Career-Ops:本地运行的AI求职全流程自动化系统

解决什么

传统求职流程中,求职者需要在多个招聘平台手动搜索职位、逐条阅读JD、在Excel表格跟踪申请状态、针对每个职位手动修改简历。Career-Ops 将这一切自动化:它像一个本地运行的"求职作战指挥中心",通过AI自动抓取职位列表,对每个职位生成结构化评估报告(包含A到H八个维度的分析,最终给出1-5分的综合评分),自动定制匹配该职位的简历,并在命令行界面中集中管理所有申请进度。作者本人用这套系统评估了740+职位、生成100+定制简历,最终拿到理想offer。

为何火

项目在GitHub获得近7万星标,核心原因是它反转了求职市场的权力关系。当企业用ATS系统和AI批量筛选候选人时,这个工具让求职者也能用AI批量评估和筛选公司。它不是简单的自动投递工具,而是提供了一套完整的"求职运营"(Career Operations)方法论:通过结构化评估避免海投浪费时间,通过定制简历提高匹配度,通过本地部署保护隐私数据。项目已验证帮助数百人成功求职(有公开的HIRED.md墙展示真实案例),且被WIRED、Business Insider等主流媒体报道。

核心功能

智能职位评估:输入职位描述后,AI生成A-H八个维度的结构化报告(包括职位匹配度、公司背景、技术栈、成长空间、薪资预期、工作环境、职位真实性判断等),最终给出1-5分综合评分(通过整体判断而非算术平均)。G块专门评估职位真实性且不影响总分,H块仅在4.5分以上才生成。

自动简历定制:基于职位评估结果,自动调整简历内容以匹配JD关键词和技能要求,生成针对性版本。

多平台抓取:使用Playwright自动化浏览器,可配置抓取LinkedIn、Indeed等主流招聘平台的职位列表。

TUI仪表盘:基于Bubble Tea构建的终端界面,集中展示所有职位评分、申请状态、待办事项,支持交互式操作。

多AI后端支持:可接入Gemini(免费层可用)、OpenRouter(免费层数百模型)、OpenAI、Anthropic等多种API,也支持本地模型(通过OpenAI兼容接口如Ollama、LM Studio)。

安装

Docker方式(推荐):

git clone https://github.com/career-ops-hq/career-ops.git
cd career-ops
cp .env.example .env  # 编辑填入API密钥
docker compose up -d
docker compose exec career-ops bash

本地安装:

npm install -g @santifer/career-ops
# 或直接运行
npx @santifer/career-ops

需要在.env文件中配置至少一个AI服务密钥(Gemini免费层或OpenRouter免费层即可开始使用)。

适合谁

技术岗求职者:项目本身就是为技术人员设计,熟悉命令行和Docker的开发者、数据科学家、产品经理等可以快速上手。

重视隐私的求职者:所有数据在本地处理,简历和申请记录不上传第三方平台,适合对数据安全敏感的用户。

需要批量筛选职位的人:不想海投也不想逐个手动分析JD,希望用结构化方法快速识别高质量机会。

使用AI编码工具的开发者:项目原生支持在Claude Code、OpenCode、Codex等AI CLI中运行,可以无缝集成到现有工作流。

中国大陆用户注意:需要解决Gemini/OpenRouter等API的网络访问问题(可能需要代理),或配置国内可用的OpenAI兼容接口(如DeepSeek、智谱GLM、Kimi等)。

社区评价

暂无足量社区公开讨论(HN帖仅2点0评论),以下为基于项目本身的中立评估:

从GitHub数据看,项目在短时间内(2026年4月创建)获得近7万星标和1.3万fork,增长曲线极为陡峭,说明确实击中了求职者痛点。338位贡献者和393个open issues显示社区参与度高,但同时也反映出功能需求和bug修复压力较大。

项目最大亮点是"HIRED.md"墙——公开展示用该工具成功求职的真实案例,这种透明度在开源项目中少见,为潜在用户提供了可验证的信心。技术实现上采用Node.js + Go双语言,可能是为了发挥各自优势(Node.js处理AI API调用,Go构建高性能CLI),但也增加了维护复杂度。

潜在争议点:1)项目名称"career-ops"和运营方法论是否真的适合所有人,还是只适合技术背景用户;2)依赖外部AI API(即使有免费层)对无技术背景用户仍有门槛;3)自动化简历定制是否会导致"过度优化"而失去个人特色。

选型对比

vs LinkedIn Premium Career:LinkedIn付费版提供职位推荐和InMail,但评估逻辑不透明且数据留在平台;Career-Ops完全本地运行,评估逻辑开源可审计,但需要自己配置和维护。

vs Huntr/Teal:这些商业工具提供可视化看板和Chrome插件,用户体验更友好,但免费版功能受限且数据存储在云端;Career-Ops功能更强大(AI评估深度更高)且完全免费,但界面是命令行TUI,学习曲线陡峭。

vs 手动Excel跟踪:传统方法零成本但效率低,无法批量处理;Career-Ops自动化程度高,但需要投入时间学习配置,适合申请量大(50+职位)的场景。

技术栈选择:如果只需要简单的职位跟踪,Notion模板或Airtable可能更快;如果需要深度AI评估和隐私保护,Career-Ops是目前开源方案中最成熟的。

已知坑

API成本:虽然支持免费层(Gemini、OpenRouter),但大量评估仍可能触及限额,需要监控用量或配置多个API轮换。

网络依赖:Playwright抓取职位需要稳定外网访问,中国大陆用户需要解决代理问题;部分招聘网站有反爬机制,可能需要调整抓取策略。

配置复杂度:README长达数千行,虽然文档详尽但初次配置需要理解Docker、环境变量、AI API等多个概念,对非技术用户不友好。

评估质量依赖AI:1-5分评分的准确性完全取决于所用AI模型的能力,免费层模型(如gemini-flash)可能不如付费模型(如GPT-4)精准,需要根据实际效果调整。

多语言维护负担:项目提供17种语言的README,但代码注释和报告生成主要是英文,非英语用户可能需要额外配置提示词模板。

393个open issues:虽然显示社区活跃,但也意味着有大量待解决问题和功能请求,新用户可能遇到未修复的bug,建议先查看issues列表确认核心功能稳定性。