Career-Ops：把 AI 编程 CLI 改造成求职指挥中心的开源方案

本文导读

读完本文你将能够：

• 看清 Career-Ops 解决的问题不是「自动投简历」，而是「在大量岗位中筛选出值得投递的那几个」
• 说出 15 个 skill mode 是怎么被一组 modes/*.md 文件和 AGENTS.md 路由串起来的
• 在 Claude Code / Codex / OpenCode / Gemini CLI 中挑一种完成 npx @santifer/career-ops init 启动
• 用 Go TUI 仪表盘浏览、按状态过滤 740+ 个评估记录
• 判断这套工具是否符合你的求职场景与风险偏好

适合读者：正在用 AI 编程 CLI、想把求职流程从 Excel 搬到 AI agent 里的工程师或技术负责人。

一、先给判断

Career-Ops 不是一个「投递机器人」，它把自己定位成 filter——作者 Santiago 在 README 里把这一点写得很直接：

This is NOT a spray-and-pray tool. Career-ops is a filter – it helps you find the few offers worth your time out of hundreds. The system strongly recommends against applying to anything scoring below 4.0/5.

整套系统的设计重心因此放在三件事上：

1. 评估：用一个 6-block + A-F 评分体系（10 个加权维度）判断岗位与候选人之间的匹配度，而不是用关键词匹配
2. 生成：基于评估结果按岗位定制 ATS-friendly PDF 简历与 Cover Letter
3. 追踪：把所有评估、PDF、状态合并到一个数据源上，配合 dedup、归一化、健康检查避免漏投或重复投递

作者本人在「About the Author」里写明：他用这套系统评估了 740+ 岗位、生成 100+ 份定制简历，最后落地了一个 Head of Applied AI 岗位。这不是 marketing copy，是写在 README 里的可追溯案例（完整 case study）。

二、项目地图：哪些东西值得拆开看

Career-Ops 不是一个普通的 Node.js CLI。它把 skill 路由、ATS 抓取、PDF 渲染、状态追踪拆成了若干子系统，下表先列出主要模块和它们各自负责什么：

读源码时，你会发现 AGENTS.md 是所有 CLI 的统一入口，CLAUDE.md / CODEX.md / OPENCODE.md / GEMINI.md 只是引用它的轻量包装——这种「一个真相源 + 多个薄适配层」的做法，是这套系统能在 8 套不同 AI CLI 之间互通的根因。

三、15 个 skill mode 是什么

modes/ 目录里有 15 个 markdown 文件，每个就是一个独立的 skill。下面把它们按用途分组，并挑 3 个最值得展开的 mode 做具体说明。

按用途分组：

具体展开：

1. oferta.md（核心评估 mode）：分 6 个 block 评估一个岗位——Role summary、CV match、Level strategy、Comp research、Personalization、Interview prep（STAR+），再加 Block G 做岗位真伪检查，识别骗子岗与 ghost job。最后给出 A 到 F 的总体评分与加权维度拆解。整个评估读 cv.md 而非关键词匹配，这点和 LinkedIn Easy Apply 类工具根本不是同一类产物。
2. scan.md（跨 ATS 扫描）：自带 45+ 公司（Anthropic、OpenAI、ElevenLabs、Retool、n8n、LangChain、Weights & Biases、Factorial、Travelperk…）和 19 类搜索查询，覆盖 Greenhouse、Ashby、Lever、Wellfound 四种主流 ATS。21 个 provider 模块负责不同数据源（API / XML / RSS / 本地解析）。如果担心 ATS API 返回过期岗位，可以加 --verify 让 Playwright 做一次存活校验，把过期条目在进 pipeline 前过滤掉。
3. batch.md（批处理 mode）：把岗位列表放进 data/pipeline.md，然后 npm run batch 启动一个 orchestrator，并行 spawn claude -p / opencode run 这类 headless 工作进程。每个 worker 拿到自包含 prompt，独立完成评估与 PDF。orchestrator 负责把结果合并、去重、状态归一化。

注意：所有 mode 都设计成「AI 给评估与建议、人类决定是否行动」——README 的 human-in-the-loop 段明确写明，系统永远不会替用户投递。这是它的产品定位边界。

四、快速上手：5 步把 Claude Code 变成求职中心

下面以 Claude Code 为例，演示从零开始的全流程。其他 CLI（Codex / OpenCode / Gemini / Antigravity CLI / Grok Build CLI）的启动命令不同，但目录结构与 mode 名称完全一致。

Step 1：一行初始化

npx @santifer/career-ops init

这条命令会克隆最新 release 到 ./career-ops 目录，并安装依赖。它不会做任何全局安装——npx 临时下载、用完即丢。Node.js 没装的话先装。

Step 2：进入目录并启动 Claude Code

cd career-ops
claude

第一次启动时，Claude Code 会自动读取 CLAUDE.md → AGENTS.md → modes/_shared.md，进入 onboarding 对话。它会问你：CV 怎么提供、目标岗位是什么、地理偏好、薪资范围。所有这些都以对话形式完成，不需要手填 YAML。

