公司用 AI 筛人，你为什么不用 AI 选公司？一个丹麦工程师把这句话变成了 2 万 Star 的开源项目。

你上次投简历，花了多长时间

不是点"一键投递"那种——是认真投的那种。

改简历、写求职信、研究公司、对照 JD 调整表述……一份用心的申请，两三个小时打底。然后可能石沉大海，连拒信都没有。

现在有个开源项目想把这个过程自动化，而且做法出乎意料地聪明。

项目叫 AI Job Search，作者是丹麦工程师 Mads Lorentzen，基于 Claude Code 构建，MIT 协议，上线后迅速冲上 GitHub Trending，目前 Star 数突破 2 万，单日最高涨超 5000 Star。

---

它不是你想象的那种"一键投简历"工具

市面上的 AI 求职工具基本分两类：一类是帮你批量海投的 bot，一类是帮你润色简历的 SaaS。前者适合广撒网，后者产出通常是一份看起来 AI 味很重的稿子。

AI Job Search 做的是第三件事：把 Claude Code 变成一个懂你的求职代理人，专注于每次申请的质量，而不是数量。

整个框架的核心只有三个命令：

/setup    # 建立个人档案
/scrape   # 搜索并筛选职位
/apply    # 对指定职位跑完整申请流程

---

三步工作流，拆开看看

第一步：/setup 建立你的"职业档案"

这是整个框架的地基。你可以把它理解成一次深度自我盘点，有三条路可以走：

1. 文件夹导入：把 CV PDF、LinkedIn 导出文件、学历证书、推荐信丢进 documents/ 目录，Claude 自动读取并结构化

2. CV 粘贴导入：直接把简历文本粘进对话框

3. 问答引导：Claude 像面试官一样问你过去的经历

最终，Claude 会把这些信息整理成一批结构化的 Markdown 文件：候选人档案、行为风格评估、写作语气偏好、岗位评估框架、STAR 案例库……全部存在仓库里。

你的 git 仓库就是你的职业数据库，每次申请都是一次可 review 的 diff。

这个设计有个微妙的好处：档案越详细，后续输出越精准。作者在 README 里专门强调：不要只写"Python"，要写"用 scikit-learn 构建客户流失预测模型"。语境决定质量。

第二步：/scrape 搜索多平台职位

跑完设置之后，一个命令同时搜索多个求职平台，去重，然后按匹配度排序呈现结果。

内置的平台搜索工具主要针对丹麦市场（Jobindex、Jobnet 等），但也包含两个全球通用的：

• **linkedin-search**：调用 LinkedIn 未授权的公开接口，零依赖，支持任意地区参数——-l "Beijing, China"、-l "Shanghai" 或者 -l "Remote" 都可以用

• **freehire.dev**：面向技术岗位的聚合平台，REST API 直调，无需 API Key，支持多国市场和远程筛选

如果想接入 Boss 直聘、拉勾、猎聘，还有一个命令可以做——后面说。

第三步：/apply <url> 这才是真正精彩的部分

---

/apply 的工作流，比你想象的复杂得多

大多数 AI 写简历工具的流程是：给我 JD → 给你简历。一次生成，结束。

这个框架不是。它跑的是一套八步闭环流水线：

① 解析 JD → ② 匹配度评估 → ③ 起草定制 CV + 求职信（LaTeX） → ④ 召唤第二个审阅 Agent → ⑤ 根据批评修改 → ⑥ 编译 PDF + 视觉检查布局 → ⑦ ATS 文本层验证 → ⑧ 输出最终结果附核查清单

其中有几个设计，值得细说。

双 Agent 起草-审阅分离

起草 Agent 写完初稿之后，框架会召唤第二个 Claude Agent——给它一个全新的上下文窗口，让它研究这家公司，然后像一个刁钻的 HR 一样批评初稿：关键词有没有遗漏？表述有没有太通用？哪里像在对每家公司说同一套话？

起草 Agent 拿到批评意见后修改，产出最终版本。

为什么这个有用？因为写作者对自己的盲点天然免疫。一个从零开始读稿子的审阅者更容易发现废话和套话。两个 Agent，两个角色，一个输出。

PDF 验证循环

LaTeX 排版出 PDF 之后，Claude 会视觉检查布局：职位标题有没有孤立到下一页？求职信有没有超过一页？字体有没有静默回退到默认字体？

如果有问题，自动加 \needspace、\enlargethispage，重新编译，再检查，直到排版干净为止。

这解决了一个真实痛点——LaTeX 模板在特定内容组合下排版会出问题，手动调是很烦的事，这里做成了自动迭代。

ATS 文本层验证

这个设计最有工程味。

LaTeX 有时会生成看起来正常、但文字提取出来是乱码的 PDF。 图标字体渲染成方块、多栏布局导致阅读顺序颠倒——人眼看没问题，但 ATS 系统用 pdftotext 提取出来一塌糊涂，联系方式全丢。

