Career-Ops

在如今竞争激烈的就业市场中，求职者常常面临海量职位信息的洪流，如何从中精准定位并高效申请到心仪的工作，成为了一大挑战。Career-Ops 应运而生，它并非传统的“海投”工具，而是一款基于 Claude Code 构建的开源 AI 驱动求职系统，旨在成为求职者的智能过滤器，通过结构化评估，帮助用户在繁多的机会中筛选出真正值得投入精力的岗位，并自动生成高度定制化的求职材料。

Career-Ops 的一位作者便是利用该系统，成功评估了超过 740 个职位，生成了 100 多份 ATS 优化简历，最终获得了 Head of Applied AI 的职位。这充分证明了其在实践中的有效性。

Career-Ops 的核心能力

• 精准的职位洞察：只需粘贴职位 URL 或描述，系统便能自动进行多维度分析，涵盖角色定位、简历匹配度、职级策略、薪酬市场调研、个性化求职亮点以及面试准备要点，并输出一份详尽的结构化报告。
• ATS 友好简历生成：该系统能够根据职位描述，动态调整简历中的关键词和经历呈现方式，确保简历能够顺利通过申请人追踪系统（ATS）的初步筛选。它还内置了特定的字体（Space Grotesk 和 DM Sans），并通过 Playwright 渲染 PDF，保证格式的专业性。
• 公司门户自动扫描：Career-Ops 预设了 45 家以上知名科技公司（包括 Anthropic、OpenAI、ElevenLabs 等）的招聘信息抓取配置。通过 Playwright 技术，它可以自动爬取 Greenhouse、Ashby、Lever、Wellfound 等主流招聘平台上的职位信息，并支持用户自定义查询条件。
• 高效的批量处理能力：借助 Claude 子代理的并行处理能力，系统可以同时评估十余个职位，极大地提升了信息筛选的效率。
• 动态积累面试素材：在职位评估过程中，系统会自动收集和整理符合 STAR+Reflection 格式的行为面试素材，帮助用户逐步构建 5 到 10 个可复用的核心故事模板，为面试做好充分准备。
• 谈判与联系支持：Career-Ops 还提供了实用的薪资谈判框架、应对地域薪资折扣的策略，以及在拥有多个 offer 时如何利用竞争性 offer 争取更好条件的沟通话术，并提供 LinkedIn 联系消息的模板。
• 一体化终端仪表盘：通过 Go 和 Bubble Tea 构建的终端用户界面（TUI），用户可以在命令行环境中完成职位筛选、排序和管理等全流程操作，支持多种筛选标签和排序方式。

如何启程使用 Career-Ops

• 环境准备：首先，需要克隆项目仓库（git clone https://github.com/santifer/career-ops.git），然后通过 npm install 安装必要的依赖，并运行 npx playwright install chromium 来安装浏览器自动化工具。
• 环境自检：执行 npm run doctor 命令，系统会自动检查运行环境是否满足要求。
• 个性化配置：复制示例配置文件（config/profile.example.yml）为 config/profile.yml，并根据个人情况填写详细信息，包括个人背景、期望薪资、技术栈等。
• 简历内容准备：在项目根目录下创建 cv.md 文件，并以 Markdown 格式输入您的简历内容。
• 启动与运行：按照指示启动 Claude Code 进行个性化，之后便可以直接粘贴职位 URL 或在终端输入 /career-ops 命令，触发完整的求职流程。

Career-Ops 的官网入口

• GitHub 仓库：https://github.com/santifer/career-ops

Career-Ops 的关键信息与使用前提

• Claude Code 依赖：该系统的核心 AI 功能高度依赖于 Anthropic 的 Claude Code，因此需要用户拥有 Anthropic 的付费订阅。
• 技术环境要求：使用 Career-Ops 需要 Node.js、npm、Playwright，以及用于仪表盘的 Go 环境。
• 数据隐私保障：所有数据均在本地存储，不涉及云端上传，确保了用户数据的隐私安全。
• 市场定位：目前该系统主要面向英语/欧美科技市场，对于中文或其他非技术岗位的适配，可能需要用户自行进行调整。
• 合规与诚信提示：自动化抓取招聘信息需遵守各平台的服务条款。AI 生成的求职材料务必经过人工审核，以避免潜在的诚信风险。
• 持续优化与学习：系统的评估精度在初期可能并非完美，需要用户持续提供反馈和上下文信息，以不断提升匹配的质量。

Career-Ops 的独特优势

• 反“海投”的精准策略：Career-Ops 明确反对漫无目的的“广撒网”式求职。它引入了 A-F 评分体系，从薪资匹配、技术栈契合度、职业发展空间等 10 个加权维度对职位进行评分（满分 5.0），并强烈建议用户优先考虑评分高于 4.0 的职位。
• “人机协作”的决策模式：AI 负责信息分析、职位推荐和材料准备，但最终的申请提交决策始终由用户掌握，确保了求职过程中的自主性。
• 强大的自我进化能力：用户可以通过自然语言直接与 Claude 交互，修改系统配置文件，例如调整评分权重、职业原型或目标公司列表，从而实现系统的个性化定制和持续优化。
• 透明可控的数据管理：所有数据均以 Markdown 表格、YAML 配置和 TSV 批处理文件的形式进行纯文本存储，方便使用 Git 进行版本管理，确保了数据的完全透明和可控性。
• MIT 开源协议的承诺：作为一款完全开源的 MIT 协议项目，Career-Ops 免费提供给用户使用，并鼓励社区贡献，代码可供审计、fork 和二次开发。

Career-Ops 与同类竞品的比较分析

Career-Ops 的应用场景

• 高效的职位初筛：在每周面对大量新增职位时，能够快速有效地过滤掉匹配度不高的岗位，节省宝贵的时间。
• 精准定制化投递：针对高度匹配的职位，可以一键生成符合 ATS 标准的定制化简历，提高申请的成功率。
• 前置的面试系统准备：在递交申请的同时，系统就开始帮助用户积累行为面试所需的 STAR 格式故事素材。
• 有力的薪资谈判支持：在获得 offer 后，用户可以利用系统提供的谈判框架和话术，更有信心地进行薪资协商。
• 长期的职业发展洞察：通过对职位评分数据的回顾分析，用户可以更清晰地了解自身在市场中的定位以及职业竞争力的变化趋势。