太狠了。面试前别再临时抱佛脚评估拿到 4 分以上、状态改到面试后interview-prep会基于报告、STARR 故事库和你的简历产出带时间块的准备计划和逐轮面板情报modes/interview/里还有陪练面试官和面后复盘。流程后段同样有工具followup-cadence.mjs算跟进节奏salary-gap.mjs对比期望/报价/实际薪资analyze-patterns.mjs复盘你的拒绝模式和各 ATS 渠道的推进率。跑一段时间后再用calibrate模式回看你的评分到底能不能预测真实结果。适用边界说清楚三件事决定它适不适合你它不替你点任何按钮。所有产出——报告、PDF、邮件草稿——都要人审human-in-the-loop 是设计目标而非默认值。想要全自动代投的人会在第一天就失望前几次评估不会惊艳。系统得先认识你简历、职业叙事、偏好喂得越多评分和定制越准。把它当成入职第一周的新 HR隐私换便利。cv.md、data/、reports/全部本地且 gitignored简历只发给你自己选的 AI 供应商没有中间商。如果你的投递量已经大到需要表格管进度今晚就可以动手克隆仓库、跑 init、把那个最想去但一直没投的岗位粘进去看它给出的 4.5 分线报告是怎么判你的。答案比你想象中更有信息量。【免费下载链接】career-opsOpen-source AI job search: scan job portals, evaluate listings into a structured A-H report with a global 1-5 score, tailor your CV, track applications — runs locally in your AI coding CLI (Claude Code, Codex, OpenCode, Antigravity…)项目地址: https://gitcode.com/GitHub_Trending/ca/career-ops创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
career-ops 实测AI 求职系统能把简历从乱稿带到 PDF 投递件走多远【免费下载链接】career-opsOpen-source AI job search: scan job portals, evaluate listings into a structured A-H report with a global 1-5 score, tailor your CV, track applications — runs locally in your AI coding CLI (Claude Code, Codex, OpenCode, Antigravity…)项目地址: https://gitcode.com/GitHub_Trending/ca/career-ops求职不是一次点击发送的动作而是一场持续数周甚至数月的运营战。career-ops 就是为这件事生的一个构建在 Claude Code 等 AI 编码 CLI 之上的开源 AI 求职系统能扫描招聘门户、把职位逐一评估成结构化报告、按岗位定制并一键生成 ATS 友好的 PDF 简历再把整个求职流程管理收进单一事实源。所有数据都留在你的机器上。求职真正的难点不是写简历是管流程先抛开AI 帮我写简历这类宣传话术看看求职者实际被卡住的几个位置简历只有一份通用版投 30 家公司就用同一份匹配度全靠玄学投出去之后进度全凭记忆哪家到哪一步、哪该跟进翻聊天记录才能想起来面试前一晚临时抱佛脚公司研究、薪资口径、行为面试题各查各的海投模式看似高效实际上是在给不匹配的岗位浪费自己的时间。career-ops 的设计者把这四件事分别做成了模块而不是塞进一个黑盒按钮。5 分钟上手更像开启一场对话环境要求不高Node.js 18 加上 git可选装 Go 1.21 来跑仪表板。最省事的入口是一条命令npx santifer/career-ops init它会把最新 release 克隆到./career-ops并装好依赖偏爱手动的话git clone https://gitcode.com/GitHub_Trending/ca/career-ops后npm install效果相同。接下来不是填配置表而是对话式 onboarding在目录里打开你的 AI CLIClaude Code、Codex、OpenCode 都行首次启动它会直接问你简历、目标岗位、薪资预期边聊边把config/profile.yml和扫描配置落好。哪里不对劲就运行node doctor.mjs自检。