AI Job Search

• 1. 概要 （共 286 字）

  AI Job Search 是一个基于 Claude Code 构建的开源 AI 求职框架，由丹麦开发者 Mads Lorentzen 在 2025 年底失业后为自己编写。该框架将求职流程拆解为可编程的工作流——从个人档案设定、职位搜索匹配，到简历与求职信的双代理审核生成、PDF 排版验证，再到面试准备与结果追踪——全部通过 Claude Code 的斜杠命令驱动。项目于 2026 年 3 月底发布后迅速冲上 GitHub Trending 榜首，截至 7 月底已获得超过 19,000 颗星标，是目前增长最快的 Claude Code 工作流项目之一。它不代你点击「提交」，而是替你完成每一份申请从评估到成型之间的所有重复劳动。

• 2. 产品背景 （共 641 字）

  Mads Lorentzen 是一位地球物理学博士，在 2025 年底被公司裁员后，陷入了反复改简历、写求职信的循环。他发现每一份职位申请都要重复同样的流程——阅读 JD、评估匹配度、调整简历措辞、撰写求职信——既耗时又容易草草了事。为熟悉 Claude Code 的开发者，他花三个月时间把自己理想中的求职流程写成了一个可复用的框架，命名为 ai-job-search。项目于 2026 年 3 月 23 日首次提交到 GitHub，最初只是一个简单的原型。真正引爆社区的是作者的「自用成功故事」：他用这个框架投了 69 份申请、获得 20 次初面机会，最终在 2026 年 6 月成功入职成为一名 AI 工程师。这个结果被分享到 LinkedIn 和 Reddit 后迅速扩散，许多人意识到这不只是一个「简历生成器」，而是一个完整的求职操作系统。项目采用 MIT 协议完全开源，没有关联任何商业公司或加密货币项目。作者明确声明这不是 Anthropic 的官方产品，也不收取任何费用。框架目前以 TypeScript、Python 和 LaTeX 为主要语言，托管在 MadsLorentzen/ai-job-search 仓库下。整个项目的核心不在于代码量（目前仅约 55 次提交），而在于工作流设计的完整性和工程化思维。同类竞品中，career-ops 更偏向批量管道化处理（多 Worker 并行、Go TUI 仪表盘），AIHawk 侧重网页自动化填表。AI Job Search 夹在中间，选择了「质量优先」的路线——它不追求投递数量，而是追求每一份申请都做到极致定制。

• 3. 产品功能与使用体验 （共 1232 字）

  AI Job Search 的核心理念是「把求职拆成可编程的工作流」。它不提供一个网页界面，而是在 Claude Code 命令行内通过九个斜杠命令驱动整个流程。每一个命令对应求职中的一个关键环节。最基础的三条命令是 /setup、/scrape 和 /apply。/setup 用于建立个人档案，支持三种路径：如果你已有 documents 文件夹（内含简历 PDF、领英导出文件、学历证书等），Claude 会直接读取并结构化整理；如果你只有一份现成简历，可以粘贴进对话让 Claude 导入；如果你什么都没有，系统会通过一段结构化访谈逐步问出你的背景、技能和职业目标。作者特别强调，档案越详细，后续产出的质量越高——不是罗列技能名称，而是描述你在什么场景下用过什么工具、做了什么、取得了什么结果。/scrape 负责自动搜索多个职位门户网站，去重后按匹配度排序。目前内置的搜索技能主要面向丹麦市场（Jobindex、Jobnet、Akademikernes Jobbank 等），也包含一个基于 LinkedIn 公开端点的零运行时搜索工具。作者的设计意图很明确：这套模式本身就是给你替换成本地门户的。/add-portal 命令允许你为任意地区的职位门户生成搜索技能插件，社区也可以贡献适配。此外还有一个 /rank 命令，对已抓取的职位进行批量并行评分，从技能匹配、经验匹配、文化适配、地理位置、职业发展一致性五个维度打分，生成排序短名单。/apply 是整个框架最核心、也最体现工程水平的命令。当你在 Claude Code 中输入 /apply 加上一个职位链接后，系统会先解析职位描述（将职位内容视为不可信输入，不会执行其中的任何指令），然后与你的个人档案进行多维匹配度评估。接下来进入最重要的「起草-审阅」双代理工作流：第一个 Claude agent 作为起草者，根据评估结果用 LaTeX 模板定制简历和求职信；然后第二个 Claude agent 以全新的上下文窗口启动，以「挑剔审稿人」的视角独立研究目标公司，对初稿进行批评——检查遗漏的关键词、薄弱的表述、过于通用的语言、以及与职位要求不匹配的侧重点。起草者收到评审意见后进行修订。这一循环是 AI Job Search 与其他简历生成工具之间最根本的差异。在文字内容完成后，系统还有一步独特的 PDF 验证循环。它用 lualatex 编译简历、xelatex 编译求职信（因为 cover.cls 依赖 fontspec），然后读取 PDF 的每页检查排版——简历是否恰好两页、求职信是否恰好一页、标题行有没有孤立地掉到下一页底部、字体是否一致、签名是否可见。发现问题后会自动调整 LaTeX 参数重新编译，直到输出满意。最后用 pdftotext 提取 PDF 文本层，模拟 ATS 系统的解析效果，检查联系信息是否完整、关键字覆盖率如何。这套验证循环解决了 LaTeX 简历最常见也最令人头疼的问题：排版在不同编译器下不一致。很多开发者表示「被 LaTeX 排版折磨过的人，能立刻理解这套自动检查的价值」。

