把求职做成流水线：69 份申请、20 个一面，这套开源框架拆开给你看

2025 年底，Mads 的岗位被撤了。地球物理学家，四十岁上下，要去找一份 AI 工程师的活。

他没有海投。他打开 Claude Code，写了一套斜杠命令：建档、搜岗、打分、写简历、写求职信、让另一个 Agent 挑刺、编译 PDF 验 ATS、准备面试。半年后他签了合同。仓库叫 ai-job-search，现在 5.4 万星、1.7 万个 fork，MIT。

他在 README 里写了一句话，比那 5.4 万星更值得看：每次和雇主聊，他都主动说这套申请材料是自己搭的 AI 流水线做的。本以为会扣分，结果"通常会变成一场真正的技术讨论"。

这事跟"AI 帮你润色简历"是两码事。润色是修饰，流水线是流程：每个环节有输入、有判定、有退出条件，跑完能复查。所以这篇不吹"AI 让你变强"，只拆这套流程哪几段能搬到你自己身上，哪几段搬不动。

先说清楚：这篇适合谁，不适合谁

先把容易被搞混的事实摆出来。下面这张表的每一条，我都对着仓库文件核过，不是从别人的转述里抄的。

适合：在职想跳、被裁在找、打算转行；愿意花半天装环境；投英文岗或北欧市场；能接受"每个岗位仍要自己看一遍再按提交"。

不适合：想要一键海投的（这套流程每个岗位都要你点确认）；完全不想碰命令行的；只投中国大陆岗位又不愿自己写门户适配的；以及指望 AI 替你决定职业方向的人——它只做筛选和表达，不做决策。

三、操作步骤：从 fork 到投出去，命令照抄

1. 别急着 fork，先建一个私有库

这是全篇最容易被忽略、后果最重的一步。

GitHub 不允许把公开仓库的 fork 设为私有。而 /setup 会把你的姓名、联系方式、工作经历、薪资期望写进被 git 跟踪的文件。你 fork 完、跑完 setup、顺手 push，简历就挂在公网上了。

正确顺序是这样：

# 1) 建一个空的私有库（网页或 gh 都行），然后
git clone https://github.com/你的账号/你的私有库名.git my-job-search
cd my-job-search

# 2) 把上游当 upstream，而不是当 fork
git remote add upstream https://github.com/MadsLorentzen/ai-job-search.git
git fetch upstream
git merge upstream/master   # 或合并某个 release tag，更稳

# 3) 以后只在本地提交，或推到自己的私有库
git push origin master

真正敏感的几类文件（投递跟踪表、薪资数据、documents/、历史申请归档）本来就在 .gitignore 里。会泄露的是你的画像文件，不是这些原始材料。

2. 装四样东西，一样都不能少

# Python 依赖（ATS 检查要用 pypdf，可选）
pip install pypdf

# 招聘门户 CLI 的依赖，脚本会自动发现所有门户并安装
python3 tools/install_portal_clis.py

# LaTeX 检查：两个引擎都得在
lualatex --version
xelatex --version

四个前置条件里，LaTeX 是最容易劝退的。README 里有一句很实在的提醒：CV 用 lualatex 编译，因为在较新的 MiKTeX 上 pdflatex 常因为 fontawesome5 的字体扩展报错；求职信用 xelatex，因为它的 cover.cls 依赖 fontspec。装 TinyTeX 或 BasicTeX 还得补包，SETUP.md 里有清单。

别跳过这步去手改模板。这套流程后面所有的页数控制、孤立标题修复，都建立在"能编译出 PDF 并且能读回来"之上。

3. 用 /setup 建档，深度决定后面所有输出

claude
# 进入 Claude Code 后
/setup

它会给你三条路：读你 documents/ 文件夹里已有的材料（CV 的 PDF、LinkedIn 导出、学位证、推荐信、历史申请）、直接粘贴一份 CV、或者走一遍访谈。它会先探测你有哪些材料再问，重复跑也不会把已有内容覆盖乱。

官方 README 里有一句大实话：输出质量最大的变量是你的档案有多厚。只写"Python、项目管理"和写"用 scikit-learn 搭过客户流失预测的 ML 流水线"，后面能定制出的东西完全不是一个量级。

