Career Ops

这是什么？适合谁？

Career Ops 是 career-ops-hq/career-ops 这个开源仓库（MIT，作者 @santifer）做的事：在你本机、用你已经在用的 AI 编程 CLI，跑一条「求职流水线」。它不是又一个自动投递机器人——官方在 README 里把边界写得很硬：它评估、打分、起草，从不提交申请、从不发邮件、从不上传你的简历。

它把一次求职拆成几个具体动作：岗位还开着吗、这份 JD 和你像不像、值不值得花一晚上、简历怎么改、该找谁聊、投了之后卡在哪。你粘一条岗位链接或一段 JD 文本，它输出一份报告（reports/*.md）、一份按 ATS 规范排版的简历（默认 PDF）和一条投递跟踪记录（data/applications.md）。

适合谁：正在海投但回复率很低的人（想先做减法）；职业方向明确、需要「按 JD 逐条对齐证据」的人；已经用 Claude Code / Codex / OpenCode 这类 CLI、不想再装一套 SaaS 的开发者；想把自己的求职数据留在本机、不接受把简历交给第三方平台的人。

不适合谁：想一键批量投递几百家的（设计上就是反着来的）；完全没有 AI CLI 或模型预算的人；只想要一个网页版服务的（作者另开了 career-ops.org 的候补名单，网页版尚未开放）。

准备工作

1. Node.js 22.13+ 或 23.4+：npm 包 @santifer/career-ops 的 engines 字段写的是 ^22.13.0 || >=23.4.0，低于这个线 npx 会直接拒绝。
2. 一个 AI 编程 CLI：官方支持的包括 Claude Code、Codex、OpenCode、Qwen、Antigravity（agy）、Grok Build CLI，以及作为 Claude Code 插件运行；核心是一个共享的 AGENTS.md + modes/*.md，所以换 CLI 不用换配置。
3. 你自己的 CV：首次启动会在对话里问你，也可以直接准备 cv.md；有作品集/文章摘要的再补一个 article-digest.md（可选，用于提供可引用的证据点）。
4. 模型预算：可以用你 CLI 的订阅，也可以接 OpenRouter 免费模型、Ollama 本地模型或任意 OpenAI 兼容端点（见 docs/RUNNING_ON_A_BUDGET.md）。
5. 生成 PDF 的浏览器：npx playwright install chromium（只需要 PDF 这一步；非 Debian/Ubuntu 发行版要自己补 Chromium 的系统库）。
6. 时间预算：首次配置 20–40 分钟（主要是把你的 CV、目标岗位、拒绝项讲清楚）；之后单条评估 3–10 分钟。

快速上手：五步跑完第一条岗位评估

Step 1 — 装好工作区

npx @santifer/career-ops init

这条命令会把最新 release 克隆到 ./career-ops 并装依赖。想装成全局命令就用 npm i -g @santifer/career-ops，之后 career-ops init [folder]。注意 init 是这个 npm 包唯一的命令，其余动作都在 AI CLI 里完成。

Step 2 — 进入目录，打开你的 AI CLI

cd career-ops
claude   # 或 codex / opencode / qwen / agy / grok

Step 3 — 让它先认识你

首次启动会在对话里问你 CV、目标岗位、不接受的条件。它把答案写进 cv.md 与 config/profile.yml。这一步别省：报告质量的上下限，基本由这份自我介绍决定。

Step 4 — 粘一条你今晚本来想投的岗位

URL 或 JD 正文都行。URL 会先做存活检查（这段岗位还开着吗），然后跑 A–H 评估：岗位摘要、CV 匹配（每条要求的权重、以及权重来自 JD 原文、结构还是估计，会逐条标注）、级别策略、薪资调研、个性化、面试准备（STAR+R）、以及 G 段「这条招聘是否可信」的观察（是否重开、是否疑似幽灵岗）。

Step 5 — 读报告，决定投不投

输出落在三处：reports/ 下的报告、output/ 下的定制 PDF、data/applications.md 的一条跟踪记录。低于 4.0/5 它会直接说「别投」，你可以覆盖，但它会把「这是你覆盖的」写出来。

初级用法

• 只做减法：一天只粘 3–5 条你最想去的岗位，让分数帮你把「其实不合适」的挑出来。官方的用法叙事是「740 条评估、68 条投递、12 次面试、1 个 offer」——先过滤，再投。
• 用 scan 收岗位，用 pipeline 处理积压：scan 按 portals.yml 抓门户（自带 100+ 公司与 35+ 条搜索查询模板），结果进 data/pipeline.md 收件箱；pipeline 再逐条评估。两者分开，是为了让「发现」不花模型 token。
• 投递时用 apply 陪填：它按字段和你一起填表，填到 Submit 之前停下，剩下的点击永远由你完成。

