一天一个开源项目（第131篇）：Career-Ops - 基于 Claude Code 的 AI 招聘指挥中心

引言 | Introduction

"Companies use AI to filter candidates. I just gave candidates AI to choose companies." ------ Santiago Fernández de Valderrama

这是「一天一个开源项目」系列的 第 131 篇文章 。今天我们要深入剖析的项目是 Career-Ops （career-ops.org）。

如果说 2024 年是 AI Agent 的元年，那么 2025 年及以后就是 AI Agent 深入各行各业的"爆发年"。Career-Ops 正是其中的佼佼者，它将复杂的求职流程（找、审、改、投、管）彻底自动化。该项目作者 Santiago 正是使用这套系统评估了 740+ 职位，生成了 100+ 简历，最终成功入职 Head of Applied AI。

你将学到什么 | What You Will Learn

求职工作流自动化：如何利用 AI Agent 处理海量职位信息。
Agentic 评估系统：相比传统的关键词匹配，语义理解如何提高评估精度。
简历/求职信生成模式：基于 PDF（Playwright）的动态渲染技术。
基于 Go 的 TUI 仪表盘：如何在终端优雅地管理复杂的 Pipeline 数据。
多模型支持：Claude Code、Gemini CLI 及 OpenCode 的集成最佳实践。

前置知识 | Prerequisites

了解基本的人工智能概念（LLM, Agent）。
熟悉 Node.js 环境（如果你想在本地开发）。
具备基本的命令行操作经验。
对求职过程（简历投递、ATS 过滤）有基本认知。

项目背景 | Background

项目简介 | Project Overview

Career-Ops（或称 careerops）将任何 AI 编程 CLI 转变为一个全功能的求职指挥中心。它不再让你手动在 Excel 里记录投递进度，而是通过一个 AI 驱动的流水线，完成从"发现职位"到"面试准备"的全过程。

核心痛点解决：

海选难：每天几百个职位，手动筛选效率极低。
匹配难：简历千篇一律，无法针对每个职位精准优化。
跟进难：投递状态混乱，后续面试无法有的放矢。

作者/团队介绍 | Author Background

作者：Santiago Fernández de Valderrama (@santifer)
背景：Head of Applied AI，前连续创业者。
初衷：为解决自己真实的求职痛点而构建。
战绩：评估 740+ 职位，投递 100+，最终通过该系统拿到心仪 Offer。

项目数据 | Open Source Metrics

⭐ GitHub Stars: 53.6k+
🍴 Forks: 10.7k+
📦 版本: v1.10.0 (3天前更新)
📄 License: MIT
🌐 官网 : career-ops.org

主要功能 | Key Features

核心作用 | Core Mission

Career-Ops 的核心不仅是"自动化"，更是"过滤器"。它强调"不要海投"（NOT a spray-and-pray tool），而是基于 10 个加权维度的 A-F 评分系统，帮助你找出那几个真正值得投入时间的岗位。

使用场景 | Use Cases

自动化侦察兵 (Scanner)
- 自动扫描 Anthropic, OpenAI, Mistral 等 45+ 顶级公司的招聘门户及 Greenhouse/Lever 等招聘系统。
多维度"私人面试官" (Evaluation)
- 提取 JD 关键信息，基于你的 CV 进行 A-F 评分，并给出详细的差距分析、层级策略及面试 STAR 题库建议。
动态简历工厂 (PDF Generator)
- 使用 Playwright 实时将 HTML 模版渲染为 ATS 友好的 PDF 简历，自动注入岗位相关的关键词。
求职状态指挥塔 (Dashboard)
- 基于 Go 语言开发的 TUI 仪表盘，让你像处理 Git Commit 一样查看和管理你的求职进度。

快速开始 | Quick Start

bash 复制代码

# 最快安装方式
npx @santifer/career-ops init

# 进入目录
cd career-ops

# 启动你常用的 AI CLI (以 Claude Code 为例)
claude

# 在 CLI 中直接运行命令
/career-ops "https://jobs.lever.co/company/role-id"

核心特性 | Technical Highlights

6-Block 评估架构：涵盖角色总结、CV 匹配度、级别定位、薪资研究、个性化亮点及面试准备。
面试故事库 (Story Bank)：自动沉淀你的 STAR 故事，随着投递越多，AI 对你的了解越深。
人性化确认 (Human-in-the-Loop)：AI 始终不代表你提交申请，所有生成的文案和动作必须经过人类确认。
批量处理能力 (Batch Processing)：支持并行评估 10+ 个职位。

项目详细剖析 | Deep Dive

架构设计 | Architecture

Career-Ops 采用了一种"Agent-as-a-Framework"的设计理念。它并不运行自己的后端服务，而是作为一系列扩展/模式（Modes）植入到 Claude Code 等工具中。

核心流程图

graph TD A[岗位 URL/文本] --> B{职位识别} B --> C[A-F 深度评估] C --> D[生成分析报告 .md] C --> E[生成定制 CV .pdf] C --> F[同步投递追踪器 .tsv] F --> G[Go TUI 仪表盘展示]

关键实现技术 | Implementation Highlights

基于 Playwright 的无头浏览器扫描：项目内置了对 45+ 家公司的预置扫描脚本。通过 Playwright 模拟用户访问，即使是动态加载的招聘页面也能准确提取 JD。
动态 Markdown 追踪系统：不同于数据库，它使用 Markdown 表格和 TSV 文件作为"真相之源"。这种方式极其符合开发者习惯，且易于版本控制。
Go + Bubble Tea TUI ：仪表盘使用了著名的 Charmbracelet Bubble Tea 库，提供了丝滑的列表滚动、分类过滤及深色主题支持。

项目地址与资源 | Resources

官方资源

🌟 GitHub : santifer/career-ops
📚 文档 : career-ops.org/docs
💬 Discord : Join Community
🎥 Demo : 观看演示视频

总结与回顾 | Summary

核心要点回顾

AI 赋能搜索：候选人第一次在招聘博弈中获得了对等（甚至超越）HR 系统的工具优势。
精准匹配：通过 LLM 的语义理解，而非单纯的关键词堆砌。
闭环管理：从扫描到生成，再到面试准备和投递管理。

适用人群

寻求 AI/基础软件/高阶技术岗位的开发者。
想要了解如何构建生产级 AI Agent 工作流的学习者。
正在被琐碎的求职行政事务折磨的精英求职者。

GitHub 项目地址 : santifer/career-ops
官网 : career-ops.org

欢迎了解 PrimeSkills ------ 精选 AI Agent 与技能的市场，每一个都在真实的企业级工作流中经过验证，不堆砌概念，只留下真正有效的东西。

欢迎访问我的个人主页，发现更多有价值的见解和有趣的产品。

「一天一个开源项目」系列，助力每一位开发者掌握技术先机。