AI Job Search

• 1. 概要 （共 286 字）

  AI Job Search 是一個基於 Claude Code 構建的開源 AI 求職框架，由丹麥開發者 Mads Lorentzen 在 2025 年底失業後為自己編寫。該框架將求職流程拆解為可程式設計的工作流——從個人檔案設定、職位搜尋匹配，到簡歷與求職信的雙代理稽核生成、PDF 排版驗證，再到面試準備與結果追蹤——全部透過 Claude Code 的斜槓命令驅動。專案於 2026 年 3 月底釋出後迅速衝上 GitHub Trending 榜首，截至 7 月底已獲得超過 19,000 顆星標，是目前增長最快的 Claude Code 工作流專案之一。它不代你點選「提交」，而是替你完成每一份申請從評估到成型之間的所有重複勞動。

• 2. 產品背景 （共 641 字）

  Mads Lorentzen 是一位地球物理學博士，在 2025 年底被公司裁員後，陷入了反覆改簡歷、寫求職信的迴圈。他發現每一份職位申請都要重複同樣的流程——閱讀 JD、評估匹配度、調整簡歷措辭、撰寫求職信——既耗時又容易草草了事。為熟悉 Claude Code 的開發者，他花三個月時間把自己理想中的求職流程寫成了一個可複用的框架，命名為 ai-job-search。專案於 2026 年 3 月 23 日首次提交到 GitHub，最初只是一個簡單的原型。真正引爆社群的是作者的「自用成功故事」：他用這個框架投了 69 份申請、獲得 20 次初面機會，最終在 2026 年 6 月成功入職成為一名 AI 工程師。這個結果被分享到 LinkedIn 和 Reddit 後迅速擴散，許多人意識到這不只是一個「簡歷生成器」，而是一個完整的求職作業系統。專案採用 MIT 協議完全開源，沒有關聯任何商業公司或加密貨幣專案。作者明確宣告這不是 Anthropic 的官方產品，也不收取任何費用。框架目前以 TypeScript、Python 和 LaTeX 為主要語言，託管在 MadsLorentzen/ai-job-search 倉庫下。整個專案的核心不在於程式碼量（目前僅約 55 次提交），而在於工作流設計的完整性和工程化思維。同類競品中，career-ops 更偏向批次管道化處理（多 Worker 並行、Go TUI 儀表盤），AIHawk 側重網頁自動化填表。AI Job Search 夾在中間，選擇了「質量優先」的路線——它不追求投遞數量，而是追求每一份申請都做到極致定製。

• 3. 產品功能與使用體驗 （共 1232 字）

  AI Job Search 的核心理念是「把求職拆成可程式設計的工作流」。它不提供一個網頁介面，而是在 Claude Code 命令列內透過九個斜槓命令驅動整個流程。每一個命令對應求職中的一個關鍵環節。最基礎的三條命令是 /setup、/scrape 和 /apply。/setup 用於建立個人檔案，支援三種路徑：如果你已有 documents 資料夾（內含簡歷 PDF、領英匯出檔案、學歷證書等），Claude 會直接讀取並結構化整理；如果你只有一份現成簡歷，可以貼上進對話讓 Claude 匯入；如果你什麼都沒有，系統會透過一段結構化訪談逐步問出你的背景、技能和職業目標。作者特別強調，檔案越詳細，後續產出的質量越高——不是羅列技能名稱，而是描述你在什麼場景下用過什麼工具、做了什麼、取得了什麼結果。/scrape 負責自動搜尋多個職位入口網站，去重後按匹配度排序。目前內建的搜尋技能主要面向丹麥市場（Jobindex、Jobnet、Akademikernes Jobbank 等），也包含一個基於 LinkedIn 公開端點的零執行時搜尋工具。作者的設計意圖很明確：這套模式本身就是給你替換成本地門戶的。/add-portal 命令允許你為任意地區的職位門戶生成搜尋技能外掛，社群也可以貢獻適配。此外還有一個 /rank 命令，對已抓取的職位進行批次並行評分，從技能匹配、經驗匹配、文化適配、地理位置、職業發展一致性五個維度打分，生成排序短名單。/apply 是整個框架最核心、也最體現工程水平的命令。當你在 Claude Code 中輸入 /apply 加上一個職位連結後，系統會先解析職位描述（將職位內容視為不可信輸入，不會執行其中的任何指令），然後與你的個人檔案進行多維匹配度評估。接下來進入最重要的「起草-審閱」雙代理工作流：第一個 Claude agent 作為起草者，根據評估結果用 LaTeX 模板定製簡歷和求職信；然後第二個 Claude agent 以全新的上下文視窗啟動，以「挑剔審稿人」的視角獨立研究目標公司，對初稿進行批評——檢查遺漏的關鍵詞、薄弱的表述、過於通用的語言、以及與職位要求不匹配的側重點。起草者收到評審意見後進行修訂。這一迴圈是 AI Job Search 與其他簡歷生成工具之間最根本的差異。在文字內容完成後，系統還有一步獨特的 PDF 驗證迴圈。它用 lualatex 編譯簡歷、xelatex 編譯求職信（因為 cover.cls 依賴 fontspec），然後讀取 PDF 的每頁檢查排版——簡歷是否恰好兩頁、求職信是否恰好一頁、標題行有沒有孤立地掉到下一頁底部、字型是否一致、簽名是否可見。發現問題後會自動調整 LaTeX 引數重新編譯，直到輸出滿意。最後用 pdftotext 提取 PDF 文字層，模擬 ATS 系統的解析效果，檢查聯絡資訊是否完整、關鍵字覆蓋率如何。這套驗證迴圈解決了 LaTeX 簡歷最常見也最令人頭疼的問題：排版在不同編譯器下不一致。很多開發者表示「被 LaTeX 排版折磨過的人，能立刻理解這套自動檢查的價值」。

