基于Claude Code的14技能AI求职系统：从职位扫描到ATS优化简历的自动化实践

从 "海投" 到 "精准匹配" 的范式转移

过去半年，AI 求职工具经历了从 "批量生成" 到 "精准筛选" 的明显转向。早期尝试者常陷入一个误区：让 AI 自动投递数百份申请，结果却是零回复。这种模式的问题不在于自动化本身，而在于缺乏质量门槛和人工审核机制。

开源项目 Career-Ops 提供了一个更具工程思维的解决方案。该系统基于 Claude Code 构建，采用 14 种独立技能模式（skill modes）处理求职流程中的不同环节。开发者 santifer 使用这套系统评估了 740 余个职位，生成 100 余份定制简历，最终成功获得 Head of Applied AI 职位。值得注意的是，系统的核心价值不在于生成那 100 份简历，而在于过滤掉 640 个不匹配的机会。

14 技能架构：模块化设计优于单一大提示词

Career-Ops 的核心架构决策是将求职流程拆解为 14 个独立的技能文件，每个文件位于.claude/skills/career-ops/目录下，采用 YAML frontmatter 定义技能元数据，正文部分存放具体指令。

这种设计的优势在于解决单一大提示词的上下文漂移问题。当所有功能挤在一个提示词中时，模型容易遗忘早期规则，输出逐渐趋于泛化。而模块化架构让每个技能专注于单一任务：

• scan.md：使用 Playwright 无头浏览器扫描 45 + 公司门户（Ashby、Greenhouse、Lever）
• score.md：基于 5 分制评分标准评估职位与简历的匹配度
• tailor.md：针对单个职位定制简历，进行关键词注入
• pdf.md：通过 Puppeteer 将 HTML 渲染为 ATS 友好的 PDF
• intel.md：研究目标公司，映射职级与薪资带宽
• interview.md：基于职位描述生成 STAR 格式的面试准备材料
• negotiate.md：评估 offer 并生成谈判脚本

每个技能文件通过 slash 命令调用，如/career-ops:scan触发扫描，/career-ops:score执行评分。这种设计还带来可编辑性优势 —— 你可以直接告诉 Claude"将评分阈值从 4.0 调整为 4.2"，它会自动修改对应的 skill 文件。

核心工作流：从扫描到投递的完整链路

系统的标准工作流遵循 "扫描→评分→定制→生成→人工审核" 的五步闭环：

第一步：门户扫描。Playwright 处理 JavaScript 渲染的职位列表，将 Ashby、Greenhouse、Lever 等 ATS 系统的职位信息标准化为统一 JSON 格式（包含职位标题、地点、职级、描述、URL、发布日期）。扫描结果写入data/raw_listings.json。

第二步：智能评分。评分技能读取原始职位列表和用户的 source-of-truth 简历，按 5 分制标准输出匹配分数、2-3 句评分理由，以及明确的 "申请 / 跳过" 建议。评分低于 4.0 的职位会被直接过滤，避免在后续环节浪费 token 和注意力。

第三步：简历定制。针对通过评分的职位，系统提取职位描述中的 12-15 个核心关键词（标题和必需技能部分权重更高），将这些关键词映射到简历中的现有 bullet point。如果某个关键词没有对应经历，系统会从 source-of-truth 文件中提取相关事实生成新 bullet，但严格禁止虚构经历。

第四步：PDF 生成。使用 Puppeteer 将定制后的 HTML 简历渲染为 PDF。字体选择有讲究：标题使用 Space Grotesk，正文使用 DM Sans，这两种字体在 ATS 解析时 Unicode 兼容性更好，避免因花哨排版导致的静默拒收。

第五步：人工审核。系统准备申请材料、导航到申请页面、预填表单，但最终的提交按钮必须由人工点击。这是设计上的 feature 而非 limitation—— 自动提交容易导致向同一家公司重复投递 12 次的尴尬局面。

关键工程实践

ATS 优化的技术细节

ATS（Applicant Tracking System）优化是简历能否进入人工审核环节的关键。Career-Ops 的优化策略包括：

1. 关键词密度控制：从 JD 提取的关键词按重要性加权，确保高权重词在简历前 1/3 处出现
2. bullet point 动态重写：只重写与目标职位最相关的 4-6 个 bullet，而非整份简历，保持成本可控
3. 格式保守主义：避免表格、多栏布局、页眉页脚中的关键信息，确保纯文本提取时不丢失内容

成本控制策略

对于为期一个月的严肃求职，API 成本可控制在 30-60 美元，或完全免费：

• Claude：用于评分和定制环节，这些步骤需要高质量推理
• Gemini 免费层（15 RPM，1M tokens / 天）：用于批量扫描和公司情报收集
• 本地 Puppeteer：PDF 渲染零成本
• JD 缓存：将职位描述缓存到jds/目录，避免重复抓取和 token 化

数据安全与防漂移

系统采用本地优先架构，用户的简历、职业故事、偏好设置存储在data/目录，职位描述缓存于jds/。关键安全措施包括：

• 将.claude/、data/、writing-samples/加入.gitignore
• source-of-truth 文件机制防止 AI 生成虚构经历
• 拒绝条款：任何无法追溯到 source-of-truth 的 bullet 必须标记为人工审核

可落地参数与实施建议

如果你计划基于 Career-Ops 构建自己的求职系统，以下参数可作为起点：

评分阈值：初始设置为 4.0/5.0，根据第一周的实际匹配度微调。评分过严会导致机会流失，过松则浪费定制成本。

公司列表规模：从 5 家真正想去的公司开始，而非导入 200 家。Career-Ops 预置了 45 + 公司的配置模板，但建议逐步扩展。

冷启动期：将第一周视为 "招聘人员入职期"，系统需要学习你的 CV、职业故事和偏好后才能输出与你判断一致的评分。

技能启用顺序：建议按 scan→score→tailor→pdf 的顺序逐步启用，每个技能稳定后再添加下一个。interview 和 negotiate 技能可在获得面试邀请后启用。

多职业路径切换：通过 modes.md 技能支持工程师 / 产品经理 / 管理岗等职业原型切换，每种原型对应不同的 CV 模板和评分权重。

结语

Career-Ops 展示了一种更务实的 AI 自动化思路：不是让 AI 代替人类做决策，而是让 AI 承担筛选和准备的重体力劳动，将人类的注意力集中在真正值得投入的机会上。740 个职位中只生成 100 份定制简历的比例，恰恰说明了一个健康的求职流程应该是什么样的 —— 质量优先于数量，精准匹配优于广撒网。

对于开发者而言，这套系统的更大价值在于其架构模式：14 个独立技能文件组成的模块化系统，可以作为其他复杂自动化场景的参考模板。当 Claude Code 能够读取和编辑自己的 skill 文件时，系统就具备了自我演进的能力。

参考来源

• santifer/career-ops - 开源 AI 求职系统
• Build a 14-Skill AI Job Search Agent With Claude Code - 详细架构解析与实施指南

ai-systems