AI Job Search：把 Claude Code 变成求职指挥中心的 30K Star 开源方案

学习目标

读完本文你能：

1. 理解 AI Job Search 的核心工作流（/setup → /scrape → /rank → /apply → /interview）如何串联成一套完整的求职 pipeline
2. 评估 这套框架是否适合你的求职场景——它解决了什么问题，不解决什么问题
3. 说明 drafter-reviewer 双代理机制如何提升简历和求职信质量
4. 识别 PDF 验证循环解决的实际问题：LaTeX → PDF 渲染中常见的文字错位、字体回退、ATS 解析失败
5. 判断 与同类工具（如 Career-Ops）的核心差异

一、先给判断

AI Job Search 不是"自动投简历机器人"，它是一个结构化的求职工作流框架，把 Claude Code 改造成一个全职的求职助理。作者 Mads Lorentzen（地球物理学家出身）在 2025 年底被裁后亲手构建了这套系统，用它完成了 69 次定制化投递、20 次首轮面试，最终在 2026 年 6 月以 AI 工程师身份入职。

这套框架目前在 GitHub 上拥有 30K+ Stars 和 10K+ Forks，MIT 协议开源，核心语言是 TypeScript（217K 行）和 Python（140K 行），附带 LaTeX 模板。

本文的核心判断是：AI Job Search 的价值不在于"AI 帮你投简历"，而在于它把求职这个模糊、重复、情绪消耗大的过程，编码成一组可执行、可复现、可审计的 agent 工作流。

二、系统地图

AI Job Search 的目录结构本身就是一张架构图。下表列出核心模块：

核心工作流是一条 5 步 pipeline：

/setup → /scrape → /rank → /apply → /interview

每一步都是一个 Claude Code 命令，定义在 .claude/commands/ 目录下。用户通过 Claude Code 的 /command 语法触发，不需要手动操作任何文件。

三、核心工作流详解

3.1 /setup：初始化档案

/setup 命令提供三种 onboarding 路径：

• Path A：文档导入——把已有的简历 PDF、LinkedIn 导出、学位证书等放入 documents/ 目录，Claude 自动解析并填充 CLAUDE.md
• Path B：单份简历导入——贴一份现有 CV，系统从中提取结构化信息
• Path C：交互式访谈——Claude 像招聘官一样提问，逐步构建候选人画像

CLAUDE.md 是整条 pipeline 的单一事实源，包含身份信息、教育背景、工作经历、技术栈、认证、出版物、行为特征和求职偏好。所有后续步骤（岗位匹配、简历定制、求职信撰写）都基于这份档案，不会凭空编造经历。

3.2 /scrape + /rank：搜索与排序

/scrape 命令调用 .agents/skills/ 下的岗位搜索 CLI 工具，从不同渠道抓取岗位信息。目前内置了 6 个搜索技能：

• linkedin-search：LinkedIn 公开岗位（国家无关）
• freehire-search：freehire.me 技术岗位聚合器
• jobindex-search、jobnet-search、jobbank-search、jobdanmark-search：丹麦四个本地门户（作者的个人市场，但架构设计为可替换）

/rank 命令对抓取到的岗位做评分排序，评估维度包括：技能匹配度、经验契合度、文化适配、地理位置、职业发展空间。评分不只是一个数字，系统会给出每项评分的理由。

3.3 /apply：双代理投递

这是整个框架最精妙的部分。/apply 命令运行一个 drafter-reviewer 双代理工作流，包含 8 个步骤：

1. 解析岗位信息（URL 或文本）
2. 评估匹配度——对照候选人档案做多维评分
3. 起草定制化的简历和求职信（LaTeX）
4. 生成审阅代理——新开一个独立的 Claude 上下文，研究目标公司，评审初稿
5. 修订——基于审阅反馈修改
6. 编译与检查——lualatex 编译简历，xelatex 编译求职信，Claude 检查渲染后的 PDF 页面
7. ATS 验证——用 pdftotext 提取 PDF 文本层，检查 ATS 解析器实际看到的内容
8. 输出——最终产物 + 验证清单

drafter-reviewer 分离是核心设计：起草者写初稿，第二个 Claude 代理以全新上下文研究公司并评审。这个设计避免了单次 pass 中常见的"漏掉关键词、框架太泛、语气不到位"问题。

3.4 /interview：面试准备

/interview 命令生成阶段性的面试准备包：

• 公司研究摘要
• 基于岗位描述的行为面试题预测
• 用 STAR 框架准备的回答草稿
• 反问环节建议

四、PDF 验证循环：为什么需要它

AI Job Search 最独特的设计是PDF 编译后自动验证。大多数 LaTeX 简历模板在 .tex 文件里看起来没问题，但渲染成 PDF 后经常出现：

• 简历标题行跨页断到下一页
• 求职信溢出到第二页
• 列表项字体静默回退到正文体
• 图标字形在 PDF 文本层变成乱码（ATS 解析时看不到邮箱地址）

/apply 命令做了三件事来应对：

1. 视觉检查——Claude 读取渲染后的 PDF 页面，检查布局是否符合预期
2. 自动修复——针对溢出行应用 \needspace、\enlargethispage 和字体匹配包装
3. ATS 文本层验证——用 pdftotext 提取 PDF 文本层，检查联系方式是否以纯文本形式存在、阅读顺序是否正常、岗位关键词覆盖度

这套循环确保每一份投递出去的 PDF 在 ATS 系统中也是可读的，而不仅仅是"看起来好看"。

五、与同类工具的差异

目前同类开源方案中，最接近的是 Career-Ops（santifer/career-ops，同样基于 Claude Code）。两者的核心差异在于：

简而言之，AI Job Search 更偏向"端到端的求职工作流"，而 Career-Ops 更偏向"在 Claude Code 中注入求职相关的 skill 能力"。前者适合需要完整求职 pipeline 的用户，后者适合需要灵活组合 skill 的用户。

六、适用边界

适合

• 正在主动求职、愿意投入时间做定制化投递的开发者
• 熟悉 Claude Code 的命令行工作流
• 需要 LaTeX 简历且在意 ATS 兼容性的用户
• 愿意 fork 并适配自己市场（替换搜索 portal 技能）

不适合

• 期望"一键投递所有匹配岗位"的用户——框架明确反对 spray-and-pray 策略
• 不使用 Claude Code 的用户（虽然 AGENTS.md 提供了 Codex/Antigravity 的适配指引）
• 非丹麦市场的岗位搜索（内置 portal 技能以丹麦为主，需自行替换）
• 不喜欢 LaTeX 简历的用户

已知局限

• 岗位搜索 CLI 用 Bun 运行，需要额外安装依赖
• 简历编译依赖 LaTeX 发行版（MacTeX/TinyTeX 等），最小安装需额外安装若干宏包
• ATS 检查依赖 pdftotext（poppler 工具集），缺失时降级为视觉关键词检查

七、采用建议

如果你正在求职且使用 Claude Code，建议的采用顺序：

1. Fork 仓库，按 SETUP.md 完成 /setup 初始化
2. 先跑 /scrape + /rank，看系统对市场的评估是否合理
3. 对 1-2 个高匹配岗位跑 /apply，体验完整流程
4. 如果满意，再替换岗位搜索 portal 为自己的市场

不需要一开始就配置所有 portal 技能，框架的各个命令是独立可用的。

项目地址：https://github.com/MadsLorentzen/ai-job-search

许可：MIT