开源推荐：一个专为 AI Agent 设计的求职自动化工具

前言

在 AI Agent 时代，自动化不再仅限于简单的重复任务。近期发现了一个有趣的开源项目 boss-agent-cli，它将 Python CLI 工具和 AI Agent 的能力结合，为求职者（尤其是 AI Agent）打造了一套完整的 BOSS 直聘自动化解决方案。这个项目展现了如何设计一个 Agent 友好的工具，值得所有做 AI Agent 集成的开发者学习。

---

这个项目解决什么问题？

传统求职的痛点

求职是一个耗时的过程：

• 职位搜索繁琐：需要在平台上反复翻页、手动查看职位详情
• 福利信息零散：职位列表里的福利标签不完整，需要逐个进入详情页面查证
• 沟通记录复杂：打招呼、投递、面试邀请散落在不同的消息流中
• 进度追踪困难：无法清晰地看到整个求职漏斗（应聘→沟通→面试→offer）

如果你是一个 AI Agent，情况会更糟：你需要能够调用这些平台的能力，但 BOSS 直聘没有公开 API，你只能自己做网页自动化。

boss-agent-cli 的方案

这个项目提供了一个 CLI 工具 ，把 BOSS 直聘的核心功能封装成命令行界面。关键是，所有输出都是 结构化 JSON，这意味着 Agent 可以轻松解析和调用。

---

核心亮点分析

1. Agent 友好的设计

这是这个项目最聪明的地方。

传统 CLI 的问题：输出是面向人类的，充满格式化文本、颜色、进度条等。Agent 很难解析。

boss-agent-cli 的做法：

boss schema

执行这个命令，你会得到一个完整的能力描述（JSON 格式），告诉 Agent：

• 我有哪些命令
• 每个命令接受什么参数
• 输出什么结构

这是一个 自描述协议，Agent 只需看一次 schema，就能理解如何使用这个工具。所有输出都遵循统一的信封格式：

{
  "ok": true,
  "schema_version": "1.0",
  "command": "search",
  "data": [...],
  "pagination": {"page": 1, "has_more": true},
  "error": null,
  "hints": {"next_actions": ["boss detail <security_id>"]}
}

这让 Agent 可以：

• 通过 ok 字段判断成败
• 通过 error 字段获取错误信息
• 通过 hints 字段自动决定下一步操作
• 通过 recovery_action 字段自动修复错误

为什么这重要？ 在 AI Agent 的世界里，工具集成就像积木，工具设计得好坏直接决定 Agent 的能力。boss-agent-cli 就是一块设计得很好的积木。

2. 福利精准筛选

很多求职者都有这样的需求："我只要双休和五险一金的职位"。

传统做法：搜索后，手动逐个查看职位详情里的福利描述。

boss-agent-cli 的做法：

boss search "Golang" --city 广州 --welfare "双休,五险一金"

工具会：

1. 先检查职位列表里的福利标签
2. 标签不匹配时，自动调用职位详情页（card.json）进行全文搜索
3. 自动翻页（最多 5 页）直到找齐所有结果
4. 返回每个结果带 welfare_match 字段，说明匹配来源

这看似简单，但实现起来很复杂：需要调用多个 API、处理分页、做文本匹配、管理请求延迟避免被反爬。

3. 求职流水线与进度追踪

求职不是一次性的。从投递、打招呼、对话、面试，再到最后签 offer，是一个漫长的流程。

项目提供了 3 个命令来追踪这个过程：

boss pipeline    # 汇总沟通 + 面试，标记各阶段状态
boss follow-up   # 跟进提醒（筛选超时未推进的联系人）
boss digest      # 每日摘要（综合统计和更新）