高级玩法

• 批量跑：batch 模式用无头 worker 并行评估（Claude 下并行，其它 CLI 串行）；配合 batch/batch-runner.sh 可以把一批 URL 一次过完，适合每周集中处理积压。
• 把扫描接成定时任务：官方给了 docs/AUTOMATION.md 的排期方案与「零 token 初筛 → 短名单」的配方：先用 triage 做一次快速 go/no-go（不写文件、不烧报告），值得的再进完整评估。
• 面板 + 外部数据目录：npm run serve:dashboard 打开 Go 写的终端面板（10 个筛选页签、8 种排序）；如果你想让个人数据与代码分离（好切分支、好备份），用 CAREER_OPS_ROOT / CAREER_OPS_DATA_DIR 或仓库根的 .career-ops-data 文件把 cv.md、portals.yml、data/、reports/、output/ 指到仓库外。
• 插件式扩展：docs/PLUGINS.md 里的 Gmail、Notion、Apify 集成默认全关，按需开；deep 模式做公司调研、contacto 找人并起草 ≤300 字符的 LinkedIn 私信、email 起草正式申请邮件（只起草，不发）。

小技巧

1. 先跑 scan --verify（node scan.mjs --verify）再评估：部分 ATS 会留着已关闭的旧岗，存活检查能把它们筛掉，省下模型调用。
2. 报告里的「权重来源」是这套系统最值钱的部分——看到某条要求标着「估计」，就回去把它手动改成 JD 原文里的句子，分数会立刻变准。
3. 环境里留着 ANTHROPIC_API_KEY 时，Claude Code 会按 token 计费而不是走你的订阅；echo $ANTHROPIC_API_KEY 有输出就先清掉再登录。
4. 投递记录和报告都是 Markdown，直接 git init 一个私有仓库每天提交一次，比任何「求职 CRM」都可靠。
5. reply-watch 可以把雇主回信归类成跟踪状态更新；配合 followup 算跟进节奏，别靠记忆。
6. 想把模式改成中文、把 archetype 换成你的岗位族，直接在 CLI 里说「把 archetypes 改成后端工程岗」「把 modes 翻成中文」——它读的就是同一批文件，改完即生效。

常见踩坑

踩坑 1：以为它能自动投递，结果发现每一步都要自己点。 现象：等它「把申请交上去」，什么也没发生。原因：prepare-application.mjs 从设计上就不 POST，整个代码库里没有邮件发送通道。解法：把它当「决策 + 起草」工具，apply 模式负责陪填，Submit 你自己按。

踩坑 2：明明买了 Claude Pro/Max，API 额度却掉得飞快。 现象：账单按 token 计。原因：环境里的 ANTHROPIC_API_KEY 优先级高于已登录订阅。解法：echo $ANTHROPIC_API_KEY，有值就从 shell profile 里删掉、重开终端再 /login；批量模式另走 claude setup-token 导出 CLAUDE_CODE_OAUTH_TOKEN。

踩坑 3：PDF 生成报浏览器起不来。 现象：评估跑完，generate-pdf 一步失败。原因：没装 Playwright 的 Chromium，或 Linux 发行版缺系统库。解法：npx playwright install chromium；Fedora/Arch 一类按 Playwright 文档补系统依赖。

踩坑 4：在 Codex 里敲 /career-ops 没反应。 现象：斜杠命令不被识别。原因：官方明确说 Codex 不保证斜杠命令。解法：用自然语言「Run the career-ops scan mode」，或 codex exec "Evaluate this JD with career-ops auto-pipeline: <URL>"。

踩坑 5：Windows 上装到一半报符号链接错误。 现象：安装阶段 skills 加载失败、或 Git Bash 找不到。原因：Windows 的软链/行尾/路径差异，官方专门写了 docs/WINDOWS.md。解法：照该文档处理（Git Bash 发现、行尾、任务计划三节都有），别自己改脚本。

踩坑 6：把「AI 说我的简历很匹配」当成事实。 现象：定制简历里出现你其实没有的数字。原因：generate-pdf 只能拦住「数字/事实在 CV 和摘要里都找不到」的情况，官方承认还判断不了所有改写（issue #1411）。解法：--skip-fact-check 永远别在没读过简历的情况下用；每份发出去前自己逐行读一遍。

