MadsLorentzen/ai-job-search —— AI求职助手框架

这是什么

MadsLorentzen/ai-job-search 是一个基于 Claude Code（Anthropic 推出的 CLI 编程助手）构建的 AI 求职应用框架，主语言 TypeScript，在 GitHub 上已获得超过 10,600 星标。它的核心思路是：你 fork 项目，填写个人资料，然后让 Claude 自动评估招聘信息、量身定制简历和求职信、甚至准备面试。该项目是独立开源项目，与 Anthropic 无官方关联，Claude Code 仅作为工具链中的编排引擎。

框架内置了一套结构化工作流，包含三个核心命令：/setup（初始化个人档案）、/scrape（抓取职位并匹配打分）、/apply（生成定制化申请材料）。工作流本身是语言和国家无关的，但默认附带的职位搜索技能面向丹麦市场（Jobindex、Jobnet、Akademikernes Jobbank 等）；搜索模式被设计为可替换，用户可以通过 /add-portal 命令为自己的本地招聘网站生成搜索技能。

解决的问题

传统求职过程中，求职者需要手动浏览大量职位、反复调整简历和求职信、跟踪申请进度、准备面试——这些工作高度重复且耗时。AI 可以辅助，但通用 AI 聊天工具缺乏对求职场景的深度理解（如简历格式、求职信调性、岗位匹配度评估标准）。该框架将 Claude Code 的专业能力与结构化求职方法论结合，解决以下痛点：

• 简历/求职信个性化：每份申请都需针对岗位调整，手工操作费时且易遗漏关键匹配点。框架自动依据岗位描述和你的个人档案，生成定制化 LaTeX 简历和求职信，并经过“起草者-审阅者”双代理流程（drafter-reviewer pipeline）进行复审和修订。
• 岗位匹配度量化：主观判断“这个岗位适不适合我”往往凭感觉。框架内置结构化的评估维度（如技能匹配、经验深度、文化契合等），对每个岗位进行打分，并呈现优先排序。
• 申请材料一致性：不同公司、不同岗位的申请材料风格、格式容易混乱。框架统一使用 LaTeX 模板，强制遵循排版规则，并确保字体、编译引擎（lualatex / xelatex）正确。
• 求职技能迁移：如果你换到另一个国家或行业，原有的搜索渠道和评估标准需要重写。框架通过 /add-portal 和模板注册机制，让用户能快速适配本地招聘网站和自定义简历模板。

核心功能

框架提供 9 个命令，分为核心工作流和扩展工具：

核心工作流（三个命令形成闭环）

1. /setup：初始化你的个人档案。支持三种路径：

   • 文档文件夹：将你的 CV PDF、LinkedIn 导出、学历证书、推荐信等放入 documents/ 文件夹，框架自动解析。
   • 粘贴 CV：直接在聊天中粘贴一份 CV 文本。
   • 面试式问答：通过对话逐步采集教育、经历、技能、性格、写作风格等信息。 档案会写入 CLAUDE.md 和 .claude/skills/job-application-assistant/ 下的多个结构化文件（如候选档案、行为档案、写作风格、岗位评估框架）。

2. /scrape：搜索多个职位门户，去重，并按匹配度排序展示结果。你可以直接选择某个职位执行 /apply，也可以先运行 /rank 对全部搜索结果进行批量评分，获得一个排名短名单。

3. /apply <url>：对单个职位执行完整流程：抓取岗位描述 → 评估匹配度 → 起草定制化简历（LaTeX）和求职信 → 由第二个代理审阅 → 修订 → 输出最终文件。若 URL 无法被自动抓取，可直接粘贴岗位描述文本。

扩展工具（六个命令）

• /rank：对 /scrape 获取的多个岗位进行批量评分（并行抓取每个岗位，评估五个维度），返回包含优劣势、截止日期、过期标记的排序列表，并可直接跳转到 /apply。
• /outcome：记录申请结果（面试阶段、Offer、拒绝、沉默），归档提交的 CV、求职信和岗位文本到 documents/applications/，并更新跟踪器。积累若干结果后，框架会建议你回到 /setup 校准匹配框架。
• /expand：基于你档案中已关联的公开资源（GitHub 仓库、个人网站、Kaggle、Google Scholar 等），以及课程大纲，自动发现并补充隐藏技能条目，带来源标签。
• /upskill：分析你的档案与目标岗位之间的技能差距，生成热力图和学习计划，包含搜索到的学习资源和时间估算。
• /add-template：注册你自己的 LaTeX 简历或求职信模板。框架会捕获模板的编译引擎、字体、样式规则、页数限制，进行强制测试编译后接入 /apply 流程。
• /add-portal：为你的本地招聘网站生成搜索技能。框架会探测该门户的搜索 URL 模式、结果结构、访问规则，自动搭建 CLI 工具并测试运行。

技术依赖：需要 Claude Code（CLI）、Python 3.10+、Bun（用于丹麦职位搜索 CLI 工具）、LaTeX 发行版（TeX Live 或 MiKTeX，CV 用 lualatex，求职信用 xelatex）。可选依赖 pdftotext（用于 ATS 可解析性检查）。

亮点 / 与同类相比

• 不只是“聊天机器人 + 模板”：很多 AI 求职工具只是用 GPT 生成一段文本，然后让你手动粘贴。该项目将 Claude Code 的能力嵌入到完整的工程化流程中：从档案管理、批量搜索、评分排序、双代理审核，到结果归档和能力校准，形成闭环。
• 结构化评估框架：内部使用 5 个维度的标准化评分（而非单一 LLM 判断），并支持“一票否决”条件、截止日期紧迫标志、过期岗位标记。这比简单让 AI 评价“是否匹配”更可靠和可解释。
• 可扩展的搜索架构：默认只提供丹麦市场的搜索技能，但通过 /add-portal 命令，你可以为任意国家/地区的招聘网站生成搜索技能，无需修改核心代码。框架会分析目标网站的结构并自动生成 CLI 工具。
• LaTeX 模板定制化：不只是用 Word 文档，而是强制使用 LaTeX 编译，保证排版质量。通过 /add-template 注册自己的模板，框架会验证编译成功后才接入，防止生产环节出错。
• 双代理审阅机制：/apply 流程中，先由起草代理生成 CV 和求职信，再由另一个审阅代理进行批判性审查，然后修订。这避免了单一 LLM 的自我满意倾向，提升输出质量。
• ATS 可解析性检查：编译后的 PDF 会通过 pdftotext 检测能否被机器解析，若缺失该工具则降级为视觉关键词审查。这是一个务实的设计，覆盖了实际求职中简历被 ATS 拒掉的常见问题。

适合谁用 / 上手

适合人群：

• 技术背景的求职者，尤其是软件工程师、数据科学家、ML 工程师等，熟悉 CLI 和 Git 操作。
• 愿意花少量时间进行初始配置（fork 仓库、安装依赖、运行 /setup）以换取后续自动化效率的人。
• 求职市场不限于丹麦的用户：框架的设计是语言/国家无关的，只需为你的本地招聘网站运行 /add-portal 生成搜索技能即可。
• 希望系统化提升