被裁7个月，他靠Claude Code投了69份简历，拿了20个面试：这个GitHub第一的求职工具，我跑完后发现它最值钱的不是“自动投”

一个地球物理学家，2025年底被裁，没先改简历，先写了一个工具。小半年后，69份定制申请、20次首轮面试、1份签约合同，2026年6月以AI工程师身份上岸。他把这套东西原样开源，README里只有一句话：“它帮我拿到了工作。现在它是你的了。”

项目叫ai-job-search，10月19日冲上GitHub Trending日榜第一，单日涨了两千多星。我花了一个周末把它跑通，先说结论：它最值钱的地方，恰恰不是“帮你投简历”。

先说它不是什么，不然你会失望

这不是一个“一键海投”的工具。

DEV社区一位测评者花了一周跑完整个流程，给出的结论很直接：它是一个半自动化的求职辅助框架，适合愿意折腾命令行、技术背景强的求职者，不适合指望AI全自动帮你找到工作的人。项目本身不会替你提交申请，所有简历和话术都是给你自己发出去的，框架不发邮件、不点提交按钮。

另一个中文测评里写得更直白：它不是一个“一键投递”的AI工具，你 fork 项目、填好个人资料，Claude 帮你评估职位、定制简历、写求职信、准备面试——决策和发送这两个动作，始终在你手里。

我一开始也有点失望。但跑完之后我理解了：真正耗时的不是点“提交”，是提交之前那一到三小时的定制工作。它吃掉的是这段最累的活。

四个命令的流水线，核心在/apply的八步

/ setup 是地基。它通过问答和文档分析，把你的经历、技能、求职意向、期望薪资结构化进一个YAML文件。DEV测评者踩过的坑：YAML缩进极其严格，格式错一个空格就解析失败。

/ scrape 负责搜岗和去重。它会抓取目标市场的职位，按匹配度排序，并自动跟之前见过的岗位去重。但要注意：上游版本默认只面向丹麦市场，国内求职需要换用中文fork（比如rockbenben版），它接入了猎聘、BOSS直聘、智联等渠道，登录态可以复用你Chrome里的会话。

真正的核心是 /apply。 它不是一个“生成简历”的动作，是一条八步流水线：给岗位按五个维度打分 → 用LaTeX起草定制简历和求职信 → 派第二个Agent挑毛病 → 编译出PDF后真去读页面，反复改到简历恰好两页、求职信恰好一页 → 最后像ATS系统那样抽取文本层，核对关键词覆盖。

最让我意外的是它的一条硬规则：岗位关键词里你真实有的才补进去，没有的作为差距明示出来，绝不硬塞。系统不杜撰任何技能和经历。这跟很多AI简历工具“硬编关键词”的做法完全相反。

/ interview 则从你已经投出去的档案里取出当时面试官实际看到的简历和求职信，研究公司和面试官背景，生成岗位专属的STAR题库。

匹配质量：67%精确率，漏掉的那4个值得看

一位测评者用12个“实际匹配”的岗位做基准，ai-job-search在Top 15结果里找出了8个，精确率67%。漏掉的4个里，三个是因为简历没提到JD里的某个特定关键词，一个是因为岗位的薪资字段格式异常。

这个数据说明两件事。 它的匹配是“关键词+语义”的混合逻辑，简历里没写的关键词它不会凭空推测；脏数据（格式错乱的JD）会让它直接略过。测评者本人的判断是：关键词缺口可以通过简历调优补上，字段异常是上游数据质量问题，不是工具的锅。

另一个测评用5个职位测了单次评估的消耗：平均3200 tokens，响应约45秒，匹配分析合理，但“有时会忽略一些隐性要求”。隐性要求指的是JD里没明说、但行业默认的门槛，比如“能接受不定期出差”背后的实际强度。 这部分仍然需要你自己看JD。

成本：仓库免费，但Claude Code没有免费层

这是最容易被忽略的门槛。

仓库本身MIT协议，零订阅费，你可以在自己电脑上跑，履历数据不上云。但它跑在Claude Code上，而Claude Code没有免费层，你需要一个Claude订阅或者API Key。

按用量算，一位让AI Agent跑远程求职的开发者记录过：高级模型单次申请平均3.36美元，换成小模型可以降到0.59美元，成本主要花在反复读取网页DOM上。另一位用户报告单次运行约14美元，因为Agent加载了约2.6万token的指令。

如果你只是试试，用Claude Code的订阅额度跑一两次，成本可以忽略。如果你打算认真投二三十个岗位，算一下账单再决定用哪个模型档位。

另外，首次配置需要Python 3.10+、Bun和LaTeX发行版，配置时间大概半小时到一小时，主要耗在LaTeX上。中文fork还需要中文字体支持，macOS和Windows一般能自动检测，Linux需要手动装Noto CJK。

安全这件事，作者自己写得很坦诚

项目的SECURITY.md里有一段我读了两遍的话：这是一个Agent工作流，一个拥有文件访问权限的LLM，同时读取不受信任的网页内容（职位描述）和你的个人数据（简历、档案、申请历史） 。这个组合是主要的风险面，而且“无法完全消除，只能收窄”。

它做的防御是：JD文本被当作数据处理，不当作指令执行；Agent被明确告知不要跟随JD里嵌入的指令，不要抓取JD正文里出现的URL（用户自己提供的岗位链接是唯一例外）。权限白名单只放行工作流需要的特定命令，CI会拦截任何扩大白名单的PR。

还有一条容易被忽略的风险：公开fork会把你的个人信息写进被git跟踪的文件。 /setup会要求你填写姓名、联系方式、任职经历和薪资预期，这些默认写入受版本控制的文件。GitHub不允许把公开仓库fork成私有，所以自用时应该建私有仓库，或者用中文fork的users/目录结构（整体被gitignore忽略）。

一个独立安全扫描结论是：没有检测到凭证外泄、混淆下载、沙箱逃逸或提示注入标记。但扫描通过不等于零风险，作者自己也没这么说。

值不值得跑，看你在哪个阶段

值得跑的人： 正在认真投递、愿意花时间把经历结构化、能接受命令行门槛的求职者。它的/apply流水线确实能把“改简历”这件事从凭感觉变成有检查点的流程，而且“不编造”这条规则对长期职业信用是保护。

需要想清楚的人： 如果你只想“一键海投”，它帮不了你，而且海投本来就不是它设计的目标。如果你对应届生身份很敏感，Rezi这类ATS优先的简历工具更直接、上手更快，$29/月的Pro版专注关键词定向匹配，没有配置成本。ai-job-search的优势在全流程和本地数据控制，不在“最快生成一份简历”。

我最认可这个项目的地方，是作者写在README里的姿态：他把自己被裁后跑通的流程原样开源，没有包装成SaaS，没有收费墙，数据留在你自己的机器上。它不替你决定投什么、发不发，它只是把“定制”这件事的体力成本降下来，让你把判断力留在自己手里。

69份申请、20个面试、1个offer，这个转化率不是AI的魔法，是一个人在被裁之后，用工具把“认真投”这件事坚持了足够多轮。