被裁地球物理学家开源AI求职框架：自动筛岗改简历写求职信，5万星登顶GitHub日榜

求职季投简历有多熬人：盯着招聘网站刷岗位、给每家公司改一版简历、再憋一封求职信，一套流程下来半天就没了。最近，一个名叫ai-job-search的开源项目在GitHub上爆火——单日新增2200多颗星，总星数突破5.2万，冲上日榜第一。它把"筛岗、评估、改简历、写求职信、备面试"整条求职流水线全部交给AI自动跑，而作者的身份有点出人意料：一位被裁员后转型成功的地球物理学家。

被裁之后的自救产物

作者MadsLorentzen的训练背景是地球物理学家，2025年底被裁员后开始找AI方向的工作。和大多数人一样，他厌倦了重复性的海投，于是干脆基于Claude Code搭了一套自动化求职框架，自己先用——结果是投出69份深度定制的申请，拿到20次一面，最终签下1份offer，2026年6月入职AI工程师岗位。

这套自用工具随后被开源，如今已积累363次提交、迭代到1.4.5版本，大量提交由社区贡献者与Claude协作完成，成为"用AI找AI工作"的活标本。作者还特意在LinkedIn上向雇主透明说明自己用AI工具求职，反而引发了技术讨论而不是反感。

一套斜杠命令，跑通求职全流程

ai-job-search的本质是一组Claude Code命令和技能文件：fork仓库、填好个人档案后，在Claude Code里输入斜杠命令即可驱动整个流程。核心工作流是三步：

  • /setup：建立个人档案。可以读取本地的简历PDF和领英导出文件，直接粘贴一份简历，或者让AI通过访谈问答来引导生成。
  • /scrape：搜索职位门户。按用户画像匹配岗位、自动去重、按匹配度排序展示，再配合/rank命令批量打分，硬性条件不符的岗位一票否决，输出一份短名单。
  • /apply：对指定职位运行完整申请流程，也支持直接粘贴职位描述文本。

围绕这个主线，项目还提供了十多个扩展命令：/interview基于已投递的申请生成分阶段面试准备包，会提前研究公司和面试官、映射STAR案例，并提供模拟面试；/outcome记录每轮面试结果并归档材料，还能起草跟进邮件；/upskill做技能差距分析，对比个人档案与目标职位的要求，生成学习计划；/expand从公开的GitHub和作品集里补全简历没写出来的技能；另有同步Notion、读取Gmail申请状态、生成离线HTML统计报告等周边能力。

/apply的六步流水线：不止是改简历

最能体现工程含量的是/apply的内部机制，它不是简单让AI"润色简历"，而是一条六步流水线：

  1. 解析职位描述（链接或文本）；
  2. 按评分框架评估匹配度；
  3. 用LaTeX起草定制化的简历和求职信；
  4. 启动一个独立上下文的reviewer代理，专门研究目标公司并批判初稿；
  5. 起草者根据批评意见修订；
  6. 编译成PDF后，AI自己读取渲染结果修正排版问题（比如防止孤行、字体回退、内容溢出）。

最后还有一道ATS校验：提取PDF文本层，验证联系方式、阅读顺序和关键词覆盖——但明确禁止关键词堆砌。这个PDF验证循环是项目的差异化特性，很多AI写简历工具恰恰栽在"生成容易、排版翻车"上。

隐私优先：数据不出你的电脑

与各类云端求职SaaS不同，ai-job-search强调"运行在你自己的机器上"（The job search that runs on your machine）。所有个人职业数据存在本地仓库，项目内置security_guards.py守卫脚本和严格的.gitignore规则，确保简历、求职信、公司调研文件不会被误提交到公开仓库。职位描述被视为不可信输入，框架做了防提示注入加固——AI不会执行JD里嵌入的指令，也不会去抓取其中链接。

项目采用MIT协议开源，兼容Codex、Gemini CLI等其他编程智能体。作者也提醒：由于GitHub不允许把公开fork转私有，而/setup会把个人数据写入受跟踪的文件，纯自用建议新建私有仓库并将原仓库设为上游。扩展生态也很开放：可以按统一契约添加自己的职位门户搜索技能、注册LaTeX或Typst模板，社区讨论区里还能借鉴他人贡献的门户适配——不过项目强制要求人工读过代码再使用，把它当作安全决策而非功能缺失。

上手门槛

实际跑起来需要几样东西：Claude Code（付费订阅或API额度）、Python 3.10+、Bun（职位搜索CLI用）和一套LaTeX发行版。门槛不算低，但换来的优势是彻底的数据主权：求职这种最私人的数据，从头到尾不用交给任何第三方平台。

从被裁员的地球物理学家到AI工程师，再用自己踩坑的经验反哺出5万星的求职框架——这个项目本身，可能就是"AI时代怎么找工作"最好的案例演示。