• 4. 定價與商業模式 （共 275 字）

  AI Job Search 本身是完全免費的開源專案，採用 MIT 協議。使用它的成本主要來自 Claude Code 的訂閱費（每月 20 美元），以及每次執行 /apply 命令消耗的 token。由於涉及起草者和審閱者兩個 agent 的多次互動，單次申請的成本不低。這是典型的「用 token 換質量」的模式。   專案目前沒有商業化計劃，沒有收費層級，沒有付費增值服務。作者多次澄清專案沒有任何關聯的代幣、NFT 或付費贊助計劃。它的變現路徑更多是間接的——作者本人透過這個專案展示了自己的工程能力，最終以此找到了工作。對於貢獻者來說，參與這樣一個高關注度專案本身也帶來了職業曝光。

• 5. 使用者評價 （共 754 字）

  社群對這個專案的反饋主要集中在幾個反覆出現的主題上。最受讚譽的是雙代理稽核設計。Reddit 上的使用者普遍認為，讓第二個 agent 以「對抗性」視角審查初稿，是區分「可用的 AI 輸出」和「一眼假的 AI 文案」之間的關鍵設計。LinkedIn 上不少 HR 從業者也對這個設計表示認可，認為它至少意識到了 AI 生成材料的風險，並試圖透過稽核機制來緩解。真實性保障同樣獲得了正面評價。系統所做的所有宣告都必須基於使用者檔案中的真實經歷，絕不編造技能或經驗。ATS 關鍵詞新增的也是使用者檔案中實際支援的內容，而不是隨意插入熱門關鍵詞。社群認為，這一點對於那些擔心 AI 輔助請會讓求職市場進一步誠信惡化的使用者來說，是一個重要的安全網。此外，PDF 驗證迴圈被普遍認為是該框架最獨特的賣點。多位使用者表示，其他 AI 簡歷工具生成的內容往往在 ATS 系統中「讀出來是一堆亂碼」——聯絡資訊識別錯誤、多列布局中的內容丟失——而 AI Job Search 至少在這方面做了系統性的檢查和修復。不過，LaTeX 依賴也被反覆提及為最大的使用門檻。非技術背景的求職者——恰恰是最需要求職幫助的人群——在面對 TeX Live 安裝、fontspec 相容、lualatex 與 xelatex 的區別時，往往直接就放棄了。有好幾個社群 fork 正在嘗試用更簡單的 HTML/PDF 路徑替代 LaTeX。此外，丹麥市場優先的設計也意味著非北歐使用者需要用 /add-portal 自行適配，或者退回到貼上職位描述的流程，這會損失自動抓取的便利性。也有使用者對 AI 大規模定製簡歷的長期影響表示擔憂。「如果求職者都用 AI 寫深度定製的簡歷，招聘方也靠 AI 來篩選這批簡歷，那整個簡歷環節的意義何在？」——這種質疑雖然不只是針對 AI Job Search 一家，但確實反映了 AI 正在重塑求職與招聘雙方的博弈格局。

