AI Job Search – 开源 AI 求职框架，自动匹配与搜索职位

1. AI Job Search是什么

AI Job Search是基于Claude Code的开源AI求职框架，通过构建深度结构化职业档案，实现职位智能匹配与定制化申请材料自动生成。该框架采用“起草-复审”双代理工作流，利用Claude Code的CLI接口驱动本地化运行，能够自动抓取多平台职位信息，基于技能、经验、文化契合度等多维度进行智能评分，并生成经过事实核验的LaTeX格式简历与求职信。其核心理念在于“档案深度决定输出质量”，强调通过详尽的个人职业信息输入来驱动高质量的定制化输出。

技术定位与领域： 属于AI辅助求职工具领域，是开源、本地化运行的智能求职框架。与传统的SaaS求职平台不同，AI Job Search采用完全本地化的架构，用户数据存储在本地，不依赖云端服务，在隐私保护和数据安全方面具有显著优势。其技术路线聚焦于利用大语言模型的推理能力进行职业档案的结构化建模、职位匹配度评估以及申请材料的叙事重构，属于LLM在垂直场景的深度应用。

研发背景： 由开发者MadsLorentzen基于Claude Code构建并开源。研发动机源于传统求职流程中重复性工作与低效投递的痛点——求职者往往需要为每个职位手动修改简历和求职信，而现有自动化工具要么缺乏定制化能力（如批量投递模板化），要么技术门槛过高。AI Job Search试图在自动化效率与个性化定制之间找到平衡点，通过双代理架构确保输出质量的同时，提升投递效率。

核心价值： 解决求职过程中“效率与质量不可兼得”的核心矛盾。传统批量申请工具虽然效率高，但生成的申请材料千篇一律，无法针对每个职位深度定制；而手动定制虽然质量高，但时间成本巨大。AI Job Search通过自动化生成深度定制的LaTeX文档，在保持高质量的同时大幅提升投递效率。此外，其职业路径发现功能和STAR行为面试案例库生成能力，为求职者提供了超越材料生成的全流程支持。

技术特点： 采用双代理工作流架构，起草代理生成初稿后，审查代理独立研究公司背景并批判性评估内容真实性，杜绝虚构经历，确保材料专业可信。所有输出基于LaTeX格式，支持源码级定制，排版专业美观。框架完全开源，用户可自由修改和扩展，支持对接不同地区的招聘平台CLI工具，具备高度的可扩展性和适应性。

2. 主要功能

• 双代理工作流： 采用“起草-复审”双代理架构，起草代理基于职位要求和用户档案生成定制化申请材料后，审查代理独立搜索公司背景信息，对材料进行真实性核验和叙事优化。这种架构有效避免了AI常见的“幻觉”问题，确保生成的简历和求职信中的每项经历都可追溯、可验证，显著提升材料的可信度和专业度。

• 智能档案建立： 通过交互式访谈或导入现有简历，系统自动构建涵盖教育背景、专业技能、工作经历、行为评估及职业目标的深度结构化档案。档案不仅记录“做了什么”，还要求量化成果（如“将系统响应时间缩短40%”），并支持多版本档案管理，用户可根据不同行业方向维护多个职业叙事版本。

• 职位匹配与搜索： 支持对接多个招聘平台的CLI工具，自动抓取职位信息并基于技能匹配度、经验契合度、文化契合度、薪资范围等维度进行综合评分。系统会去重并排序推荐最匹配的职位，用户可设置筛选条件（如地理位置、公司规模、薪资下限）进一步缩小范围，避免在海量职位中盲目筛选。

• 定制化申请材料生成： 基于职位要求，系统自动重构用户档案中的叙事逻辑，生成高度针对性的LaTeX简历与求职信。生成的简历不仅调整关键词，还会重新组织项目经历的顺序和描述重点，使每份申请材料都能精准呼应职位描述中的核心要求，避免模板化痕迹。

• 面试准备辅助： 基于用户真实经历自动生成STAR（Situation-Task-Action-Result）行为面试案例库。系统会分析用户档案中的具体项目，提取可量化的成果，并生成结构化的应答框架。用户可针对不同职位类型（如技术岗、管理岗）生成不同侧重点的案例库，为行为面试提供充分准备。