档案里还有两样别省：语言表（每个语言 + 你的水平）和底线条件（不接受的排班、最低薪资、要育儿假条款）。前者决定语言门槛怎么判，后者在打分时真的有否决权。

4. /scrape 搜岗，/rank 批量打分

/scrape          # 多门户搜索、去重、按匹配度排序
/rank            # 岗位太多时，先批量打分出一张短名单
/apply https://jobindex.dk/job/1234567

真正值钱的是打分规则，不是搜索。它的评估框架有五维加权，外加两个先于评分执行的硬门槛：

两个门槛值得单独说，因为它们比分数更省时间：

• 资格门槛：招聘启事里写了"必须本国公民/永居"或要求任何级别的安全审查，直接判不通过，不评分、不写材料，并把原文引给你看。最容易搞错的一点是——沉默不等于允许。大公司校招经常把资格条件写在自己官网而不是招聘广告里，这一点框架里专门标了高风险行业。
• 语言门槛：招聘启事要求的语言你档案里根本没登记，判不通过；登记了但对方写的标准（"流利""母语""C1+"）看起来高于你的水平，判"标记后继续"——照常评分、照常写，但在报告里把两边原文都引给你，让你自己判断。

这两条的设计意图很清楚：把不该投的岗位在写材料之前砍掉。写一封定制求职信要花的不是钱，是你的晚上。

5. /apply：一个 Agent 写，另一个 Agent 挑

/apply https://jobindex.dk/job/1234567
# 打不开就粘全文
/apply <把招聘启事全文粘在这里>

跑起来是八步：解析启事 → 五维评分 → 写 LaTeX 简历和求职信 → 另起一个全新的 Agent 去研究这家公司并挑刺 → 按意见改 → 编译并逐页检查 PDF → 验 ATS 文本层 → 交付并附核验清单。

第二个 Agent 是这套流程最像"工程"的地方。它拿到的是新上下文，不继承起草那个 Agent 的自我辩护，专门负责找漏掉的关键词、站不住的表述、以及那种一眼就能看出来的套话。挑完再回去改。

还有一个细节我很喜欢：当简历超过两页要砍内容时，它不是机械地砍"最老的经历"，而是给每一行算三个分——和目标岗位的相关度、在这一份文档里的独特性、求职信是否依赖它——然后砍总分最低的那行。一条十年前但命中岗位关键词的经历，会排在一条近两年却无关的经历前面。

6. PDF 和 ATS：编译完必须读回来

大部分人止步于".tex 看着没问题"。这套流程要求的是：简历必须正好两页、没有孤立在页首的条目标题；求职信必须正好一页、签名可见、字体一致。编译一次、读渲染结果、改、再编译。

然后是 ATS 检查，这一步是很多模板的盲区：

# 用 pypdf 或 pdftotext 提取 PDF 的文本层
pdftotext cv.pdf - | head -40

ATS 读的是 PDF 里嵌的文本，不是你屏幕上看到的画面。LaTeX 完全可能生成一份"人看着漂亮、机器读出来是乱码"的 PDF：邮箱位置变成图标字形、双栏排版的行交错在一起。所以框架会把文本层提出来，逐项确认联系方式是字面文本、阅读顺序正常、招聘启事的关键词覆盖到了哪些。

覆盖不到的关键词怎么办？规则是硬的：档案里真有的才补，真没有的留成缺口，不硬塞。这条和我站之前那篇用 AI 按 JD 定制简历里的结论完全一致——ATS 那关能骗过去，面试那关骗不过去。

7. 面试和复盘：/interview、/outcome

/interview      # 为某个已投岗位生成面试准备包
/outcome        # 记录结果，归档这次投出去的简历和求职信

/interview 不是给你一堆通用面试题。它从这次申请的归档里取出三样东西：面试官真正读过的那版简历和求职信、招聘启事原文、之前几轮记下的反馈。然后研究公司和面试官（带"先核实再使用"的规则），把可能的问题映射到你自己的 STAR 例子上，最后可以跑一场角色扮演的模拟面试。缺口给"诚实的过渡答案"，不给编造的经历。

