前几天刷GitHub,看到一个开源项目,Star数40.3k,简介把我看愣了。开头就是一句话:

该说不说的,这寓意真不戳
。作者说他用这个系统评估了740多个岗位,生成了100多份定制简历,最后拿到了一份Head of Applied AI的工作。
我第一反应是,这不就是我一直在想的事情吗?
作为一个产品经理出身的提效狂魔,我一直觉得求职这件事还是有一些原始了,尤其在现如今的AI时代,我们更应该把AI应用在找工作这件事上。你想啊,公司用AI筛简历,但候选人还在手动海投。这个信息差,太大了。
于是我决定亲自装一遍,跑一遍,看看这玩意到底能不能打。
公司用AI筛简历,我用AI挑公司。很河里吧
先说结论,这是一个把AI编码CLI变成完整求职指挥中心的开源项目。
作者Santiago用它评估了740多个岗位,生成了100多份定制简历,最后拿到了一份Head of Applied AI的工作。
投简历不应该像撒传单一样广撒网,而应该像做产品一样,精准定位、快速验证、持续迭代。career-ops干的事情,就是把这个想法变成了现实。
但现实是,大多数人的求职流程是这样的:
看到岗位 → 复制JD → 手动改简历 → 投递 → 等待 → 被拒 → 不知道哪里出了问题 → 重复
这个循环最大的问题不是效率低,而是你根本不知道自己在跟什么匹配。你投了100个岗位,但你不知道哪个跟你最契合,哪个的薪资范围在你的预期之内,哪个公司的文化适合你。
career-ops干的事情,就是把这个黑盒打开。
说实话,我一开始看到这个项目的README,心里是有点打鼓的。技术栈一堆,Claude Code、Node.js、Playwright、Go,看着就头大(手动doge)
但实际装下来,发现没那么复杂。整个过程就四步:
第一步,克隆项目到本地。一行git命令搞定。
第二步,安装依赖。npm install,然后装一下Playwright的浏览器内核,用来生成PDF简历。
第三步,跑一下doctor检查。它会自动帮你验证环境有没有问题,缺什么补什么。
前面这三步,一个指令完成:
git clone https://github.com/santifer/career-ops.git cd career-ops && npm install npx playwright install chromium npm run doctor
第四步,配置个人信息。把模板文件复制一份,填上你的名字、目标岗位、薪资期望这些。
你别说,这一步特别关键。career-ops的设计理念是「你喂给它的信息越多,它就越准确」。就像你招了一个新顾问,第一周得先让他了解你,之后他才能帮你做判断。
我大概花了不到5分钟,把简历PDF转写.md文件,再复制粘贴写进cv.md,至于个人档案要求在profile.yml里配好,这一步,我直接让我的AI执行:
用我更新好的这份 CV 更新 profile

完事儿,然后就可以开始用了。
我把Boss直聘上看到的一个岗位JD,直接复制粘贴发给了career-ops。
小提示:推荐直接粘贴JD原文或者截图,而不是发链接——Boss直聘等平台有反爬机制,链接可能无法顺利获取内容,直接粘贴最稳。
然后career-ops开始工作。它调取了我的cv.md,逐条比对JD,几分钟后返回了一份评估报告。
出来的结果,我嘞个豆,直接愣住了。
不是因为分数高——它给的只是3.6/5。
而是因为它说的话,太TM准了:
"这岗能投,但它不是产品经理岗,而是偏知识工程/RAG运营/AI知识库治理。"
这一句话,值一万字。

这个JD挂着产品经理的牌子,我一开始没细看,觉得应该投。但career-ops直接点破了:你如果冲着产品经理主线去,这是个备选;但如果你愿意把自己定位成AI知识工程/RAG方向,这岗位值得真投。
然后它逐条拆解了我的简历,告诉我哪些经历直接对得上这个JD——
每一条都附了简历里具体的段落位置,不是泛泛夸你,是真的逐条对照过的。
报告最后还做了岗位真实性判断:嘉立创是做电子及机械产业全链路的,JD发布5日内,不是幽灵岗位,Legitimacy给了高置信度。

