投过简历的人都熟悉那种消耗:把同一份简历改成二十个版本,一个个点开岗位说明去猜对方要什么,然后投出去,等三个月,只有沉默。
今天这个项目就是冲着这段消耗来的。career-ops 在 GitHub 上有 83,791 颗星,用的是麻省理工学院的宽松开源许可,本质是一套装在 AI 编程助手里的”求职流水线”:你把岗位贴给它,它先判断这岗位还在不在招、跟你的简历配不配,再决定要不要花时间改简历。
我把它装进隔离环境跑了四组实测。结论先说:它真正替我省掉的不是改简历那半小时,是”这份岗位到底值不值得我改”这个判断——而且这个判断是可以被打分的,能验,也能复现。
一、它给你什么:把”投不投”变成一道有分数的题
一句话定位:给你这种要投简历的人用,替你做”筛选”和”初稿”两步,不做”提交”那一步。
这个边界划得很清楚,我第一次读它的说明文档时有点意外——它明确写了三件永远不做的事:不自动提交申请、不替你发邮件、不回传任何数据到你之外的地方。我在源码里核对过:发送邮件的插件默认是关闭状态,代码里也没有任何邮件发送通道。它只负责把初稿写好放在你面前,点发送的永远是你。
它把岗位拆成六个类别,再按 A 到 H 分块写一份评估报告:岗位摘要、简历匹配度(每条要求还标了权重从哪来)、级别策略、薪资调研、面试准备、真假岗位判断。最后给一个 1 到 5 分的结论。低于 4 分它会建议你别投,但你可以推翻它,它会把你的推翻记下来。
收益拆开看是这样:
| 没有它的时候 | 用了之后 | 代价 / 前提 |
|---|---|---|
| 每投一个岗位,先花十分钟读岗位说明,再凭感觉决定投不投 | 一条链接丢进去,几分钟后拿到打分和”建议跳过”的理由 | 得先把自己的简历和偏好写成它认的格式 |
| 简历改完不知道机器能不能读,投出去才发现格式被卡 | 生成后附带一个 0 到 100 的机器可读性打分,扣分项逐条列出 | 这个分数只管结构,管不了内容好坏 |
| 投过哪些、走到哪一步,靠脑子和邮件搜索回忆 | 每次评估自动写一行进台账,可以按状态筛 | 台账是本地文本表格,多设备要自己同步 |
| 反复被拒,但说不清自己差在哪 | 攒够一批拒绝之后,它能按渠道和阶段算出你在哪一步掉得最多 | 得先积累几十条记录才有统计意义 |
原理只讲一个核心点:它把求职这件事拆成了”判断-生成-记录”三段流水线,每一段都写成了固定动作。所以你不用再想”这次该怎么弄”,只提供”这次是哪个岗位”。
二、怎么用起来:四步,第一步是一条命令
从零到第一次拿到结果,我实际走了一遍,四步:
npx @santifer/career-ops init # 第一步:装,会克隆到当前目录下的 career-ops
cd career-ops # 第二步:进目录
claude # 第三步:在这里打开你的 AI 编程助手(Codex、Qwen 等也行)
第四步不用敲命令:把岗位链接或岗位正文直接贴进对话框就行。它会自动开始评估,产出报告、改好的简历,再往台账加一行。
第一次打开时它会反问你一串问题,把你的简历、想找什么、绝对不接受什么问清楚。这一步是把东西真正变成”你的”关键,别跳过——我在测试环境里跳过它跑,出来的评估报告结构完整但内容空洞,因为没有任何关于”我”的信息可匹配。
装前装后的差别,用一个具体的说法对照最清楚。假设你对它说同一句话:”帮我看看这个岗位值不值得投。”
装之前,你的 AI 助手会做的是:读完岗位描述,用常识给你讲一段”这个岗位看起来还行,你要不要试试”。没有对比基准,没有分数,下次问另一个岗位,得到的又是另一段没有可比性的话。
装之后,它会把这份岗位跟你的简历逐条对照,落成一份带分数的报告,还会顺带告诉你这岗位的招聘信息是不是三天没动过——我测试时它把”发布四天”这类时间信号也纳进了真假岗位的判断里。
一个诚实的止损线:如果你一个月只投一两个岗位,装它的成本比省下的高。它的价值随投递量线性增长,投得越多越划算。
三、我实测到的证据,和四个你该提前知道的坑
