公司用 AI 筛候选人已经十年了。career-ops 把局面翻转过来：一个 MIT 开源的求职系统，跑在你已有的 AI 命令行里（Claude Code / Codex / Gemini / OpenCode / Qwen / Grok），把任意一个职位链接变成评分报告 + 定制简历 + 追踪记录。作者 Santiago 用它评估了 740+ 个职缺、只投了 68 个，最终拿下 Head of Applied AI 的职位；项目开源 4 个多月已超 6.6 万 star，两次登上 GitHub Trending。
💼 本教程适合：正在求职、想用 AI 提高投递质量而非数量的同学。我们讲清一条命令安装、配置、五维评分、定制简历与「绝不自动投递」的边界设计。
先搞懂：为什么说它是「求职指挥中心」
career-ops 不是「一键海投器」，而是一个帮你拒绝的筛选系统——核心哲学是「质量压倒数量」：
| 能力 | 说明 | 你的收益 |
|---|---|---|
| 岗位评估 | A-H 五维评分（1.0-5.0） | 740 个职缺只投 68 个 |
| 定制简历 | 按岗位生成 ATS 优化 PDF | 不再是关键词海投 |
| 进度追踪 | 终端仪表盘记录申请状态 | 全程可复盘 |
| 防骗防坑 | 专门识别骗局与 ghost job | 避开无效投递 |
| 绝不代投 | 只起草，不点送出 | 决策权始终在你 |
核心原则：AI 评估与起草，人审阅与提交。系统默认禁止自动投递，README 也明确提示「AI 模型可能出现不可预测行为」——你保持监督。
Step 1：一条命令装好——npx init
1 5 分钟完成安装
最快路径（需 Node.js 18+）：
npx @santifer/career-ops init
· 克隆最新版到 ./career-ops
· 自动安装依赖
进入目录并打开你已有的
AI 命令行：
cd career-ops
claude
（或 codex / opencode /
qwen / agy / grok）
手动安装（想看清每个文件）：
git clone
https://github.com/santifer/
career-ops.git
cd career-ops && npm install
npx playwright install chromium
# 生成 PDF 简历需要
环境自检：
npm run doctor
· 检查 Node / 依赖 / Playwright
· 缺什么补什么
首次启动会对话引导：
· 填简历、配置个人档案、
设定目标岗位
· 配置文件自动写好，
无需手动编辑💡 用哪个 CLI 都行，能力一致。项目本身就是「技能文件集合（modes/*.md）」，任何能读 md 的 AI CLI 都能驱动它。
Step 2：配置个人资料——简历与目标岗位
2 让系统认识你
核心配置文件：
1. cv.md（项目根目录）
· 用 Markdown 写你的简历
· 这是所有评估的基准
2. config/profile.yml
· 个人偏好与定位
· 复制自
config/profile.example.yml
· 可让 AI 帮你改：
「把目标岗位类型改成
后端工程」
3. portals.yml
· 招聘平台配置
· 复制自
templates/portals.example.yml
· 添加目标公司：
「把以下 5 家公司加入
portals.yml」
4. archetypes（岗位原型）
· 角色类型识别
· 如 backend / data /
applied-ai 等
数据边界：
· 简历与个人数据只存在
本地
· 直接发送给你自选的
AI 服务商
· 项目不收集、不存储、
不出售
与
《求职攻略》
的简历方法论配合，
cv.md 写扎实cv.md 是地基：评分、定制简历都以它为基准。简历本身写得含糊，AI 评估再准也是「对错数据的精准」。
Step 3：评估一个岗位——A-H 五维评分
3 粘贴 JD，得到 1.0-5.0 分
用法：
/career-ops {粘贴岗位描述或链接}
流程：
1. 原型识别（Archetype）
· 判断这是什么类型的岗位
2. 读取你的 cv.md
3. A-H 五维评估：
· 角色契合度（Role Fit）
· 薪酬调研（Comp Research）