Step 3：（可选）手动精调

如果你想绕过 onboarding，或者对 onboarding 输出不满意：

git clone https://github.com/santifer/career-ops.git
cd career-ops && npm install
npx playwright install chromium   # 只在需要 PDF 时跑
npm run doctor                    # 校验前置依赖
cp config/profile.example.yml config/profile.yml
cp templates/portals.example.yml portals.yml
# 在 cv.md 里贴上你的 markdown 简历

Step 4：第一次评估

把一个岗位 URL 或 JD 文本直接粘进 Claude Code 对话框，Career-Ops 会自动识别意图、调用 oferta.md、输出评分报告 + PDF + tracker 条目。或者使用 slash 命令：

/career-ops                # 列出所有可用命令
/career-ops <粘贴 JD 文本> # 完整 auto-pipeline
/career-ops scan           # 扫描 portal
/career-ops pdf            # 给最新评估生成 ATS CV
/career-ops cover          # 给最新评估生成求职信
/career-ops tracker        # 看当前 pipeline 状态

Step 5：批处理 + 仪表盘

当你有 10+ 个待评估岗位时：

# 把 URL 一行一个塞进 data/pipeline.md
npm run batch
npm run serve:dashboard   # 启 TUI 看结果
npm run build:dashboard   # 可选：编成单文件二进制

TUI 有 6 个过滤 tab、4 种排序模式、分组/扁平视图、lazy-load 预览、内联改状态——基本是一个 terminal 版 Kanban。

五、跨 CLI 的设计取舍

Career-Ops 之所以能同时跑在 Claude Code、Codex、OpenCode、Gemini、Antigravity CLI、Grok Build CLI 上，是因为它刻意避开了任何专有 API，转而使用 open standard（.agents/skills/career-ops/SKILL.md 作为统一入口）。README 里把它叫做「agent-skill-standard CLI」——只要某个 CLI 实现了这个标准，就能加载同一套 skill 集。

代价是什么？

• Codex 不保证 slash 命令可用，所以 fallback 是用自然语言告诉 Codex「run the career-ops scan mode」——codex exec "Evaluate this JD with career-ops auto-pipeline: https://..." 是它的一键入口
• Antigravity CLI 会同时读 AGENTS.md 与 GEMINI.md，所以仓库里有一个 GEMINI.md 的 no-op 兼容守卫，避免上下文被复制粘贴两遍
• Grok Build CLI 的批处理用 grok -p "prompt" --yolo 实现（--yolo 让它跳过权限确认），针对批量任务做了体验优化

这套设计的代价是：用户必须自己挑选 CLI 并安装，文档里也明确列出了 7 款 CLI 的具体启动方式（见 docs/SUPPORTED_CLIS.md）。但好处是——一旦 CLI 厂商涨价或停止维护，迁移到下一个 CLI 几乎不写迁移代码。

六、风险与边界

这套工具解决的是「求职流程自动化」，但 README 把风险与边界写得很硬：

1. 数据归用户所有：CV、个人信息全在本地机器上，直接发给用户选的 AI provider（Anthropic、OpenAI 等）。Career-Ops 不托管、不存储、看不到数据
2. AI 行为不可预测：默认 prompt 禁止自动投递，但用户改 prompt 或换模型后的行为，作者不承担责任——每次提交前都需要人工 review
3. 第三方 ToS 合规：Greenhouse / Lever / Workday / LinkedIn 等 ATS 都有 ToS，禁止用本工具做批量投递或绕过限速
4. AI 可能 hallucinate：评估是建议，不是事实。模型可能虚构技能或经历，提交前必须人工复核
5. 质量下限：评分低于 4.0/5 的岗位，系统强烈不建议投递——这不是技术限制，是产品哲学

商业风险也写在了 TRADEMARK.md：「career-ops」这个名称与品牌归 Santiago 管，社区允许个人使用，商业产品命名或代言需要单独授权。代码本身是 MIT。

七、什么场景适合用，什么场景不适合

适合：

• 你已经在用 Claude Code / Codex / OpenCode 之一做日常开发
• 你的求职目标明确（目标公司列表、目标岗位类型、目标地理范围），想批量评估
• 你愿意花 1-2 周把 cv.md、profile.yml、portals.yml 养起来——系统对初始用户了解得越多，评估越准
• 你想保留「投递决策权」在手里，只让 AI 做评估与生成

不适合：

• 你完全没装过 AI CLI、没耐心装 Node.js / Playwright Chromium
• 你想「全自动投递」——这违反本工具的产品定位，也会触发 ATS 反垃圾机制
• 你的目标是不限行业、海投——这种场景下评分系统会变成噪音
• 你对 AI 输出 0 信任、希望 100% 自己写评估——那直接用 Excel 即可

八、读完能做什么

工具地址：github.com/santifer/career-ops，57,365 Stars（今日 +322）。作者案例研究：santifer.io/career-ops-system。