/outcome 除了记录结果，还有个低调但实用的功能：/outcome followup 会把超过 10 天没动静的申请捞出来，用你已提交材料里的事实，起草一封短的跟进信。只起草，不发送，每份申请最多两次。

它管不到的地方：同类四个仓库的对照

求职这个方向的 skill 最近半年冒出来一堆。下面这几个我都点开看过仓库，区别写在"什么时候别用"那一列。

选择逻辑很朴素：要全链路就选前两个，要单点就选后三个。已经在用 Claude Code、机器上有 LaTeX 的，ai-job-search 的边际成本最低；不想装环境的，先用 tailored-resume-generator 把简历这一环跑通，别一上来就搭全套。

真话段：这套流程会在哪儿卡住你

说完好的，说难听的。以下每一条都是这套框架自带的结构性限制，不是"用不好怪自己"。

还有一条不太技术、但更重要的：这套东西的价值在"先砍后写"，不在"多写"。它的两个门槛和五维打分，本质是让你在打开 Word 之前就承认"这个岗位我不该投"。很多人用 AI 求职工具的真实动机是缓解焦虑——投得越多越安心。这套流程恰好相反，它会告诉你不投，而你得听得进去。

你多半还想问（FAQ）

一定要装 LaTeX 吗？

默认模板要。CV 用 moderncv 的 banking 风格，求职信是自带的 cover.cls，两个都是 LaTeX。但框架留了口子：/add-template 可以注册任何能命令行编译出 PDF 的工具链，包括 Typst。注册时会强制跑一次测试编译，通不过就不让启用。机器实在装不了 TeX，就退回只做简历那一环的轻量 skill。

中国大陆的岗位能用吗？

方法论能，门户不能。默认四个门户全是丹麦的，跨市场的两个入口里，LinkedIn 的个人自动化访问本身违反其服务条款（仓库里也标了"仅限个人使用、控制频率"），freehire 偏技术岗且以海外为主。要投国内平台，得用 /add-portal 自己生成，而国内招聘站点的反爬强度会让这个 CLI 三天两头失效。更现实的做法：用它的建档、打分、双 Agent 改稿和 ATS 验证，搜岗仍然手动。

用 AI 做申请材料算不算作弊？

分界线是内容，不是工具。Mads 的做法是每次都主动说明，结果多数变成了技术交流——但这是他一个人的样本，别当成通用规律。稳妥的判断标准还是那句：写进去的每一句，你能不能在面试里展开讲五分钟。讲不出来就删掉，不管是谁写的。

免费吗？会不会有代币之类的东西？

代码 MIT，随便用。但跑起来要 Claude Code，而 Claude Code 没有免费档，需要订阅或 API 额度。作者明确声明项目与 Anthropic 无关联，也没有任何代币、加密项目或付费赞助，唯一的支持渠道是 Ko-fi 和提交代码。看到"官方代币""投资返利"之类说法，直接当诈骗处理。

5.4 万星说明它很好用吗？

星数是热度，不是效果。更有信息量的是仓库结构：335 个文件里，tests/ 下几十个 test_*.py，覆盖门户抓取契约、PDF 页数、权限白名单、隐私引导这些具体行为，还有 CI 跑 LaTeX 冒烟编译和 skill lint。这说明维护者在认真对待"改坏了会不会悄悄生成一份烂 PDF"这件事。星数可以刷，测试不好刷。

和我站之前那篇「用 AI 按 JD 定制简历」什么关系？

那篇解决的是单点：一份 JD 对一份简历，怎么不编造、怎么留占位符、怎么校验。这篇解决的是链路：从"投不投"开始，到"投完之后怎么复盘"。如果只想先试水，从单点那篇开始；如果已经在系统性找工作，直接上链路，把单点那篇里的"禁止编造 + 占位符"规则搬进 /apply 的提示词里。

最后：今晚能做的一件具体事

不用先装 LaTeX，也不用先 fork。

打开 ai-job-search 的 04-job-evaluation.md，把那张五维权重表和两个门槛抄进你自己的笔记，然后拿你最近投过的三个岗位重新打一遍分。

我猜至少有一个会不到 45 分。那个岗位你当初花了两个小时改简历——这就是这套流水线真正想帮你省下的东西。