• 4. 定价与商业模式 （共 275 字）

  AI Job Search 本身是完全免费的开源项目，采用 MIT 协议。使用它的成本主要来自 Claude Code 的订阅费（每月 20 美元），以及每次运行 /apply 命令消耗的 token。由于涉及起草者和审阅者两个 agent 的多次交互，单次申请的成本不低。这是典型的「用 token 换质量」的模式。   项目目前没有商业化计划，没有收费层级，没有付费增值服务。作者多次澄清项目没有任何关联的代币、NFT 或付费赞助计划。它的变现路径更多是间接的——作者本人通过这个项目展示了自己的工程能力，最终以此找到了工作。对于贡献者来说，参与这样一个高关注度项目本身也带来了职业曝光。

• 5. 用户评价 （共 754 字）

  社区对这个项目的反馈主要集中在几个反复出现的主题上。最受赞誉的是双代理审核设计。Reddit 上的用户普遍认为，让第二个 agent 以「对抗性」视角审查初稿，是区分「可用的 AI 输出」和「一眼假的 AI 文案」之间的关键设计。LinkedIn 上不少 HR 从业者也对这个设计表示认可，认为它至少意识到了 AI 生成材料的风险，并试图通过审核机制来缓解。真实性保障同样获得了正面评价。系统所做的所有声明都必须基于用户档案中的真实经历，绝不编造技能或经验。ATS 关键词添加的也是用户档案中实际支持的内容，而不是随意插入热门关键词。社区认为，这一点对于那些担心 AI 辅助请会让求职市场进一步诚信恶化的用户来说，是一个重要的安全网。此外，PDF 验证循环被普遍认为是该框架最独特的卖点。多位用户表示，其他 AI 简历工具生成的内容往往在 ATS 系统中「读出来是一堆乱码」——联系信息识别错误、多列布局中的内容丢失——而 AI Job Search 至少在这方面做了系统性的检查和修复。不过，LaTeX 依赖也被反复提及为最大的使用门槛。非技术背景的求职者——恰恰是最需要求职帮助的人群——在面对 TeX Live 安装、fontspec 兼容、lualatex 与 xelatex 的区别时，往往直接就放弃了。有好几个社区 fork 正在尝试用更简单的 HTML/PDF 路径替代 LaTeX。此外，丹麦市场优先的设计也意味着非北欧用户需要用 /add-portal 自行适配，或者退回到粘贴职位描述的流程，这会损失自动抓取的便利性。也有用户对 AI 大规模定制简历的长期影响表示担忧。「如果求职者都用 AI 写深度定制的简历，招聘方也靠 AI 来筛选这批简历，那整个简历环节的意义何在？」——这种质疑虽然不只是针对 AI Job Search 一家，但确实反映了 AI 正在重塑求职与招聘双方的博弈格局。