先给我自己跑出来的那组数。它自带一个”机器可读性”检查器,我故意造了一份有毛病的简历数据,走完整条链路:
第一次渲染出来,打分是 79 分,C 级,四条扣分。我把缺失的教育经历和电话号码补上,重渲染,分数升到 89 分,B 级。剩下的两条扣分我没动数据,而是直接去看它自己项目里附带的简历模板——扣分里有两条是项目自己的模板造成的:字体栈里带了一个 Arial Unicode MS,模板里有一条隐藏空占位块的样式规则。我把这两处删掉重渲染,97 分,A 级,扣分项清零。
所以对你意味着什么:这个分数是能指导行动的,每条扣分都指到具体位置。但如果你完全照默认模板走,上限就卡在 89 分——最后那 8 分不是你的问题,是模板的问题,知道去哪改就行。这也顺带说明一件事:它自己的检查器和自己的模板之间是有缝的,别信”默认就是最优”。
第二组证据更关键,因为它回答了”用便宜模型行不行”。项目里备了一套标好答案的岗位题库,还有四个模型在同一批题上的录制输出,可以离线重放、不花钱。我逐个跑了一遍:
| 模型 | 类别判断一致率 | 平均分差 | 结果 |
|---|---|---|---|
| 最便宜的假模型 | 90% | 0.23 | 通过 |
| 便宜的 Haiku | 93% | 0.33 | 一条硬门槛检查失败 |
| Sonnet | 100% | 0.82 | 通过 |
| 最强档 | 100% | 0.64 | 通过 |
第三组,依赖规模。我把它的依赖装完,只多了 7 个包、24 兆。相比动辄上百兆的 AI 框架,这个体量克制得不像话。代价是它把复杂度搬到了别处:仓库里有近两万八千行说明文字、一百八十多个脚本文件。所以你真正要付的成本不是安装空间,是你得让助手读懂那一整套规则。
现在说坑,一条一条来:
坑一:便宜模型会把硬门槛读丢。 那个失败的用例是一份西班牙语的现场岗位,明确写了”不提供工作签证担保”。便宜模型在类别判断上是对的,但把这一项读成了空值——也就是说,它没看出这是个”再合适也去不了”的硬条件。所以对你意味着什么:投递前的筛选可以交给便宜模型省钱,但涉及”签证、地点、薪资下限”这类一票否决项,最好用中等以上的档位,或者你自己再看一眼报告里那一栏。
坑二:它装完是个空壳。 我装完依赖后跑它的自检,检查结果里写着”四个文件缺失”:你的简历、你的偏好配置、你的目标设定、你的目标公司清单。这四个都必须你自己写,写的质量直接决定后面所有输出的质量。所以对你意味着什么:别指望装完就能用,先把这几份材料填扎实,这一步大概要占掉你第一个小时的大部分。
坑三:有些能力要额外的钥匙。 它有个很漂亮的功能:把招聘要求跟你在 GitHub 上的代码仓库对上,用真代码证明”我确实会这个”。但这一条要你本机已经登录过 GitHub 的命令行工具。我实测时那台机器没登录,这条功能就用不了。所以对你意味着什么:在你准备用它之前,先确认相关的账号是通的,否则报告里这一块会空着。
坑四:它是本地工具,换机器要自己搬。 所有记录都是本地文本文件,好处是隐私干净、随时能看,代价是没有云端同步。所以对你意味着什么:要么固定在一台机器上跑,要么把这个目录纳入你自己的备份。
四、适合谁,不适合谁
适合你,如果你正好在密集投递期:一周要看十几个岗位,每份都要改简历;或者你已经投了一两个月没收成,想知道自己到底卡在哪一环。这两种情况它的收益最直接。
不适合你,如果你只是想知道”AI 能不能帮我找工作”——那看这一篇就够了,不必装。也不适合你,如果你希望全自动:它明确不点提交,设计上就是”机器干活、人拍板”,你想要的”投出去不用管”在这套东西里不存在。
同类里还有两条路可以对照:一类是纯简历美化工具,只解决排版不管匹配;一类是招聘网站自带的一键投递,解决数量不解决筛选。career-ops 站在中间——它不帮你投得多,但努力让你投得准。
如果你也卡在”简历投出去没有回音”这件事上,值得花一个小时把它装上、把简历喂进去、拿一个真实岗位跑一遍;跑完那份带分数的报告,比读十篇求职建议都有用。
关注 AI商业快讯,每天一篇 AI 热点深度解读。