通过这些命令，Agent（或求职者）可以一目了然地看到：

• 我已经投递了多少个职位
• 其中有多少收到了招聘者的回复
• 有几个进入了面试阶段
• 哪些联系人需要主动跟进

4. 反检测与登录安全

BOSS 直聘 会检测自动化操作。项目采用多个策略来规避：

三级降级登录：

1. Cookie 提取：从本地浏览器（Chrome / Firefox / Edge 等 10+ 种）提取已有的 Cookie，无需扫码
2. CDP 登录：检测到远程调试端口的 Chrome，复用浏览器完成登录
3. patchright 扫码：最后才拉起浏览器让用户扫码

反检测浏览器：

基于 patchright（Playwright 的反检测 fork），从二进制层面修补自动化标记。简单说，BOSS 直聘会检测浏览器的 headless 属性，patchright 能把这个标记去掉。

智能延迟：

# 高斯分布请求延迟 + 指数退避重试
# 不是傻傻地 time.sleep(2)，而是模拟真人的操作节奏

这些细节看起来小，但对于长期运行的自动化工具至关重要。

5. 与 AI Agent 框架的集成

项目提供了两种集成方式：

方式一：Skill 安装（推荐）

npx skills add can4hou6joeng4/boss-agent-cli

这是最方便的。安装后，Agent 自动获得调用 boss 命令的能力，无需手动配置。这反映了项目的一个理念：好的工具应该让集成变得简单。

方式二：手动配置

在 Agent 的规则文件里加上使用说明，让 Agent 学会调用 boss 命令。

---

技术架构与实现细节

架构图

CLI (Click)  →  AuthManager  →  patchright (登录)
                    ↓
              BossClient (httpx)  →  BOSS 直聘 wapi
                    ↓
              CacheStore (SQLite WAL)
                    ↓
              output.py  →  JSON 信封  →  stdout

关键技术栈

组件	技术选择	为什么
CLI 框架	Click	轻量、易扩展，适合 Agent 集成
HTTP 客户端	httpx	支持异步，性能好
反检测浏览器	patchright	Playwright fork，去掉自动化标记
Cookie 提取	browser-cookie3	支持多浏览器
缓存	SQLite WAL	轻量级，支持并发读，适合 CLI
加密	Fernet + PBKDF2	对称加密，机器绑定密钥

聪明的设计决策

1. 缓存策略

搜索结果会缓存到 SQLite，TTL 为 24 小时。这有两个好处：

• 减少对 BOSS 直聘的请求压力（不会被 ban）
• Agent 可以离线调试

2. 错误自愈

每个错误响应都包含 recovery_action，告诉 Agent 应该怎么修复：

{
  "ok": false,
  "error": "AUTH_EXPIRED",
  "recovery_action": "boss login"
}

Agent 看到这个错误，可以自动执行 boss login，而不是傻傻地重试。

3. 增量监控

watch 命令可以保存搜索条件，定期执行，并标出新职位：

boss watch add my-golang "Golang" --city 广州 --welfare "双休"
boss watch run my-golang

这对于长期求职非常有用。Agent 可以定期运行 watch run，只看新发布的职位。

---

实际应用场景

场景 1：自动求职 Agent

想象一个 AI Agent，收到用户的求职需求："帮我在广州找 Golang 职位，要求双休和五险一金"。

Agent 可以这样做：

boss schema                 # 先看一遍工具的能力
boss search "Golang" --city 广州 --welfare "双休,五险一金" --count 50
boss detail <security_id>   # 查看几个职位的详情
boss recommend             # 看看有没有系统推荐的职位
boss batch-greet "Golang" --city 广州  # 自动打招呼
boss pipeline              # 查看当前的求职进度

整个过程无需人工干预，所有操作都是自动化的。

场景 2：求职数据分析

一个求职者想分析自己的求职情况：投递数、回复率、面试邀请比例等。

可以导出数据后分析：

boss export "Python" --city 北京 --count 100 -o jobs.csv
boss chat -o communication.json      # 导出所有沟通记录
boss pipeline                        # 看求职漏斗