• 6. 行业评价 （共 471 字）

  开发者社区对 ai-job-search 的评价不仅关注产品本身，更关注它所代表的模式。AgentConn 的分析文章指出，双代理审核设计是一个可以泛化的架构模式——任何高风险的 agent 工作流（合同起草、资助申请、客户演示）都可以受益于「第二个 agent 以独立上下文进行对抗性评审」这一设计。   掘金和 CSDN 上有多篇深度分析文章，把该项目与 career-ops、AIHawk 进行了系统对比，结论是三者各自的侧重点不同——AI Job Search 走的是「质量优先」路线，在排版检查和 ATS 验证这两个环节做得最彻底。AI 工具集 ai-bot.cn 将其列为「开源智能求职框架」的代表，认为它的设计体现了 AI 应用从「问答工具」向「工作流代理」演进的趋势。   LinkedIn 上的专业讨论热度也很高。不少招聘领域从业者认为，这个项目揭示了一个更深层的趋势：求职正在从「写作问题」变成「流程问题」——AI 处理第一遍的重复性劳动，人类把精力用在真正需要判断力的地方。也有人指出，这个框架本身可能比它生成的任何简历都更有说服力——作者凭这个项目被录用，本身就是最好的案例。

• 7. 争议与风险 （共 311 字）

  最核心的风险来自第三方平台限制。自动抓取 LinkedIn 的职位信息违反 LinkedIn 的服务条款，项目方也在 README 中明确建议保持低频率且仅限个人使用。不同求职门户的反爬策略也在不断进化，这些外部脆弱环节不是代码能解决的问题。   安全性方面，项目的设计考虑了 prompt 注入风险——将职位描述视为不可信输入，不执行其中的指令。但作者也坦诚，「agent 层面的防御是指令级别的，不是沙箱级别的」。这意味着在陌生的招聘门户上使用时，建议用户先检查抓取的内容和生成的申请材料再发送。   此外，大规模生成高度定制的简历可能会引发 ATS 系统的反制。招聘平台已经开始针对 AI 生成内容优化过滤算法，过度优化简历关键词可能反而触发反作弊标记。

• 8. 总结 （共 234 字）

  AI Job Search 是 2026 年上半年最令人印象深刻的 AI 工作流项目之一。它的价值不在于用了多先进的技术，而在于对「求职」这件事的理解足够深——不是做一个「帮你写简历」的工具，而是把求职还原为一个包含评估、定制、审核、验证、追踪、反馈的完整闭环。双代理审核和 PDF 验证循环这两个设计，让它在众多 AI 简历工具中建立了独特的位置。对于 Claude Code 用户来说，这是一个几乎必试的工作流。对于正在找工作的人，尤其是技术背景的求职者，它有可能从根本上改变你找工作的方式。

暂无深度报告

• 

  谭素

  —

  今天试了 ai-job-search，用 /setup 导入简历后跑了个 /apply 看看效果。PDF 确实编译出来了，但 LaTeX 环境配置折腾了我快一小时，非技术用户估计直接劝退了。

---

• 

  Dorothy_TorresIII89

  —

  作者靠这框架找到工作的故事太强了，69 投 20 面 1 offer，这个命中率说明质量比数量重要。已经 fork 了，准备周末试试。

---

• 

  姜明

  —

  drafter-reviewer 双代理设计是亮点。拿一个独立的 agent 审自己的简历，这种感觉就像有人帮你把把关，比那些一次性生成的工具靠谱多了。

---

• 

  afy1l

  —

  评分：功能设计 9/10，安装门槛 6/10。你说它强不强，很强。但你要我先装 Bun 再装 LaTeX 再配 lualatex 和 xelatex，很多人到这一步就放弃了。

---

• 

  MJohnson_Plus

  —

  ATS 验证那步确实有用。我之前用别的工具生成简历，投出去后 recruiter 说联系信息都没读出来。ai-job-search 至少能验证 PDF 文本层，这个做得很到位。

---

• 

  MargaretAnderson_2020

  —

  在丹麦本地用体验很好，内置的 Jobindex 和 Jobnet 搜索开箱即用。但出了北欧就得自己配 /add-portal，对中文市场的支持基本为零，期待社区有人做适配。

---

• 

  Samuel.RuizJr

  —

  用了两周，最大的感受是 /apply 生成的简历确实不是模板填空，而是真的会根据岗位描述调整侧重点。但 token 消耗也真的不小，一个申请跑下来感觉 Claude 在燃烧经费。