• 6. 行業評價 （共 471 字）

  開發者社群對 ai-job-search 的評價不僅關注產品本身，更關注它所代表的模式。AgentConn 的分析文章指出，雙代理稽核設計是一個可以泛化的架構模式——任何高風險的 agent 工作流（合同起草、資助申請、客戶演示）都可以受益於「第二個 agent 以獨立上下文進行對抗性評審」這一設計。   掘金和 CSDN 上有多篇深度分析文章，把該專案與 career-ops、AIHawk 進行了系統對比，結論是三者各自的側重點不同——AI Job Search 走的是「質量優先」路線，在排版檢查和 ATS 驗證這兩個環節做得最徹底。AI 工具集 ai-bot.cn 將其列為「開源智慧求職框架」的代表，認為它的設計體現了 AI 應用從「問答工具」向「工作流代理」演進的趨勢。   LinkedIn 上的專業討論熱度也很高。不少招聘領域從業者認為，這個專案揭示了一個更深層的趨勢：求職正在從「寫作問題」變成「流程問題」——AI 處理第一遍的重複性勞動，人類把精力用在真正需要判斷力的地方。也有人指出，這個框架本身可能比它生成的任何簡歷都更有說服力——作者憑這個專案被錄用，本身就是最好的案例。

• 7. 爭議與風險 （共 311 字）

  最核心的風險來自第三方平臺限制。自動抓取 LinkedIn 的職位資訊違反 LinkedIn 的服務條款，專案方也在 README 中明確建議保持低頻率且僅限個人使用。不同求職門戶的反爬策略也在不斷進化，這些外部脆弱環節不是程式碼能解決的問題。   安全性方面，專案的設計考慮了 prompt 注入風險——將職位描述視為不可信輸入，不執行其中的指令。但作者也坦誠，「agent 層面的防禦是指令級別的，不是沙箱級別的」。這意味著在陌生的招聘門戶上使用時，建議使用者先檢查抓取的內容和生成的申請材料再傳送。   此外，大規模生成高度定製的簡歷可能會引發 ATS 系統的反制。招聘平臺已經開始針對 AI 生成內容最佳化過濾演算法，過度最佳化簡歷關鍵詞可能反而觸發反作弊標記。

• 8. 總結 （共 234 字）

  AI Job Search 是 2026 年上半年最令人印象深刻的 AI 工作流專案之一。它的價值不在於用了多先進的技術，而在於對「求職」這件事的理解足夠深——不是做一個「幫你寫簡歷」的工具，而是把求職還原為一個包含評估、定製、稽核、驗證、追蹤、反饋的完整閉環。雙代理稽核和 PDF 驗證迴圈這兩個設計，讓它在眾多 AI 簡歷工具中建立了獨特的位置。對於 Claude Code 使用者來說，這是一個幾乎必試的工作流。對於正在找工作的人，尤其是技術背景的求職者，它有可能從根本上改變你找工作的方式。

暫無深度報告

• 

  譚素

  —

  今天試了 ai-job-search，用 /setup 匯入簡歷後跑了個 /apply 看看效果。PDF 確實編譯出來了，但 LaTeX 環境配置折騰了我快一小時，非技術使用者估計直接勸退了。

---

• 

  Dorothy_TorresIII89

  —

  作者靠這框架找到工作的故事太強了，69 投 20 面 1 offer，這個命中率說明質量比數量重要。已經 fork 了，準備週末試試。

---

• 

  姜明

  —

  drafter-reviewer 雙代理設計是亮點。拿一個獨立的 agent 審自己的簡歷，這種感覺就像有人幫你把把關，比那些一次性生成的工具靠譜多了。

---

• 

  afy1l

  —

  評分：功能設計 9/10，安裝門檻 6/10。你說它強不強，很強。但你要我先裝 Bun 再裝 LaTeX 再配 lualatex 和 xelatex，很多人到這一步就放棄了。

---

• 

  MJohnson_Plus

  —

  ATS 驗證那步確實有用。我之前用別的工具生成簡歷，投出去後 recruiter 說聯絡資訊都沒讀出來。ai-job-search 至少能驗證 PDF 文字層，這個做得很到位。

---

• 

  MargaretAnderson_2020

  —

  在丹麥本地用體驗很好，內建的 Jobindex 和 Jobnet 搜尋開箱即用。但出了北歐就得自己配 /add-portal，對中文市場的支援基本為零，期待社群有人做適配。

---

• 

  Samuel.RuizJr

  —

  用了兩週，最大的感受是 /apply 生成的簡歷確實不是模板填空，而是真的會根據崗位描述調整側重點。但 token 消耗也真的不小，一個申請跑下來感覺 Claude 在燃燒經費。