• 职业路径探索： 通过深度分析用户历史职业经历中的可转移技能（如项目管理、跨部门协作、数据分析），系统智能推荐用户未曾考虑的跨行业或新兴职业机会。例如，一位传统制造业的工程师可能会被推荐到物联网解决方案架构师岗位，系统会详细说明技能如何迁移。

• 薪资基准对标： 支持对接外部薪资数据集（如Glassdoor、Payscale API），基于用户职位、经验、地理位置等因素进行市场水平分析。生成的薪资报告包含分位数（25th/50th/75th）、行业对比、地区差异等维度，为薪资谈判提供数据支撑，帮助用户设定合理的薪资期望。

• 多平台适配： 框架采用模块化设计，支持通过CLI工具对接不同国家和地区的招聘平台（如Jobindex、Indeed、LinkedIn等）。用户可根据目标市场安装对应的搜索插件，系统会自动适配各平台的职位数据格式和搜索策略，实现全球化求职支持。

3. 应用场景

• 大规模精准投递： 适用于需要申请大量职位但拒绝模板化的求职者。用户只需维护一份详尽的职业档案，系统即可为每个职位自动生成深度定制的LaTeX简历与求职信。例如，一位软件工程师申请10家不同公司的后端开发岗位，系统会根据每家公司的技术栈（如Java vs. Go）、业务领域（如电商 vs. 金融）和职位要求（如微服务 vs. 单体架构）自动调整项目描述和技能重点，在保持高质量的同时大幅提升投递效率。

• 跨行业/转行求职： 适合希望转换职业跑道或进入新兴领域的用户。系统通过分析用户历史经历中的可转移技能（如项目管理、数据分析、跨部门协作），自动生成针对新行业的职业叙事。例如，一位传统零售业的运营经理转行到互联网产品运营，系统会将其“门店销售数据分析”经验重新框架化为“用户行为分析与运营策略制定”，并推荐匹配的职位和技能提升建议。

• 复杂背景梳理： 适用职业经历多元、项目类型丰富的候选人。系统通过结构化档案建立，将分散在不同行业、不同岗位的技能和成就整合为逻辑清晰的职业叙事。例如，一位拥有创业、咨询和技术开发多重背景的求职者，系统会自动识别其核心能力（如产品从0到1、跨团队协作、技术决策），并生成针对不同职位类型的多版本简历，避免申请材料杂乱无章。

• 面试系统准备： 针对需要应对行为面试的场景。系统基于用户真实经历自动生成STAR案例库，每个案例包含完整的情境描述、任务分解、行动步骤和量化成果。用户可针对不同职位类型（如技术岗、管理岗、产品岗）生成不同侧重点的案例集，并附上常见追问和应答策略。例如，一位项目经理可以生成“跨部门冲突解决”、“项目延期处理”、“预算超支应对”等案例，覆盖面试中可能出现的各种场景。

• 专业领域求职： 适合学术界、科研、高端技术岗位等需要精确表述专业能力的场景。系统生成的LaTeX文档支持复杂的数学公式、技术图表、参考文献格式等，符合学术和科研领域的排版标准。例如，一位机器学习研究员申请工业界研究岗位，系统会精确描述其发表的论文、使用的模型架构（如Transformer、GAN）、实验设置和评估指标，确保技术术语和项目描述的准确性。

4. 如何使用

1. 环境准备： 需要安装以下依赖：Claude Code CLI（需要Claude Pro订阅）、Python 3.10或更高版本、Bun（JavaScript运行时）和LaTeX发行版（推荐TeX Live或MiKTeX）。操作系统建议使用macOS或Linux，Windows用户需要WSL2支持。确保系统已安装Git用于版本控制。

2. Fork并克隆仓库： 在GitHub上Fork项目仓库（MadsLorentzen/ai-job-search），然后使用命令gh repo fork MadsLorentzen/ai-job-search --clone克隆到本地。如果未安装GitHub CLI，可使用git clone命令手动克隆Fork后的仓库。建议创建一个新的分支用于个性化配置。

3. 安装搜索工具： 进入各职位平台的CLI目录，例如cd jobindex-search/cli，然后运行bun install安装依赖。每个平台的CLI工具需要单独安装，用户可根据目标市场选择安装对应的工具。安装完成后，需要配置API密钥或登录信息（具体取决于平台要求）。

