AI 驱动的求职申请框架ai-job-search 完全指南核心观点ai-job-search是一个基于Claude CodeAnthropic 的 AI CLI 工具构建的开源求职自动化框架。它将 AI 能力注入求职全流程从职位搜索、适配度评估、简历定制、求职信撰写到面试准备形成一套完整的端到端求职流水线。框架语言和国家无关核心逻辑可复用搜索插件可扩展到任何地区的招聘平台。关键信息1. 框架整体架构/setup /scrape /apply | | | v v v 填写个人档案 搜索招聘网站 评估职位匹配度 | | | v v v Profile 文件 展示匹配岗位 起草简历 求职信 就绪 并附匹配评分 LaTeX 排版 | | v v 选择岗位 Reviewer Agent 审核 | → 修改 → 最终输出 v 执行 /apply2. 核心命令速览命令功能描述/setup初始化个人档案读取文档/粘贴 CV/交互式访谈/scrape批量搜索多个招聘平台按匹配度排序展示/apply URL完整申请流程评估→起草→审核→修订→输出/rank批量为 scrape 结果评分生成优先级排行榜/outcome记录申请结果面试/录用/拒绝归档材料/expand扫描 GitHub/Kaggle/Scholar 等公开资料丰富技能档案/upskill分析技能差距生成学习计划和资源推荐/add-template注册自定义 LaTeX 简历或求职信模板/add-portal为本地市场添加新的招聘平台搜索插件/reset清除档案数据重新开始3. 环境依赖Claude CodeCLIPython 3.10Bun用于丹麦招聘平台 CLI 工具LaTeX 发行版简历编译使用lualatexpdflatex 在现代 MiKTeX 上有字体兼容问题求职信编译使用xelatexcover.cls依赖fontspec可选pdftotext来自 poppler用于 ATS 可解析性检查4. 快速上手步骤# Step 1: Fork 并克隆仓库 gh repo fork MadsLorentzen/ai-job-search --clone cd ai-job-search # Step 2: 安装各平台搜索工具以 jobindex 为例 cd .agents/skills/jobindex-search/cli bun install cd ../../../.. # Step 3: 启动 Claude Code 并初始化档案 claude # 进入 Claude Code 后 /setup # Step 4: 搜索职位 /scrape # Step 5: 一键完整申请 /apply https://jobindex.dk/job/1234567 # 若无法抓取 URL可直接粘贴 JD 文本 /apply5./apply工作流深度解析/apply是框架的核心命令执行以下流水线解析 JDURL 或文本 ↓ 评估职位与个人档案的匹配度 ↓ 起草定制化 LaTeX 简历 求职信 ↓ 召唤 Reviewer Agent调研公司 批评草稿 ↓ 根据反馈修订 ↓ 编译 PDFlualatex 简历 / xelatex 求职信 Claude 读取渲染页面并迭代修正 LaTeX 直到简历 精确 2 页求职信 精确 1 页 ↓ ATS 文本层检查pdftotext 提取 关键词覆盖验证 ↓ 展示最终输出 核验清单三大差异化亮点PDF 视觉验证循环自动检测并修复 LaTeX 常见排版问题职位标题跨页、求职信溢出、字体回退使用\needspace、\enlargethispage等命令精确控制版面每次申请都自动运行无需手动调整ATS 文本层验证LaTeX 生成的 PDF 文本层可能乱码图标字形覆盖邮箱、多列乱序用pdftotext提取实际文本验证联系方式、阅读顺序、关键词覆盖诚信原则档案中没有的技能不会被硬塞差距如实标注相关性加权简历裁切简历超过 2 页时不机械从最早经历砍起按三维评分决定删减优先级(a) 与目标职位的相关性(b) 在文档中的唯一性(c) 求职信是否已覆盖该内容6. 项目文件结构精简版ai-job-search/ ├── CLAUDE.md # 主候选人档案 工作流规则 ├── .claude/ │ ├── commands/ # 所有斜杠命令定义.md 文件 │ └── skills/ │ ├── job-application-assistant/ # 核心申请技能 │ │ ├── 01-candidate-profile.md # 教育/经历/技能 │ │ ├── 02-behavioral-profile.md # 性格测评PI/DISC │ │ ├── 03-writing-style.md # 写作风格规范 │ │ ├── 04-job-evaluation.md # 职位匹配评分框架 │ │ ├── 05-cv-templates.md # LaTeX 简历模板规则 │ │ ├── 06-cover-letter-templates.md │ │ └── 07-interview-prep.md # STAR 示例 面试框架 │ └── upskill/ ├── .agents/skills/ # 各招聘平台 CLI 工具 ├── cv/main_example.tex # moderncv LaTeX 模板 ├── cover_letters/ # 求职信 LaTeX 类 字体 ├── documents/ # 个人材料CV/证书/推荐信等 ├── job_search_tracker.csv # 申请进度追踪表 └── salary_lookup.py # 薪资基准工具代码/示例个人档案初始化的三种路径/setup 提供三种初始化方式 1. 文档文件夹模式Path A读取 documents/ 下的 CV PDF、LinkedIn 导出、学位证书等 2. 单份 CV 粘贴模式直接在对话中粘贴 CV 文本 3. 交互式访谈模式Claude 逐步提问建立档案求职信编译命令框架内部执行# 简历编译 lualatex cv/main.tex # 求职信编译 xelatex cover_letters/cover.tex # ATS 文本提取可选 pdftotext cv/main.pdf - | head -50薪资工具BYO 数据# salary_lookup.py - 自带薪资基准查询工具 # 需配合 tools/convert_salary_excel.py 将 Excel 数据转换为 JSON个人启发流水线思维应用于求职将求职拆解为标准化可重复的工程流程档案→搜索→评估→起草→审核→修订→输出每个环节都有明确的输入输出这是把软件工程思维引入求职场景的优秀实践。Drafter Reviewer 双 Agent 模式值得借鉴起草者和评审者分离相互制衡能有效避免单一 AI 的自我满足偏差。这一模式可推广到任何需要高质量文本输出的 AI 应用场景。PDF 验证闭环解决了 LaTeX 的痛点LaTeX 排版所写非所得的问题长期困扰用户通过让 AI 读取渲染后的 PDF 页面并迭代修正本质上是一种视觉反馈驱动的代码生成循环这一思路对其他文档自动化工具很有参考价值。诚信护栏的设计哲学档案中没有的技能绝不伪造这提醒我们在构建 AI 辅助工具时必须将业务约束和伦理边界显式编码到 Prompt 和流程中而非依赖模型自律。延伸思考如何将此框架迁移到中文求职市场招聘平台需替换为Boss直聘、智联招聘、猎聘等LaTeX 模板需支持中文排版如切换为xeCJK或ctex评分框架中的文化维度也需针对国内职场重新校准。技术实现是否存在中文字体和 PDF 文本提取的兼容挑战Drafter-Reviewer 双 Agent 架构的局限性是什么当前 Reviewer Agent 主要负责公司调研 文档批评但两个 Agent 共享同一底层模型是否会产生系统性偏差引入更多样化的评审维度如行业专家视角、HR 视角或人类反馈闭环能否显著提升最终输出质量/outcome反馈机制能否进化为真正的自适应学习目前/outcome记录申请结果并提示重新/setup校准框架但这依赖用户主动触发。若将历史申请数据投递→结果结构化存储能否训练一个个性化的匹配度预测模型让评分框架随着申请经验积累而自动优化而非每次手动重新校准
