santifer/career-ops

⭐ 43,849 · JavaScript · GitHub 仓库

基于Claude Code构建的AI驱动求职系统，具备14种技能模式、Go语言仪表盘、PDF生成及批量处理功能。

ai-agent anthropic automation career claude claude-code cli golang

一句话总结

将求职视为一个工程问题，借助AI驱动的指挥中心，实现系统化评估与高效投递。

🔥 核心能力与独特卖点

六维评估体系：从职位概要、简历匹配度、职级策略、薪酬待遇、个性化适配及面试准备六大维度对工作机会进行评分，采用A-F等级制与10个加权指标。通过数据驱动框架，彻底解决主观且不一致的职位评估痛点，迫使你系统性地审视每一个机会。
ATS优化PDF生成：针对每份职位描述，运用Space Grotesk + DM Sans字体设计，通过Playwright生成关键词植入的定制简历。省去为每次投递手动调整简历的繁琐工作，同时确保ATS兼容性。
岗位扫描器：自动扫描45+预配置公司（如Anthropic、OpenAI、ElevenLabs等）及主流招聘平台（Greenhouse、Ashby、Lever、Wellfound）的新职位。通过持续监控目标公司，解决错过机会的难题，无需手动逐一检查。
批量处理：利用子代理并行评估10+个职位，自动完成合并、去重及流程完整性检查。通过并行分析并保持质量控制，解决逐个评估多个职位的时间消耗问题。
面试故事库：在每次评估中积累STAR+反思故事，构建5-10个能应对任何行为问题的核心故事。将每次评估转化为面试准备素材，随时间推移不断增值。

独特卖点：Career-Ops将任何AI编码命令行工具转化为求职指挥中心，以结构化评分、批量处理和人机协同控制的方式对待求职这一工程问题——同时AI代理本身可完全自定义。

Architecture

技术架构

组件	技术	用途
AI CLI集成	Claude Code、OpenCode、Gemini CLI、Codex	代理管道的执行环境
后端管道	Node.js (JavaScript)	核心代理逻辑、评估评分、批量处理
仪表盘TUI	Go	基于终端的用户界面，用于跟踪申请进度
浏览器自动化	Playwright (Chromium)	岗位扫描与PDF生成
配置	YAML	个人资料设置 (`config/profile.yml`) 与岗位定义 (`portals.yml`)
数据存储	Markdown、TSV、PDF	报告、简历、申请跟踪器
多语言支持	8种语言	README本地化（英语、西班牙语、葡萄牙语、韩语、日语、俄语、简体中文、繁体中文）

架构亮点：

人机协同设计确保不会自动提交申请
子代理架构实现多个职位的并行评估
模块化模式系统（14种技能模式），Claude可动态修改
管道完整性检查，确保去重与合并验证

快速入门指南

bash

# 1. 克隆并安装
git clone https://github.com/santifer/career-ops.git
cd career-ops && npm install
npx playwright install chromium   # PDF生成所需

# 2. 检查设置
npm run doctor                     # 验证所有前置条件

# 3. 配置
cp config/profile.example.yml config/profile.yml  # 编辑并填入你的信息
cp templates/portals.example.yml portals.yml       # 自定义目标公司

# 4. 添加简历
# 在项目根目录创建 cv.md，以Markdown格式写入你的简历

# 5. 通过Claude个性化设置
claude   # 在此目录中打开Claude Code

# 6. 开始使用
# 粘贴职位URL或运行 /career-ops

优点、缺点与适用场景

优点

成果斐然：已完成740+次评估、生成100+份简历，创建者成功获得应用AI主管职位
深度可定制：Claude可即时修改模式、原型、评分权重及谈判脚本
质量优先：强烈建议不要投递评分低于4.0/5的职位，避免无效申请
免费层级可用：Gemini CLI集成提供零成本入门途径
持续增值：面试故事库随每次评估不断丰富

缺点

冷启动问题：初次评估效果不佳——需要输入上下文（简历、职业经历、偏好）才能提升质量
技术门槛：需熟悉命令行、Git及AI编码助手
设置复杂：涉及多个步骤（Playwright、配置文件、简历创建）
非“广撒网”工具：故意设计为反对海量投递，可能让部分用户感到不便

哪些人不适合使用？

非技术背景求职者：不熟悉命令行界面和Git工作流程
追求数量的申请者：信奉不加区分地投递数百个职位
寻求GUI工具的用户：不愿与终端交互
非技术/AI/工程领域的求职者：评估系统高度针对这些领域优化
不愿投入前期时间进行配置和上下文构建的人

理想使用场景

高级工程师与AI/ML专业人士：瞄准顶级公司（Anthropic、OpenAI、FAANG等）
技术产品经理：希望用数据驱动决策进行求职
职业转型者：需要系统评估自身背景与新岗位的匹配度
管理5+个活跃申请的求职者：需要结构化跟踪与比较
面试准备：利用STAR+R故事库构建行为面试应答库

社区与活跃度

拥有43,849颗星的Career-Ops显然在开发者社区中引起了强烈共鸣。这不仅仅是一个小众工具——它是一场技术专业人士如何对待求职的运动。该项目持续维护（最后更新于2026年5月），作为AI编码助手在个人职业管理中最实用的应用之一，已引发广泛热议。

多语言README（8种语言）表明其拥有全球社区，而创建者公开的成功案例（获得应用AI主管职位）提供了令人信服的社会证明。项目的发展势头表明它正在快速演进，14种技能模式和岗位扫描器的生态系统随着用户贡献自己的配置和目标公司而不断扩展。

santifer/career-ops ​

一句话总结 ​

🔥 核心能力与独特卖点 ​

技术架构 ​

快速入门指南 ​

优点、缺点与适用场景 ​

优点 ​

缺点 ​

哪些人不适合使用？ ​

理想使用场景 ​

社区与活跃度 ​