然后用 Python 或 R 进行数据分析。

场景 3：长期职位监控

一个求职者不着急，但想关注市场上有没有感兴趣的职位。可以：

boss watch add my-fav "Senior Golang Engineer" --salary 50-80K
# 每天运行一次
boss watch run my-fav

系统会自动检测新职位，只显示新发布的，避免信息重复。

---

代码质量与开发者体验

浏览项目的代码和文档，有几个值得称赞的地方：

1. 完善的文档

• README.md：清晰的快速开始
• docs/agent-quickstart.md：专门面向 Agent 开发者
• docs/agent-hosts.md：展示不同 Agent 框架的集成示例
• docs/capability-matrix.md：完整的能力矩阵
• SKILL.md：Skill 安装说明

2. 环境诊断工具

boss doctor

这个命令会诊断：

• patchright 是否已安装
• Chromium 内核是否可用
• 是否能从本地浏览器提取 Cookie
• 登录态是否存在、是否可解密
• Token 质量是否良好
• 网络连接是否正常

这大大降低了新用户的上手成本。

3. 详细的错误处理

每个错误都有清晰的含义和修复建议：

错误码	含义	修复方法
AUTH_REQUIRED	未登录	执行 boss login
AUTH_EXPIRED	登录过期	重新登录
RATE_LIMITED	频率过高	等待后重试
GREET_LIMIT	今日打招呼次数用完	明天再试

---

值得学习的地方

对于 AI Agent 开发者

1. 自描述 API ：设计工具时，考虑工具如何被 Agent 调用。提供 schema 命令，让 Agent 一次了解全部能力。
2. 结构化输出：所有输出都是 JSON，避免格式化文本。这样 Agent 才能可靠地解析结果。
3. 错误自愈 ：不要让 Agent 猜测怎么修复错误。在错误响应里包含 recovery_action，告诉 Agent 应该做什么。
4. 渐进式降级：对于需要用户交互的操作（如登录），提供多个备选方案，按优先级尝试（Cookie → 远程调试 → 扫码）。

对于 CLI 工具开发者

1. 分离 stdout 和 stderr：JSON 数据输出到 stdout，日志输出到 stderr。这样 Agent（或脚本）可以清晰地获取结构化数据。
2. 缓存策略：对于耗时的操作（如网页爬取），缓存结果并设置合理的 TTL。
3. 诊断命令 ：提供 doctor 命令，帮助用户快速定位问题。
4. 预设和快捷方式 ：提供 preset 和 watch 等功能，让重复操作变得简单。

---

潜在的改进方向

没有完美的项目，boss-agent-cli 也有一些值得改进的地方：

1. 单元测试覆盖率：对于爬虫类工具，完整的单元测试很重要，但这类项目通常难以测试（依赖外部 API）。
2. 国际化：当前仅支持中文。如果能支持其他语言（英文、日文等），会吸引更多用户。
3. 性能优化：某些操作（如福利筛选）需要多次调用 API。可以考虑并发优化。
4. 社区生态：可以考虑发展 Agent 插件生态，让更多的 Agent 框架能轻松集成。

---

总结

boss-agent-cli 是一个设计精良的开源项目，它展现了如何为 AI Agent 设计工具：

✅ Agent 友好 ：自描述 API、结构化输出、错误自愈

✅ 功能完整 ：搜索、筛选、沟通、进度追踪

✅ 易于集成 ：提供 Skill 安装方式，也支持手动配置

✅ 开发体验好 ：诊断工具、详细文档、清晰的错误提示

✅ 反检测能力强：三级降级登录、patchright 反爬、智能延迟

无论你是在构建 AI Agent、做求职自动化，还是只是想学习如何设计 Agent 友好的工具，这个项目都值得一读。

项目地址：github.com/can4hou6joe...

---

参考资源

• 项目官方文档
• Agent Quickstart
• Patchright 反检测浏览器
• Click - Python CLI 框架