踩坑 7：只看 star 数就判断质量。 现象：仓库 81k star、14.9k fork，看起来「一定好用」。原因：这个仓库自带强营销（WIRED/Business Insider 报道、Product Hunt、manifesto 签名墙），star 增长里含大量传播效应；forks/stars 约 18%，高于常见健康区间。解法：把 star 当「热度」而不是「质量」，用你自己的 10 条岗位实测它的报告是否真的省时间。

常见问题 FAQ

Q1：它会替我把申请提交上去吗？

A：不会。评估、打分、起草全套都有，Submit 永远由你按。官方把这一点写成了「绝对保证」，代码里也没有提交或发信的通道。

Q2：必须用 Claude Code 吗？

A：不必。它走开放的 Agent Skill 规范，Claude Code、Codex、OpenCode、Qwen、Antigravity、Grok 以及 Claude Code 插件形态都能跑，共享同一套 AGENTS.md 与 modes/。

Q3：要花多少钱？

A：软件 MIT 免费，成本是你选的模型。可以用已有 CLI 订阅，也可以接 OpenRouter 免费模型、Ollama 本地模型或任意 OpenAI 兼容端点；批量模式会放大 token 消耗，先用 10 条岗位测出单条成本再决定批量规模。

Q4：我的简历和求职数据会被上传吗？

A：留在你机器上。仓库没有遥测和后端，CV 只从你的机器发给你自己选的模型供应商；公开的只有仓库里的 HIRED.md 与 issue。注意：一旦你把工作区推到公开仓库，cv.md 与 data/ 就跟着公开了——建议单独建私有仓库。

Q5：用中文岗位/JD 能跑吗？

A：能跑，它处理的是文本；但模式提示词默认是英文（官方支持把 modes/ 翻成其它语言，直接让 CLI 改）。中文简历的 ATS 排版建议自己复核一遍字体与分页。

Q6：和直接用 ChatGPT 改简历有什么区别？

A：ChatGPT 给你一段文本；Career Ops 给你一条可复算的流程：存活检查 → 逐条权重标注的匹配分 → ATS PDF → 跟踪记录 → 面试故事库。区别不在模型强弱，在于「每次都用同一套标准，并且留下可回看的证据」。

Q7：多久扫一次岗位合适？

A：官方给了排期方案，但建议先手动跑两周再定时。门户的 ToS 通常不欢迎高频自动化访问，扫太快既可能被封也可能招来无效岗位。

进阶学习建议

• 先读 modes/oferta.md 与 modes/_profile.md：前者是单次评估的评分细则，后者定义你的 archetype 与叙事框架。把 _profile.md 改成你自己的岗位族（比如「数据平台 / 推理服务」），比换更强的模型更能提升报告质量。
• 再读 docs/SUPPORTED_JOB_BOARDS.md 与 providers/ 目录：55+ 个 provider 模块覆盖 ATS API、整站 feed、XML/RSS、markdown feed 与本地解析器；你的目标公司若不在 portals.yml 里，discover 模式可以先解析公司名再预览写入。
• 成本控制看 docs/RUNNING_ON_A_BUDGET.md 与 docs/FREE_TIER.md：前者讲怎么把 CLI 切到订阅或本地模型，后者讲零成本跑法；docs/AUTOMATION.md 里的「零 token 初筛」配方（先 triage 再完整评估）是批量场景的省钱关键。
• 想理解它为什么这样设计，读 ARCHITECTURE.md 与 docs/ARCHITECTURE.md（设计原则与运行时流程），以及 LEGAL_DISCLAIMER.md——后者把「AI 会幻觉、你要复核」写成了正式条款。
• 真实使用者的复盘在 HIRED.md 与对应 issue 里，都是可点开的公开记录；比任何宣传页更适合判断「这套流程适合什么样的岗位」。

免责声明

本文基于官方文档和公开资料整理，AI辅助生成，MagicNetWorld 尚未完成独立实测。

文中安装命令、模式名、成本与限制均取自仓库 README、FAQ、定价页与 npm registry 元数据（核验日期 2026-11-09）；star / fork 数为当日 GitHub 页面读数，会持续变化。本站未安装该工具、未用它投递任何岗位，也未验证任何一次 ATS 生成结果的真实通过率。

参考链接

• Career Ops 仓库
• 项目官网
• npm 包 @santifer/career-ops
• Windows 安装说明
• 低成本/本地模型运行指南
• 自动化与零 token 初筛
• 法律免责声明