AI Job Search 数据化求职指南用求职绩效监控把匹配评分、申请进度与结果复盘变成数据【免费下载链接】ai-job-searchThe job search that runs on your machine. AI job application framework built on Claude Code: evaluate postings, tailor CVs, write cover letters, prep interviews. Fork it and own it.项目地址: https://gitcode.com/GitHub_Trending/ai/ai-job-search求职是一场长跑看不清数据就容易跑偏。AI Job Search 是一个跑在你自己电脑上的数据化求职框架它把职位匹配度评分、申请状态流转和结果归档全部沉淀为本地可统计的文件让你随时量化求职进度、复盘投递效率并据此调整下一轮策略。先把监控跑起来用 /setup 建好资料库让追踪表自动落地数据化求职的前提是把你的职业资料集中到一个地方。把简历、LinkedIn 导出 PDF、证书、推荐信放进documents/下对应的子目录目录约定见 documents/README.md然后在 Claude Code 里运行/setup。它支持三种入场方式直接读取documents/文件夹、粘贴一份简历、或像面试一样逐项问答最终把你的画像写进.claude/skills/job-application-assistant/下的技能文件之后的评分和材料生成都以它为准。从这一刻起数据开始自动累积追踪表每投递一份申请仓库根目录的job_search_tracker.csv就多一行字段覆盖申请日期、公司、行业、岗位、渠道、状态、联系人、匹配度评分、简历/求职信文件路径、截止日期等相当于一张会自己记账的台账。归档目录documents/applications/公司_职位/会为每个申请单独存档岗位原文、提交的简历与求职信版本、结果记录方便日后回溯当时到底投了什么。爬虫状态job_scraper/seen_jobs.json记录每次抓取到的职位及其去重、评分状态是后续批量排名的数据源。环境搭建细节Claude Code、Python、LaTeX 等依赖见 SETUP.md如需获取项目代码仓库地址为https://gitcode.com/GitHub_Trending/ai/ai-job-search。给每个机会打分用 /scrape 发现职位用 /rank 批量排名匹配度/scrape会按你画像中的目标岗位、技能与地点跨多个招聘门户检索并去重把新职位写入job_scraper/seen_jobs.json。当一批职位多到肉眼看不完时/rank就是筛选器它调度多个 AI 代理并行抓取每条职位描述对照评分框架逐条打分最后输出一张按总分排序的候选清单并附上每个职位的长处与诚实指出的差距。评分标准定义在 .claude/skills/job-application-assistant/04-job-evaluation.md由四个加权维度构成地点为通过/不通过的一票项不计权重维度权重考察点技术技能匹配30%岗位要求的核心技能是否是你的主力技能经验匹配25%过往工作与目标岗位的性质是否对得上行为与文化契合15%工作氛围、团队风格与你的偏好是否相容职业发展对齐30%岗位是否指向你的长期目标、任务是否让你有动力总分换算成五档判断强匹配75、良好匹配60–74、中等匹配45–59、弱匹配30–44、差匹配30。需要强调的是诚实打分原则匹配度低的岗位不会被包装成高分而硬性门槛需要异地搬迁、要求你不会的语言会直接一票否决分数再高也不进候选清单。投递后持续跟踪用 /outcome 记录状态流转材料自动归档投出去不是终点。job_search_tracker.csv的状态列使用一套固定的词汇表drafted已起草、applied已投递、interview面试中、offer已收到 offer、hired录用以及终态rejected被拒、no_response无回应、offer_declined拒绝 offer、withdrawn撤回。每当收到面试邀请、进展或最终结果运行/outcome 公司更新对应行即可。/outcome同时负责归档它把该职位的原始描述、你实际提交的简历与求职信、以及结果说明outcome.md统一存入documents/applications/公司_职位/保证过程 结果永远可追溯。它还管理等待期用/outcome followup可以找出沉默超过默认 10 天的申请并按你的文风起草简短的跟进消息只起草不发送每份申请至多两次。如果希望少记一手/gmail-sync能从邮箱里识别面试邀请、offer、拒绝等信号批量列出待你确认后才会写入追踪表每条改动都标注来源邮件。看懂你的求职数据用 /html-report 生成转化率与漏斗看板数据攒起来之后/html-report是主要的解读入口。它读取追踪表和各申请的归档生成一份零依赖的自包含 HTML 文件双击即可离线打开内容包括统计卡片总申请数、各状态数量一览漏斗与分布图按状态、行业、渠道、年度/季节分组的图表以及简历关→面试→offer的逐级通过率——通过率按实际到达过的阶段计算而不是只看当前状态避免投完一轮后看起来谁都没面试过的错觉可筛选表格全部申请明细可按条件过滤查看。在此基础上值得关注的三个信号一是转化率多少申请走到了面试、又有多少走到 offer二是响应时间追踪表会显示每份申请沉默了多少天能看出哪些公司或渠道回复更快三是匹配度与结果的对齐——把fit_rating列和最终状态对照你能直观看到打高分的职位是否真的更多拿到面试这是校准下一轮筛选策略最直接的依据。若想在手机或别处快速瞄一眼全局/notion-sync会把整条管线单向发布为 Notion 里的只读视图本地文件仍是唯一事实来源。让数据反向指导决策校准评分框架、补技能差距、查市场薪资数据的价值不止于看而在于反向修正决策这套框架给了三条回路校准评分框架积累了几份有结果尤其是有面试的申请后/outcome会引导你回到/setup的 Path A 流程从归档材料中回看哪些匹配判断应验、哪些落空并据此调整04-job-evaluation.md中的技能权重与职业目标描述——评分体系随你的真实反馈而进化。技能差距分析/upskill把你的画像、追踪中的职位以及被排名但未投递的职位放在一起做差距分析输出一张按优先级排序的技能缺口热图和带学习资源、时间预估的补强计划报告保存在 upskill/ 目录适合在投递间隙做职业规划。薪资基准调研可选的 salary_lookup.py 工具对接你自备的薪资数据工会统计、导出报表等均可按公司名模糊匹配并给出相对基线的薪资指数为谈判提供依据数据格式与配置见 tools/README_SALARY_TOOL.md。没有数据时该环节自动跳过不阻塞流程。从 0 到 1 跑通求职绩效监控的行动清单第 1 步克隆仓库https://gitcode.com/GitHub_Trending/ai/ai-job-search按 SETUP.md 装好依赖第 2 步把职业材料放进documents/运行/setup建立画像第 3 步/scrape发现职位/rank得到带评分的候选清单只挑强匹配档投递第 4 步/apply完成投递此后定期用/outcome记录每一次状态变化别让任何一份申请没有结局第 5 步每过一段时间运行/html-report检查转化漏斗、渠道分布与匹配度对齐情况据此调整画像或搜索条件。核心建议只有一条让数据替你说话前提是每个申请都有结局——哪怕是无回应和被拒也请如实记录它们和成功案例一样是校准策略的原料。当每一次投递都有据可查求职就从拼运气变成一门可以持续迭代的工程而你的下一份 offer 只是数据累积后的自然结果。【免费下载链接】ai-job-searchThe job search that runs on your machine. AI job application framework built on Claude Code: evaluate postings, tailor CVs, write cover letters, prep interviews. Fork it and own it.项目地址: https://gitcode.com/GitHub_Trending/ai/ai-job-search创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考