4. 建立个人档案： 在项目根目录运行claude进入Claude Code CLI，然后执行/setup命令。系统会启动交互式访谈，引导用户填写教育背景、工作经历、技能清单、项目成果、职业目标等信息。用户也可以选择导入现有简历（支持PDF和Word格式），系统会自动解析并结构化。建议在此阶段尽可能详细地填写经历，包括具体的量化成果（如“将用户留存率提升25%”）、使用的工具和技术栈、团队规模等。

5. 搜索职位： 执行/scrape命令，系统会自动启动已安装的搜索工具，抓取多平台职位信息。用户可以在配置文件中设置搜索关键词、地理位置、薪资范围等筛选条件。搜索结果会以表格形式展示，包含职位标题、公司、匹配度评分、薪资范围等字段。用户可查看详细匹配分析，了解系统评分的依据。

6. 申请职位： 找到目标职位后，执行/apply <职位链接>命令，或直接粘贴职位描述文本。系统会启动双代理工作流：首先，起草代理基于用户档案和职位要求生成简历和求职信草稿；然后，审查代理独立研究公司背景（包括公司文化、最新新闻、产品动态等），对草稿进行批判性评估和优化。最终生成的LaTeX文件会保存在output/目录下，用户可编译为PDF后直接提交。

7. 面试准备： 执行/interview命令，系统会基于用户档案自动生成STAR行为面试案例库。用户可指定职位类型（如“产品经理”或“后端开发”），系统会生成对应的案例集。每个案例包含问题描述、STAR框架应答、关键要点提示和常见追问。案例库可导出为PDF或Markdown格式，方便打印或导入笔记应用。

8. 职业探索： 执行/discover命令，系统会分析用户的可转移技能和职业历史，生成职业路径报告。报告包含推荐的跨行业机会、技能差距分析、学习资源推荐以及目标行业的入门策略。用户可根据报告调整求职方向或制定学习计划。

5. 优缺点分析

6. 同类工具对比

选型建议： 对于技术背景强、追求申请材料深度定制和真实性的求职者（如科技行业工程师、学术界研究人员），AI Job Search是理想选择。其双代理核验机制和LaTeX输出能力确保材料专业可信，本地化架构保护隐私，但需要投入时间学习配置。对于希望快速大量投递、不介意模板化的求职者，LoopCV的全自动批量申请模式更高效，但需注意其生成的申请材料可能缺乏个性。

对于注重求职过程跟踪、希望系统化管理的职场人士，Teal提供了更友好的用户体验和过程管理功能，但其手动优化模式效率较低。对于追求极简操作、只想快速填充申请表单的用户，Simplify的浏览器扩展最为便捷，但定制化能力有限。总体而言，AI Job Search在定制化深度和真实性保障方面具有独特优势，适合愿意投入技术学习成本换取高质量输出的用户。

7. 编辑点评

技术创新性评估： AI Job Search在技术架构上展现出独特的创新性。双代理工作流的设计巧妙解决了大语言模型在求职场景中的核心痛点——内容虚构问题。传统AI求职工具往往无法有效区分“优化”与“编造”，导致生成的申请材料存在事实性错误。而审查代理的独立核验机制，通过让另一个AI实例从外部视角审视材料，形成了一种有效的自我纠错机制。这种“AI监督AI”的思路在垂直场景中具有示范意义，有望被其他需要内容真实性保障的应用场景借鉴。此外，将LaTeX作为输出格式而非简单的PDF生成，体现了对专业排版质量的追求，这在AI求职工具中较为少见。

实用价值分析： 从实用角度看，AI Job Search解决了求职流程中“效率-质量”的二元对立问题。对于需要申请大量职位的求职者，手动为每个职位定制简历和求职信几乎不可行，而模板化批量申请又会导致材料缺乏针对性。AI Job Search在两者之间找到了平衡点：它通过自动化实现了效率提升，同时通过双代理架构和档案深度驱动确保了定制化质量。特别是STAR案例库的自动生成功能，为行为面试准备提供了结构化支持，这是多数求职工具忽略的重要环节。薪资对标功能也为薪资谈判提供了数据基础，增加了求职者的议价能力。

适用人群定位： 该工具的核心目标用户是具备一定技术背景的求职者，尤其是科技行业工程师、数据科学家、研究人员等。这些用户通常熟悉命令行操作，能够接受一定的配置学习成本，同时对申请材料的专业性和真实性有较高要求。对于非技术背景的求职者，虽然可以通过详细阅读文档使用，但体验可能不够流畅。此外，该工具特别适合职业经历复杂、需要跨行业转型的用户，其职业路径发现功能能够帮助用户重新框架化自己的技能组合。