这个框架在 PDF 编译完成后，用 pdftotext 提取文本层，验证：联系方式是否以可读文本存在、阅读顺序是否正常、JD 里的关键词是否覆盖。

还有一条诚信规则：档案里没有依据的关键词，标记为差距，绝不填充进去。

相关性加权裁剪

简历超过两页时，大多数工具的处理方式是从最老的条目开始删。

这个框架不是。它对每一条内容打三维度分：

• 与目标 JD 的相关度

• 在文档内的唯一性

• 求职信是否引用了这条内容

然后删掉总分最低的那条——而不是最旧的那条。一条五年前的工作经历如果命中 JD 关键词，它比一条没啥含金量的近期经历更值得保留。

---

七个扩展命令，把求职做成闭环

核心三步之外，还有七个命令覆盖求职全周期：

命令	干什么
/rank	批量给所有抓取到的职位打分，按优先级排序，标记截止日期紧急程度
/interview	面试准备：研究公司和面试官，把你的 STAR 案例映射到可能的问题，模拟面试
/outcome	记录申请结果（拒绝/面试/录用），归档提交材料
/expand	扫描你的 GitHub、Portfolio、Kaggle、Google Scholar，发现档案里没写但实际有的技能
/upskill	分析你的技能差距，给出学习计划和资源（附时间估算）
/add-template	注册自定义 LaTeX 简历模板
/add-portal	为任意求职平台生成搜索工具

最后一个值得展开说一下。

---

中国开发者怎么用？

项目自带的平台搜索工具是为丹麦市场写的，但 /add-portal 命令是通用的：给它一个求职网站的 URL，它会分析该网站的搜索 URL 结构、结果页面布局和访问规则，自动脚手架出一个对应的 CLI 搜索工具，测试一次真实查询，确认没问题再注册进来。

理论上，Boss 直聘、拉勾、猎聘这类平台，如果页面是公开可爬取的，都可以这样接入。社区 discussions 里有一个专门的帖子汇总各国分叉版本——如果有人做了适配中国市场的版本，可以去那里找或者贡献。

全球通用的 linkedin-search 里，地区参数直接支持 "Beijing, China"，这条路现在就能走。

---

上手需要什么

依赖不少，有必要说清楚：

# 必需
Claude Code CLI                             # 核心驱动
Python 3.10+
Bun                                         # 求职平台 CLI 工具
LaTeX（TeX Live / MacTeX / TinyTeX）        # CV 和求职信编译

# 可选
pdftotext（poppler）                        # ATS 文本层验证，没有也能跑

LaTeX 的安装是唯一稍微麻烦的地方，尤其是 Windows 上的 MiKTeX 和 fontawesome5 字体的兼容问题，README 里有专门的说明。整体算下来，全新环境大概需要 30-60 分钟完成首次配置。

---

适合谁，不适合谁

适合：

• 技术开发者，有一定折腾 CLI 工具的意愿

• 在意申请质量，每个职位都想认真打磨

• 需要投外企、国际公司，简历要求精准和 ATS 友好

• 想学习用 Claude Code 构建 Agent 框架的开发者（这个项目本身就是很好的参考实现）

不适合：

• 想一键海投几百家的

• 不熟悉命令行，不想装 LaTeX 的

• 只需要简单的中文简历场景

---

最后说一句

这个项目上线才几个月，2 万 Star，30 名贡献者，还在快速迭代。更重要的是，它的架构本身就是一个教材级的 Claude Code Agent 实现——双 Agent 起草-审阅、子 Agent 并行评分、git 仓库作为状态存储、slash command 作为工作流入口——这套思路可以直接迁移到任何其他领域的 Agent 开发上。

不管你现在是不是在找工作，都值得看一眼这个项目是怎么设计的。

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

如果觉得有收获，去给项目点个 Star ⭐——作者在 README 里说：如果这帮你省了一个周日写求职信，请他喝杯咖啡；如果帮你拿到了 offer，两杯。

---

你平时怎么处理求职申请？有没有自己摸索出的效率技巧？欢迎评论区聊聊。

谢谢你阅读我的文章~

我是顾北，我们下期再见！

 PS：本文部分内容由AI辅助创作