一个地球物理学家失业后用 Claude Code 给自己写了个求职 Agent，69 份简历换来 20 个面试

一个地球物理学家失业后用 Claude Code 给自己写了个求职 Agent，69 份简历换来 20 个面试

仓库： MadsLorentzen/ai-job-search

语言： Python | 协议： MIT | 今日 stars： 879 ↑

依赖： Claude Code（Pro/Max/Team 或 API credits）、Python 3.10+、Bun、LaTeX

一、故事：从失业到被录用，用了多久

Mads Lorentzen 是一位地球物理学家。2025 年底，他失去了工作。

接下来的几个月里，他没有海投简历，而是做了另一件事：用 Claude Code 给自己写了一个求职框架。这个框架替他扫描招聘网站、评估匹配度、起草简历和求职信，然后自己审查、自己修改、自己定稿。

2026 年 6 月，他以 AI 工程师身份入职。

数据：69 份定制化申请 → 20 个首轮面试 → 1 份签约合同。面试转化率 29%，远高于行业平均的 3-5%。

这不是一个"AI 帮你找工作"的故事。这是一个"AI 把求职流程变成了一个可编程系统"的故事。

二、架构：三条命令构成的工作流

整个框架的核心是三条 slash command：

/setup — 构建你的数字分身

你回答一系列关于自己职业背景的问题，Claude 把你的回答结构化成一份 profile。这份 profile 不是简历——它是后续所有生成步骤的上下文锚点。你的技能、经历、偏好、薪资期望，全部以结构化数据存储。

/scrape — 让 Agent 替你逛招聘网站

框架内置了三个丹麦招聘网站的 scraper（Jobindex、Jobnet、Akademikernes Jobbank）。每个 scraper 把招聘信息抓下来，存成结构化数据。关键设计：scraper 是可替换的模块——如果你在中国，可以换成 Boss 直聘、拉勾、猎聘；如果你在美国，可以换成 LinkedIn、Indeed。

抓取不是重点。重点是抓取之后框架会做匹配度评估：这份工作的要求 vs 你的 profile，匹配度多少？哪些是硬伤？哪些是加分项？

/apply — 起草、审查、修改、定稿

这是整个框架最精妙的部分。/apply 不是"生成一份简历"，而是一个drafter-reviewer pipeline：

1. Drafter（起草者）：Claude 根据你的 profile 和目标岗位的 JD，起草一份定制化简历 + 求职信 2. Reviewer（审查者）：另一个 Claude 实例扮演招聘经理，审查这份简历——语气是否得体？经历是否匹配？有没有过度承诺？ 3. Reviser（修订者）：根据 Reviewer 的反馈修订，直到 Reviewer 通过

这个三角色管线不是空想——它对应了真实人类求职时的流程：你写（drafter）、朋友看（reviewer）、你改（reviser）。区别在于，AI 可以在 3 分钟内完成这个循环 5 次，而人类朋友看一次就得花半小时。

三、设计哲学：Fork it and own it

README 里有一句话值得注意：

"This is a framework, not a service. Fork it, adapt it, make it yours."

这句话不是客套。它体现在几个设计决策上：

1. 本地运行，数据不出门

整个框架跑在你的机器上。你的 profile、简历草稿、申请记录，全部存在本地文件系统。不经过任何第三方服务器（除了 Claude API 本身）。

2. Agent 无关

虽然是为 Claude Code 设计的，但通过 AGENTS.md 文件，它也能在 Codex、Antigravity、Gemini CLI 上运行。AGENTS.md 是一个跨 agent 的指令文件——你告诉每个 agent 如何理解这个项目的结构和工作流。

3. 前瞻性求职信

框架生成的求职信不是"我非常适合这个岗位"式的套话。它采用前瞻性框架：基于岗位 JD 中描述的未来挑战，提出你将如何应对这些挑战。这种写法在招聘经理眼里的区分度极高——大多数求职者都在回顾过去，而你在讨论未来。

4. 结构化评估标准

每份申请都附带一份评估清单：这个岗位的核心要求是什么？你的简历在哪里回应了每一条？哪些是强匹配，哪些是弱匹配？这份清单不是给 AI 看的——它是给你自己看的，让你在面试前就知道哪些问题会被问到。

四、为什么 69 份申请就够了

传统求职建议是"海投"——每天投 20 份，投 3 个月，总会有回音。这个框架反其道而行：69 份申请，每一份都是定制化的。

关键在于"定制化"的定义。不是换一个公司名和岗位名——而是：

• 简历的技能排序根据 JD 关键词调整
• 求职信的叙事框架根据岗位的核心挑战构建
• 经历描述的侧重点根据岗位级别（IC/管理）切换
• 薪资期望根据岗位范围和你的评估动态调整

框架的真正价值不是省时间，而是把"定制化"从奢侈品变成了日用品。

五、局限与风险

1. Claude Code 不是免费的

这个框架依赖 Claude Code，而 Claude Code 需要 Pro（$20/月）、Max（$100/月）或 Team 订阅，或者 API credits。对于失业者来说，这是一笔前期投入。

2. 丹麦招聘网站

内置的 scraper 只覆盖丹麦三个招聘网站。如果你不在丹麦，需要自己写 scraper。框架的设计让 scraper 是可替换的，但写 scraper 仍然需要技术能力。

3. 个性化悖论

AI 生成的简历和求职信质量很高，但当所有求职者都用 AI 时，区分度会下降。Mads 的成功部分来自于他是最早一批使用这种框架的人——当这种做法普及后，招聘方可能会调整筛选策略。

4. 诚实性边界

框架有一个可选的"salary benchmarking"功能。但如果 AI 在简历中夸大经历，或者在前瞻性求职信中承诺你做不到的事，这会适得其反。框架的 Reviewer 角色部分缓解了这个问题，但最终责任仍在求职者本人。

六、更大的图景：求职作为编程问题

这个框架最激进的地方不是技术，而是问题重构。

传统求职是一个"人际交往"问题——你需要认识人、建立关系、展示自己。这个框架把求职重构为一个"编程"问题：定义输入（profile + JD）、定义输出（定制化申请）、定义管线（scrape → match → draft → review → revise）、定义度量（面试转化率）。

一旦问题被重构为编程问题，所有软件工程的工具就都能用了：版本控制（git 管理你的简历模板）、CI/CD（每次新岗位自动触发申请流程）、A/B 测试（两版求职信哪个回复率高）、监控（申请漏斗仪表盘）。

Mads 从地球物理学家变成 AI 工程师，不是因为他在面试中表现得多好——而是因为他把求职本身变成了一个工程问题，然后用工程方法解决了它。

这个思路比任何具体的简历技巧都值得记住。

七、如何开始

git clone https://github.com/MadsLorentzen/ai-job-search.git
cd ai-job-search
# 需要 Claude Code 已安装
# 运行 /setup 开始构建你的 profile

如果你不在丹麦，需要替换 scraper/ 目录下的模块。如果你用 Codex 或 Gemini CLI，参考 AGENTS.md。

框架是 MIT 协议，你可以随意 fork、修改、商用。Mads 唯一的要求是：如果你通过这个框架找到了工作，给他发个消息告诉他。

核心洞察： 求职不是一个匹配问题，而是一个生成问题。匹配问题靠海投解决，生成问题靠定制化解决。AI 让定制化的成本从 2 小时降到 3 分钟，这改变了求职的经济学。