📌 项目地址：santifer/career-ops | ⭐ 47,756 颗星 | 🔧 JavaScript | 📜 MIT
它解决什么问题
公司用AI筛简历，候选人还在用Excel手动追投递进度。Career-Ops的作者自己吃过这个亏——他花了几个月用传统方式投简历，然后写了一套工具把流程倒过来：用人脸AI去评估公司。
这个项目叫 career-ops，也叫 CareerOps。它不是一个网页应用，而是跑在你的AI编程命令行（比如 Claude Code、Cursor、Continue 这类支持 agent-skill-standard 协议的CLI）上面的一个“求职指挥中心”。理想状态是：你告诉它你的偏好，它帮你从成百上千个职位里挑出值得投的那几个，其余放弃。
作者自己用这套系统评估了740+个职位，生成了100+份定制简历，最后拿到了Head of Applied AI的offer。详细案例在santifer.io/career-ops-system。
核心功能拆解
Career-Ops 用 Playwright 自动打开招聘页面——支持的来源包括 Greenhouse、Ashby、Lever 以及公司自己的官网。它爬下职位描述后做四件事：
1. 给每个 offer 打分（A–F等级，1–5分）
打分不是靠关键词匹配。AI拿你的CV和职位描述做推理，在五个加权维度上打分（薪资、成长、文化、技术栈等）。最终输出一个综合分数，低于4.0分的职位系统会强烈建议你不要投。作者原话：“Your time is valuable, and so is the recruiter’s.”
2. 生成 ATS 优化的 PDF 简历
不是简单地把 JD 里的词塞进去。AI 读完你的整个职业经历，判断哪些项目经验对当前职位最有用，然后重新排列内容，输出排版干净的 PDF。这个 PDF 能被 ATS（应聘者追踪系统）解析。
3. 批量并行跑
可以一次丢给系统10个以上职位。每个职位由独立的子代理评估，结果汇总到同一个数据库里，有完整性校验。跑完后你看到一排评分，快速决定哪些值得深入。
4. 研究公司，找对人
申请只能让你进排队线。系统会分析公司组织结构和 LinkedIn，找出你应该直接联系的人。作者说：applications get you in the queue; research gets you a conversation.
你必须付出的前期投入
README 里说得非常坦白：“the first evaluations won’t be great. The system doesn’t know you yet.” 你得花时间喂它信息：
- 你的CV（PDF 或文本）
- 你的 career story（职业故事里的具体数字，比如“主导三轮谈判，节省20%成本”）
- 你的偏好（行业、薪资底线、避坑项）
- 你的 proof points（量化成果，比如“把页面加载时间从3秒压到1.2秒”）
作者打了个比方：就像新入职一个招聘专员，头一周他需要学习你，之后才变成得力助手。
另一个硬性条件：你的职业经历需要能拿出3–5个量化成果。如果简历里全是“负责前端优化”、“参与项目管理”这类话，AI没法算价值。作者建议少于3年经验、写不出数字的人，用传统方法更省心。
我的试用感受
我用类似思路整理过自己的面试准备。很多我原本觉得不重要的细节——比如“把API响应从500ms降到80ms”——系统能理解，招聘方也能理解。而“优化性能”这种含糊表述，系统直接给低分。
这套工具适合两类人：一是手上有几个带数字的成果，愿意花一个周末跑通这个管道；二是每天要筛几十个岗位，想用机器帮自己判断值不值得花时间。别指望它替你思考——它只是一套执行你已经想好策略的工具。
项目是开源的，MIT 协议，目前 47756 颗星（JavaScript）。如果你想体验，先准备好 CLI 环境，读一下仓库里的 README.cn.md（有简体中文版），里面写了如何安装和配置 API key。