---

• 

  WilliamKim168

  —

  說實話有點擔心這種工具會讓求職市場變味。如果所有人都用 AI 寫深度定製的簡歷，招聘方也靠 AI 來篩，那簡歷的意義還剩多少。

---

• 

  ZThomas7

  —

  安全性方面作者考慮得挺好，把職位描述當不可信輸入處理，不會執行其中的指令。不過 README 也坦誠說 agent 防禦不是沙箱，陌生門戶要小心，這種誠實反而讓人放心。

---

• 

  Shirley.Davis_88

  —

  跟 career-ops 和 AIHawk 都對比過。career-ops 偏向批次管道化，三天投 200 個那種；AI Job Search 是精耕細作型。看你要什麼吧，我選後者。

---

• 

  INguyen_2023

  —

  PDF 驗證迴圈真的絕了。我手動寫 LaTeX 簡歷最怕的就是編譯出來排版崩了，它能自動檢查頁數、孤立標題、字型回退，解決了 LaTeX 使用者最大的痛點。

---

• 

  MsRichardWest_x

  —

  19K 星的增速不是吹的。這個專案代表了一種趨勢——AI 應用從「問答工具」向「工作流代理」演進。它不是又聊了幾句，而是真的把事情幹了。

---

• 

  Jason282

  —

  裝好以後第一次跑 /scrape，六個門戶並行搜，去重排序，結果呈現很清楚。但 LinkedIn 搜尋用了公開端點，應該算灰色地帶，個人用低頻還行，高頻肯定有風險。

---

• 

  cHAINbASE

  —

  最打動我的是「絕不編造技能」這條原則。很多 AI 簡歷工具會往你的簡歷裡塞你沒做過的東西，但它用 reviewer agent 核驗真實性，這個底線守住了。

---

• 

  trueCaitlinChen_pro

  —

  說句實在話，這個專案的程式碼量才 55 次提交，核心不在於寫了多少行程式碼，而在於對「求職」這件事的理解深度。把一套流程拆成九個命令，每個命令對應一個決策點，設計太清晰了。

---

• 

  Lucas58

  —

  LinkedIn 上看到 Eduardo 發的帖才來試的。53 條評論裡 HR 和開發者吵成一片。有人說這是求職效率的革命，也有人說是給 recruiter 增加噪音。我倒覺得工具本身沒問題，看人怎麼用。

---

• 

  梅花_9

  —

  剛跑完 /apply，生成的簡歷排版比我手寫的好看多了。moderncv banking 風格配上 LaTeX 那個精緻度，投歐洲市場確實加分。

---

• 

  SButler_2024

  —

  作者是地球物理學博士，被裁後自己寫程式碼找工作，這個故事本身就很有說服力。他用這個框架拿到 Offer 不是重點，重點是他用實力證明了 agent 工作流的商業價值。

---

• 

  星辰_17

  —

  終於有人把 LaTeX 簡歷的痛點自動化了。以前每次改完 .tex 編譯 PDF 都要肉眼檢查一遍頁首頁尾，ai-job-search 直接替我做了這個檢查，省了大把時間。

---

• 

  Emily_Henderson_66

  —

  框架對 Mac 使用者最友好，Linux 也還行，Windows 使用者得折騰 WSL。要我說作者應該做個 Docker 映象一鍵部署，現在這個門檻真的擋住了大部分人。

---

• 

  J_ulian276

  —

  18K 星一天漲了 3700，GitHub Trending 第一。這個熱度說明開發者們有多需要這樣的工具。不是每個人都會寫簡歷，但每個人都得找工作。

---

• 

  LWilliams369641

  —

  體驗了一下 /interview 命令，它會基於已經存檔的申請材料生成面試準備包，還能模擬面試。感覺像是有個私人面試教練，雖然不如真人反饋細緻，但作為起點已經超出預期了。

---

• 

  賈紅_1

  —

  這個框架本身可能就是它最好的作品。你能想象面試官看到你說「我寫了個 19K 星的 Claude Code 求職框架來找工作」時的表情嗎，比什麼簡歷都有說服力。

---

• 

  JaniceTorres_2024

  —

  用了三天，最大的問題是 LaTeX 字型問題。MiKTeX 下 fontawesome5 報擴充套件錯誤，折騰了半天才搞定。如果改用 Markdown 轉 PDF 的流程可能會更友好。

暫無評論