未来发展潜力： AI Job Search的开源特性为其未来发展提供了广阔空间。随着社区贡献的增多，可以预期更多招聘平台的CLI工具将被开发，覆盖范围将逐步扩大。未来可能的演进方向包括：提供更友好的用户界面（如Web端或桌面端GUI）、支持更多AI模型后端（如本地LLM）、增强协作功能（如多用户共享档案库）等。然而，其高度依赖Claude Code的架构也带来一定风险——如果Anthropic调整API策略或定价模型，项目可能需要重新设计架构。总体而言，该项目在垂直场景中展现了良好的产品思路和技术实现，值得关注。

8. 常见问题FAQ

Q：AI Job Search是否完全免费使用？
A：框架本身是开源的，采用MIT许可证，可以免费使用和修改。但核心功能依赖Claude Code CLI，需要Claude Pro订阅（月费约20美元）才能运行。此外，部分招聘平台的CLI工具可能需要API密钥或订阅服务，具体取决于目标平台。总体而言，使用成本包括Claude Pro订阅费用和可能的平台API费用。

Q：如何确保生成的简历和求职信不会出现虚构经历？
A：系统内置双代理核验机制。起草代理生成初稿后，审查代理会独立搜索公司背景信息，并与用户档案进行交叉验证。如果发现任何无法从档案中追溯的经历描述，审查代理会标记并要求修改。用户还可以在/setup阶段设置“严格模式”，禁止系统对档案内容进行任何超出语义优化的修改。建议用户在使用前仔细审阅最终生成的文档，确保所有信息准确无误。

Q：是否支持中文简历和求职信的生成？
A：目前框架主要针对英文场景优化，对中文支持有限。LaTeX编译中文文档需要额外的字体和宏包配置（如xeCJK），且双代理工作流在中文语境下的表现可能不如英文稳定。如果用户需要生成中文简历，建议在英文生成基础上手动翻译，或等待社区开发中文支持插件。对于双语求职场景，可以先生成英文版本，再使用翻译工具辅助调整。

Q：如何添加新的招聘平台？
A：框架采用模块化设计，支持通过CLI工具扩展。用户需要开发对应平台的搜索CLI，实现职位抓取和数据格式化接口。可以参考jobindex-search/cli目录下的示例代码。开发完成后，将CLI工具添加到项目的search-tools配置中即可。对于不熟悉开发的用户，可以关注GitHub Issues和Discussions板块，社区可能会逐步增加对新平台的支持。

Q：生成的LaTeX文件如何编译为PDF？
A：需要本地安装LaTeX发行版（推荐TeX Live或MiKTeX）。编译命令为pdflatex resume.tex（或xelatex，取决于模板配置）。系统生成的LaTeX文件通常包含必要的宏包引用，直接编译即可。如果遇到编译错误，常见原因包括缺少字体、宏包版本不兼容等，建议检查LaTeX发行版的完整性。用户也可以使用Overleaf等在线LaTeX编辑器编译，但需要上传生成的.tex文件和相关资源。

Q：如何保护个人隐私和数据安全？
A：所有数据存储在用户本地，不经过任何第三方服务器。用户档案、搜索记录、申请材料等敏感信息完全由用户控制。系统不会自动上传或同步数据到云端。建议用户定期备份profiles/和output/目录下的文件，并注意保管Claude Code CLI的认证信息。如果使用公共电脑，建议使用完毕后清除缓存文件。

Q：支持哪些操作系统？
A：官方推荐使用macOS或Linux系统。Windows用户需要安装WSL2（Windows Subsystem for Linux）来运行Linux环境。所有依赖（Python、Bun、LaTeX等）在WSL2中均可正常安装和运行。部分招聘平台的CLI工具可能对Windows的支持有限，建议在Linux环境下使用。

9. 项目地址

• GitHub仓库： https://github.com/MadsLorentzen/ai-job-search
• Claude Code CLI文档： https://docs.anthropic.com/en/docs/claude-code/overview
• LaTeX发行版下载： https://www.tug.org/texlive/ （TeX Live）或 https://miktex.org/ （MiKTeX）