Go 写的终端仪表板是可选项npm run serve:dashboard一开筛选、排序、改状态都在终端里完成不想装 Go 也完全不影响主线功能。粘一个 JD换回一整套交付物这是整个系统的主干把职位链接或 JD 文本丢进去auto-pipeline 会连续做四件事——渲染并抓取 JD含职位是否还活着的存活性检查过期岗位直接拦下不浪费一次评估、输出 A-H 结构报告、生成定制 PDF、写一行进 tracker。报告不是关键词打勾。全局 1-5 分来自模型对简历与 JD 五个维度的整体判断而不是算术平均Block G 单独负责甄别招聘钓鱼帖和幽灵岗位且不计入分数只有 4.5 分以上才会追加生成 Block H。更值得注意的是它的态度系统明确不推荐投递低于 4.0 分的岗位——这是一个过滤器不是海投加速器。PDF 这条链路值得多说一句node generate-pdf.mjs走 HTML 模板加无头 Chromium 渲染默认两页预算、超页会给出裁剪建议还支持按报告编号把 PDF 和 tracker 条目互相链接之后在仪表板里按快捷键就能调出对应投递件。想省钱的话仓库里给了 Ollama 本地模型和免费额度的跑法文档。14 种技能模式挑你用的那几个modes/目录下一个 Markdown 文件就是一个技能模式AI CLI 读文件、执行工作流路由规则在AGENTS.md里。常用的一览scan门户扫描预置 100 公司与 45 查询覆盖 Greenhouse、Ashby、Lever 等 55 招聘源加--verify还能用 Playwright 把已下线的僵尸帖滤掉tracker/pipeline申请状态总览、URL 收件箱处理pdf/cover/email简历、求职信、正式投递邮件——后两者只出草稿永不替你发送或点击deep/contacto公司深度研究 找到该联系的人并按联系人类型生成 300 字符内的 LinkedIn 消息interview-prep/interview-redflag/offer-prep面试情报、公司红旗检测、合同条款陪读支持斜杠命令的 CLI 里统一走/career-ops {子命令}Codex 这类不保证斜杠命令的直接用自然语言说模式名也行。批量评估让无头工人替你磨一次要处理十来个职位时切到 batch 模式无头子进程如claude -p各自带着干净的上下文并行评估主进程只做编排。有个细节做得挺细——正式评估前会先用经济档模型做一次廉价初筛明显不匹配的岗位直接标记 skipped并且每一票否决都写进discard.log过滤逻辑不是黑箱你可以回头检查它是不是筛太狠了。面试前别再临时抱佛脚评估拿到 4 分以上、状态改到面试后interview-prep会基于报告、STARR 故事库和你的简历产出带时间块的准备计划和逐轮面板情报modes/interview/里还有陪练面试官和面后复盘。流程后段同样有工具followup-cadence.mjs算跟进节奏salary-gap.mjs对比期望/报价/实际薪资analyze-patterns.mjs复盘你的拒绝模式和各 ATS 渠道的推进率。跑一段时间后再用calibrate模式回看你的评分到底能不能预测真实结果。适用边界说清楚三件事决定它适不适合你它不替你点任何按钮。所有产出——报告、PDF、邮件草稿——都要人审human-in-the-loop 是设计目标而非默认值。想要全自动代投的人会在第一天就失望前几次评估不会惊艳。系统得先认识你简历、职业叙事、偏好喂得越多评分和定制越准。把它当成入职第一周的新 HR隐私换便利。cv.md、data/、reports/全部本地且 gitignored简历只发给你自己选的 AI 供应商没有中间商。如果你的投递量已经大到需要表格管进度今晚就可以动手克隆仓库、跑 init、把那个最想去但一直没投的岗位粘进去看它给出的 4.5 分线报告是怎么判你的。答案比你想象中更有信息量。【免费下载链接】career-opsOpen-source AI job search: scan job portals, evaluate listings into a structured A-H report with a global 1-5 score, tailor your CV, track applications — runs locally in your AI coding CLI (Claude Code, Codex, OpenCode, Antigravity…)项目地址: https://gitcode.com/GitHub_Trending/ca/career-ops创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