· 面试准备素材
（STAR 故事）
· 骗局识别（Scam Check）
· Ghost Job 合法性检查
4. 输出：
· Markdown 评估报告
· 全局分 1.0-5.0
（对应 A-F 等第）
重要细节：
· 公开版没有「算术公式」
——不是五维平均分
· 由模型读完整脉络后
给出整体判断
· 重点看评语，分数只是
速览
使用规则：
· 低于 4.0 的岗位：
跳过，别投
· 高于 4.0：进入
下一步定制简历
与
《Agent 评测》
同源：用结构化评分
替代感觉，做决策💡 别只看总分。展开报告看「差距分析」与「STAR 素材」——这两块是后续面试准备的金矿。
Step 4：生成 ATS 定制简历与求职信
4 每投一份，就有一份「定制版」
评估通过后：
/career-ops pdf
· 针对该岗位生成 ATS 优化
PDF 简历
· 关键词对齐 JD
· 突出契合度最高的经历
/career-ops cover-letter
· 起草定制求职信
进阶：
· 研究招聘经理/HR 的联系人
· 生成 outreach 消息草稿
使用规则：
· 只生成草稿，不自动提交
· 你审阅、修改、再点击发送
· 遵守第三方平台服务条款
作者实战数据：
· 评估 740+ 职缺
· 生成 100+ 定制简历
· 只投 68 个
· 拿下 Head of Applied AI
心智模型：
不是「投得越多越好」，
而是「只投 4.0+ 的岗位，
每份都精准匹配」ATS 定制 ≠ 编造经历：系统优化的是「表述与关键词对齐」，不是「虚构项目」。简历真实性红线，AI 越强越要守住。
Step 5：批量扫描与进度追踪
5 让系统持续为你站岗
常用命令：
/career-ops scan
· 扫描招聘平台新岗位
· Playwright 自动导航
· 与你的画像比对
/career-ops batch
· 批量评估多个岗位
· 一次性出多份报告
/career-ops tracker
· 查看申请进度仪表盘
· 状态：已评估 / 已投 /
面试中 / 已拒绝 / offer
/ 全部斜杠命令
· 查看可用命令清单
追踪的价值：
· 复盘：哪些渠道产出高
（优化 portals.yml）
· 跟进：面试前复习评估
报告里的 STAR 素材
· 冷启动：找出「高契合
但低竞争」的岗位
与
《反馈闭环》
一致：每周复盘一次
投递漏斗，持续优化💡 每周五做一次复盘：本周评估几个、投了几个、面试转化如何——用数据调优你的求职策略，而不是凭感觉。
Step 6：边界与防坑——别把「助手」当「保姆」
6 三条红线必须自己守
红线一：绝不自动投递
· 系统默认禁止
· 不要改提示词解除
· 你才是申请者本人
红线二：4.0 以下不投
· 分数是速览不是圣经
· 但低于 4.0 大概率是
错配或坑位
· 「拒绝」也是能力
红线三：数据与隐私
· 简历只存在本地
· 发送对象 = 你自选的
AI 服务商
· 招聘平台遵守其
服务条款
技术注意：
· 修改提示词或换模型后，
行为可能变化——保持监督
· fork 率 1/5 说明大家
都在定制自己的副本
心态建议：
career-ops 是「军师」，
不是「替身」——
它帮你想清楚投什么，
但提交按钮始终在你手里
与
《本地优先 Agent》
的理念一致：数据在本地，
控制权在用户当 AI 求职成为标配：雇主也在用 AI 筛人，人机对人是必然趋势。你的优势不在「谁用 AI」，而在「谁用 AI 想得更清楚」——评估、取舍、复盘，才是 career-ops 真正训练你的能力。
常见问题速查
| 你遇到的现象 | 大概率原因 & 解决 |
|---|---|
| npx init 失败 | Node 版本过低（需 18+）：升级 Node 后重试，或走 git clone 手动安装 |
| PDF 生成报错 | 缺 Playwright Chromium：执行 npx playwright install chromium |
| 评分偏低 | 正常：4.0+ 才是目标岗位，低分帮你避开错配——这是筛选器的价值 |
| 想换岗位方向 | 让 AI 改 profile.yml 与 archetypes：「改成后端工程方向」 |
| 担心简历外泄 | 数据只在本地：发送对象是你自选的 AI 服务商，项目不收集不存储 |