Career-Ops:本地執行的AI求職全流程自動化系統

解決什麼

傳統求職流程中,求職者需要在多個招聘平臺手動搜尋職位、逐條閱讀JD、在Excel表格跟蹤申請狀態、針對每個職位手動修改簡歷。Career-Ops 將這一切自動化:它像一個本地執行的"求職作戰指揮中心",通過AI自動抓取職位列表,對每個職位生成結構化評估報告(包含A到H八個維度的分析,最終給出1-5分的綜合評分),自動定製匹配該職位的簡歷,並在命令列介面中集中管理所有申請進度。作者本人用這套系統評估了740+職位、生成100+定製簡歷,最終拿到理想offer。

為何火

專案在GitHub獲得近7萬星標,核心原因是它反轉了求職市場的權力關係。當企業用ATS系統和AI批次篩選候選人時,這個工具讓求職者也能用AI批次評估和篩選公司。它不是簡單的自動投遞工具,而是提供了一套完整的"求職運營"(Career Operations)方法論:通過結構化評估避免海投浪費時間,通過定製簡歷提高匹配度,通過本地部署保護隱私資料。專案已驗證幫助數百人成功求職(有公開的HIRED.md牆展示真實案例),且被WIRED、Business Insider等主流媒體報道。

核心功能

智慧職位評估:輸入職位描述後,AI生成A-H八個維度的結構化報告(包括職位匹配度、公司背景、技術棧、成長空間、薪資預期、工作環境、職位真實性判斷等),最終給出1-5分綜合評分(通過整體判斷而非算術平均)。G塊專門評估職位真實性且不影響總分,H塊僅在4.5分以上才生成。

自動簡歷定製:基於職位評估結果,自動調整簡歷內容以匹配JD關鍵詞和技能要求,生成針對性版本。

多平臺抓取:使用Playwright自動化瀏覽器,可配置抓取LinkedIn、Indeed等主流招聘平臺的職位列表。

TUI儀表盤:基於Bubble Tea構建的終端介面,集中展示所有職位評分、申請狀態、待辦事項,支援互動式操作。

多AI後端支援:可接入Gemini(免費層可用)、OpenRouter(免費層數百模型)、OpenAI、Anthropic等多種API,也支援本地模型(通過OpenAI相容介面如Ollama、LM Studio)。

安裝

Docker方式(推薦):

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

本地安裝:

npm install -g @santifer/career-ops
# 或直接執行
npx @santifer/career-ops

需要在.env檔案中配置至少一個AI服務金鑰(Gemini免費層或OpenRouter免費層即可開始使用)。

適合誰

技術崗求職者:專案本身就是為技術人員設計,熟悉命令列和Docker的開發者、資料科學家、產品經理等可以快速上手。

重視隱私的求職者:所有資料在本地處理,簡歷和申請記錄不上傳第三方平臺,適合對資料安全敏感的使用者。

需要批次篩選職位的人:不想海投也不想逐個手動分析JD,希望用結構化方法快速識別高質量機會。

使用AI編碼工具的開發者:專案原生支援在Claude Code、OpenCode、Codex等AI CLI中執行,可以無縫整合到現有工作流。

中國大陸使用者注意:需要解決Gemini/OpenRouter等API的網路訪問問題(可能需要代理),或配置國內可用的OpenAI相容介面(如DeepSeek、智譜GLM、Kimi等)。

社群評價

暫無足量社群公開討論(HN帖僅2點0評論),以下為基於專案本身的中立評估:

從GitHub資料看,專案在短時間內(2026年4月建立)獲得近7萬星標和1.3萬fork,增長曲線極為陡峭,說明確實擊中了求職者痛點。338位貢獻者和393個open issues顯示社群參與度高,但同時也反映出功能需求和bug修復壓力較大。

專案最大亮點是"HIRED.md"牆——公開展示用該工具成功求職的真實案例,這種透明度在開源專案中少見,為潛在使用者提供了可驗證的信心。技術實現上採用Node.js + Go雙語言,可能是為了發揮各自優勢(Node.js處理AI API呼叫,Go構建高效能CLI),但也增加了維護複雜度。

潛在爭議點:1)專案名稱"career-ops"和運營方法論是否真的適合所有人,還是隻適合技術背景使用者;2)依賴外部AI API(即使有免費層)對無技術背景使用者仍有門檻;3)自動化簡歷定製是否會導致"過度最佳化"而失去個人特色。

選型對比

vs LinkedIn Premium Career:LinkedIn付費版提供職位推薦和InMail,但評估邏輯不透明且資料留在平臺;Career-Ops完全本地執行,評估邏輯開源可審計,但需要自己配置和維護。

vs Huntr/Teal:這些商業工具提供視覺化看板和Chrome外掛,使用者體驗更友好,但免費版功能受限且資料儲存在雲端;Career-Ops功能更強大(AI評估深度更高)且完全免費,但介面是命令列TUI,學習曲線陡峭。

vs 手動Excel跟蹤:傳統方法零成本但效率低,無法批次處理;Career-Ops自動化程度高,但需要投入時間學習配置,適合申請量大(50+職位)的場景。

技術棧選擇:如果只需要簡單的職位跟蹤,Notion模板或Airtable可能更快;如果需要深度AI評估和隱私保護,Career-Ops是目前開源方案中最成熟的。

已知坑

API成本:雖然支援免費層(Gemini、OpenRouter),但大量評估仍可能觸及限額,需要監控用量或配置多個API輪換。

網路依賴:Playwright抓取職位需要穩定外網訪問,中國大陸使用者需要解決代理問題;部分招聘網站有反爬機制,可能需要調整抓取策略。

配置複雜度:README長達數千行,雖然文件詳盡但初次配置需要理解Docker、環境變數、AI API等多個概念,對非技術使用者不友好。

評估質量依賴AI:1-5分評分的準確性完全取決於所用AI模型的能力,免費層模型(如gemini-flash)可能不如付費模型(如GPT-4)精準,需要根據實際效果調整。

多語言維護負擔:專案提供17種語言的README,但程式碼註釋和報告生成主要是英文,非英語使用者可能需要額外配置提示詞模板。

393個open issues:雖然顯示社群活躍,但也意味著有大量待解決問題和功能請求,新使用者可能遇到未修復的bug,建議先檢視issues列表確認核心功能穩定性。