career-ops：本地跑的开源 AI 求职筛选工具

招聘方用 AI 筛候选人已经很多年，求职者这边还在手工翻招聘网站。career-ops 的作者把自己那轮搜索的数字留在了 README 里：740 条职位、投出 68 份申请、12 次面试、拿到 1 个 offer。他先把这套筛选逻辑做成工具自用，拿到工作之后再开源。

career-ops 是本地运行的 AI 求职工具，在 Claude Code、Codex 这类编码 CLI 里扫描招聘信息，把职位评估成 A-H 报告并打 1-5 分，判断值不值得投。

输入是一条职位描述，或者一批招聘门户上的职位；输出是一份结构化报告。总分之外，它标出幽灵岗与骗局、按你的真实 CV 算匹配度，再起草简历、求职信和答题草稿。所有数据留在本机，仓库写明没有遥测、没有官方后端，申请提交和邮件发送都不由它完成。

基础用法

安装与依赖

最短的入口是一条 npx 命令：

npx @santifer/career-ops init

npm 包名是 @santifer/career-ops。首次启动会在对话里问你的 CV、你想找什么、你拒绝什么，README 说不需要手工配置。项目根目录里有 Dockerfile 和 DOCKER.md，也可以走容器方式部署。仓库地址是 career-ops，主要语言为 JavaScript（88.3%，另有 TypeScript 6.7% 与 Go 3.2%），采用 MIT 许可证。仓库节选里没有给出 Node 版本这类运行环境约束，这一步以仓库当前说明为准。

最短能跑通的示例

README 的 Your turn 一节给的场景很具体：把一份你今晚本来打算投的职位贴进去。初始化完成之后，你在已经装好的 AI 编码 CLI 里跟它对话，提交职位描述。

返回结果分两种。一种是 do not apply，意思是这条职位不值得投，你今晚的时间省下来了。另一种是一份行动计划，告诉你下一步做什么。两种都是终端里的对话输出。

确认它跑起来了

跑通后会拿到一份结构化评估，终端的输出不再只是职位原文的回显。career-ops 把职位评估成由 A 到 H 多个块组成的报告，再折算出一个全局 1-5 分。

申请材料草稿与申请记录都留在你本机。仓库节选没有说明报告具体落在哪个目录，要接后续流程的话，得自己到运行目录里确认。

主要功能

职位筛选与评估

• 幽灵岗与骗局识别。在写任何材料之前先标记过期、虚假的招聘信息和骗局，避免把时间花在已经不存在的岗位上。
• A-H 结构化报告与 1-5 分。每条职位被拆成 A 到 H 的多个评估块，再得到一个全局 1-5 分。评分是判断该不该投的第一道闸。
• 按真实 CV 算匹配度。用你的 CV 给职位打分，匹配度弱时会建议跳过这条。README 说这个判断你可以推翻。

材料生成与进度记录

• 简历、求职信与答题草稿。评估过关后起草 CV、cover letter 和表单问题的答案，你读一遍再发。脚本本身从不 POST，提交动作永远由你点。
• 联系人笔记草稿。找出该联系的人并起草一段话，发送仍然交给你。
• 本地申请记录。每次申请都留在你机器上，不上传到项目方。
• 缺口分析。一轮连续被拒之后，它会指出你缺的那块能力。

参数与配置

常用参数

• --cli：batch 命令的开关，用于多 CLI 批量评估，发布说明里列的取值是 opencode、gemini、qwen。
• --min-threshold 与 --min-vendor-n：analyze-patterns.mjs 的两个阈值参数。早期版本对它们完全不校验，传非法值也不报错，这条已经修好。
• prepare-application.mjs：准备申请材料的脚本。仓库明确说它不会代替你提交，脚本里没有任何 POST 动作。

配置文件

仓库根目录有 .env.example，大小 3.5 KB，作为环境变量的模板。节选里没有列出各字段的名称与含义，配置前需要打开这个文件或 docs/ 下的说明核对。除此之外，仓库里没有说明存在别的配置文件。

实际使用中的坑

Issue 列表里有几条是用户真的踩到的，按现象和当前状态列出来。

• 筛选关键词按长度锚定词边界。（待解决）title_filter 的匹配逻辑会让 Rust Engineer 命中 Zero Trust Engineer，DeFi 命中 Software Defined。短词按词边界锚定，缩写长度不一样就会漏掉或误命中。
• Windows 上并发写入丢条目。（已解决）agent-inbox.mjs 在 Windows 上并发添加会丢掉一条，原因是 appendFileSync 在那里不是原子操作。这个问题一度让所有 PR 的 Windows CI 变红。
• Windows 上测试全红。（已解决）test-all.mjs 在默认 Windows 环境下失败，git 把 7 个 skill entrypoint 符号链接检出成了文本文件，而 CI runner 复现不了这个环境。
• 翻译文档滞后。（已解决）16 个翻译版 README 还在写报告是 A-F，英文版已经改成 A-H。中文版 README 虽然是 17 种语言之一，但这类细节更新会慢一拍。

同类项目对比

如果你只想给自己已经在用的编码 CLI 加一层轻量判断，job-hunt 这类 Skill 形态的接入成本更低，不用走完整的初始化和报告链路。career-ops 的门槛在第一轮：它不认识你，需要你先花几轮对话把 CV、偏好和底线讲清楚，之后结果才准。加上 491 个开放 Issue 和翻译文档滞后，中文用户遇到问题时要做好直接读英文 Issue 的准备。追求开箱即用的话，这几个同功能项目都值得先看一眼再决定。

合规边界

career-ops 会去扫描招聘门户并抓取职位信息，这一部分要对使用范围有意识。只应把它指向你自己有权限访问的目标，遵守目标站点的 robots.txt 与服务条款，并控制请求频率。仓库里有一条真实案例：providers/getro.mjs 曾因为不做节流地连续分页，触发 Datadog WAF 对 IP 的封禁，表现为整个 board 静默丢失。批量抓取非公开数据、绕过站点限制、拿别人的账号去刷岗位，都可能带来账号封禁与法律风险，这类用法不在项目设计意图之内。

适合谁

已经在用 Claude Code、Codex、OpenCode 或 Antigravity 这类编码 CLI，并且愿意把求职数据留在本机的人，适合用它。你手头有一批想投的职位，需要先做一轮粗筛，从「今晚该投哪一条」这类问题开始，它的 A-H 报告和 1-5 分会直接省掉时间。

还没装过任何 AI 编码 CLI 的人，以及希望简历一键群发、自动投递的人，不适合用它。前者要先解决运行环境，后者在仓库的能力清单上就写着不会代你提交、不会发邮件。

焚评：这个项目的量化评分

本项目的选题来自 焚.com（一个按公开公式给 GitHub 项目打分的站）。焚评当前总分 10.0 分（满分 10）。下表是各维度的得分：

评分口径、权重与计算方式见焚.com 的评分方法页；数据随 GitHub 指标刷新，具体数值以焚.com 当前页面为准。本文正文为诀.com 独立撰写，评分数据由焚.com 授权引用。