---

• 

  WilliamKim168

  —

  说实话有点担心这种工具会让求职市场变味。如果所有人都用 AI 写深度定制的简历，招聘方也靠 AI 来筛，那简历的意义还剩多少。

---

• 

  ZThomas7

  —

  安全性方面作者考虑得挺好，把职位描述当不可信输入处理，不会执行其中的指令。不过 README 也坦诚说 agent 防御不是沙箱，陌生门户要小心，这种诚实反而让人放心。

---

• 

  Shirley.Davis_88

  —

  跟 career-ops 和 AIHawk 都对比过。career-ops 偏向批量管道化，三天投 200 个那种；AI Job Search 是精耕细作型。看你要什么吧，我选后者。

---

• 

  INguyen_2023

  —

  PDF 验证循环真的绝了。我手动写 LaTeX 简历最怕的就是编译出来排版崩了，它能自动检查页数、孤立标题、字体回退，解决了 LaTeX 用户最大的痛点。

---

• 

  MsRichardWest_x

  —

  19K 星的增速不是吹的。这个项目代表了一种趋势——AI 应用从「问答工具」向「工作流代理」演进。它不是又聊了几句，而是真的把事情干了。

---

• 

  Jason282

  —

  装好以后第一次跑 /scrape，六个门户并行搜，去重排序，结果呈现很清楚。但 LinkedIn 搜索用了公开端点，应该算灰色地带，个人用低频还行，高频肯定有风险。

---

• 

  cHAINbASE

  —

  最打动我的是「绝不编造技能」这条原则。很多 AI 简历工具会往你的简历里塞你没做过的东西，但它用 reviewer agent 核验真实性，这个底线守住了。

---

• 

  trueCaitlinChen_pro

  —

  说句实在话，这个项目的代码量才 55 次提交，核心不在于写了多少行代码，而在于对「求职」这件事的理解深度。把一套流程拆成九个命令，每个命令对应一个决策点，设计太清晰了。

---

• 

  Lucas58

  —

  LinkedIn 上看到 Eduardo 发的帖才来试的。53 条评论里 HR 和开发者吵成一片。有人说这是求职效率的革命，也有人说是给 recruiter 增加噪音。我倒觉得工具本身没问题，看人怎么用。

---

• 

  梅花_9

  —

  刚跑完 /apply，生成的简历排版比我手写的好看多了。moderncv banking 风格配上 LaTeX 那个精致度，投欧洲市场确实加分。

---

• 

  SButler_2024

  —

  作者是地球物理学博士，被裁后自己写代码找工作，这个故事本身就很有说服力。他用这个框架拿到 Offer 不是重点，重点是他用实力证明了 agent 工作流的商业价值。

---

• 

  星辰_17

  —

  终于有人把 LaTeX 简历的痛点自动化了。以前每次改完 .tex 编译 PDF 都要肉眼检查一遍页眉页脚，ai-job-search 直接替我做了这个检查，省了大把时间。

---

• 

  Emily_Henderson_66

  —

  框架对 Mac 用户最友好，Linux 也还行，Windows 用户得折腾 WSL。要我说作者应该做个 Docker 镜像一键部署，现在这个门槛真的挡住了大部分人。

---

• 

  J_ulian276

  —

  18K 星一天涨了 3700，GitHub Trending 第一。这个热度说明开发者们有多需要这样的工具。不是每个人都会写简历，但每个人都得找工作。

---

• 

  LWilliams369641

  —

  体验了一下 /interview 命令，它会基于已经存档的申请材料生成面试准备包，还能模拟面试。感觉像是有个私人面试教练，虽然不如真人反馈细致，但作为起点已经超出预期了。

---

• 

  贾红_1

  —

  这个框架本身可能就是它最好的作品。你能想象面试官看到你说「我写了个 19K 星的 Claude Code 求职框架来找工作」时的表情吗，比什么简历都有说服力。

---

• 

  JaniceTorres_2024

  —

  用了三天，最大的问题是 LaTeX 字体问题。MiKTeX 下 fontawesome5 报扩展错误，折腾了半天才搞定。如果改用 Markdown 转 PDF 的流程可能会更友好。

暂无评论