我当时的感觉是——这种信息密度,以前得翻某书、查某乎、自己对着JD一条条找半小时,还不一定找得准。
评估完,career-ops主动问我:要不要给这个岗位生成一份偏「知识库/RAG方向」的定制简历摘要和核心bullets?
我说:需要。
它生成了——一段涵盖我自己简历实际经验内容的,但是针对这个岗位进行个人定制Summary的,内容就出来了,重点突出了知识库产品化、结构化内容治理和Prompt优化这条主线。
而且5条核心简历bullet point,每条都基于我真实的项目经历,按这个岗位的语言体系重新包装。
然后它还附了投递建议:如果你要,我下一步直接把这版写进 cv.md,再给这条岗位生成 PDF。

我说:要。
然后它把这一版定制内容写进了cv.md,同时生成了对应的PDF和HTML,命名带上了公司缩写和岗位方向:
cv-***-jlc-knowledge-engineer-2026-04-27.pdf
还内置了ATS关键词检查——我这份命中率是10/12。
你敢信?同一份简历,针对不同岗位生成的版本,差异是肉眼可见的。以前我手动改一份简历要半小时,现在几轮对话下来,一份针对具体岗位量身定制的简历就出来了,还是双格式(PDF+HTML)、ATS验证过的。
你想想看,以前你投10个岗位,得手动改10次简历。现在呢,10份定制简历,差不多的时间。
这不是海投,这是精准打击。
我没有只评估了一个岗位。
后来我特意找了11个岗位的JD全扔进去,让career-ops出了一张横向对比表:每个岗位一行,评分、方向判断、你能打中的点、主要风险,一眼扫完。
Laifen/木叶创新,AI客服/AI运营方向,排第一,4.5/5。

于是我对它跑了一次深度研究:
/career-ops deep 深度研究:Laifen/木叶创新生成的报告分了八个维度,内容有点离谱。
公司快照
2019年创立,以高速吹风机起家,20M+ 用户,60+ 国家,600+ 专利,正在往多品类扩。
这家公司为什么会招AI产品经理
不是因为要搭大模型平台。它从公开资料倒推:Laifen 深度依赖 FAQ、退货、物流等结构化服务场景,已经在多渠道做知识库治理。这个岗位的本质,是AI客服/知识库/FAQ/工单分流落地,不是算法研究。
真实机会点
一是AI客服:App Store 评分只有 2.3/5,68条评价,说明客服体验是真实的压力,有切入空间。二是AI营销:多语言内容自动化、渠道分发,跨境场景有落地余地。
真实风险
App评分差意味着你接手的是真问题,不是光鲜的showcase项目。隐私合规上,"Not Collected"声明背后存在法律灰区,跨境数据是雷区(PS.好家伙,这挖的也太狠了叭……)

你去面试该讲什么
不是"我懂AI",而是"我能帮你把零散的服务知识结构化、让AI真正可用"。
6个建议在面试里主动问的问题
这些问题本身就能让面试官觉得你比别人想得深。

整份报告拉取了10个数据源:

你对比一下,要是自己做这份功课:翻官网、翻App Store、搜英文媒体、再对照JD想面试策略……少说两三个小时。它给你压到了几分钟,而且比你自己找得全。
说真的,现在AI工具多到爆炸。每周都有新模型、新应用、新框架冒出来。
我有时候觉得,我们不是缺工具,而是缺沉下心用好一个工具的耐心。
career-ops不是什么花里胡哨的玩具。它是一个正经的、能帮你解决实际问题的系统。作者自己用它找到了工作,这不是Demo,是实战验证过的。
而且它是开源的,数据全部在本地,你的简历、你的求职数据、你的个人信息,不会上传到任何地方。这一点对于求职场景来说,太重要了。
但我觉得最值得推荐的,不是它的功能有多强,而是它的设计思路。
它不是帮你「海投」的,它是帮你「过滤」的。它会告诉你,哪些岗位值得你花时间,哪些不值得。它会告诉你,你的简历跟这个岗位之间的差距在哪里,怎么补。它会告诉你,面试的时候应该根据自己经验准备什么故事。
这才是AI应该干的事情,不是替你做决定,而是帮你做更好的决定。
AI时代,工具层出不穷。今天出个新模型,明天出个新应用,后天又来个新框架。
很多人焦虑地追着每一个热点跑,收藏了100个工具却一个都没用透。
但真正有用的,不是你收藏了多少工具,而是你用透了几个。
提前掌握一个对你有价值的AI工具,就是提前拿到一张船票。
不是因为厉害才开始,而是因为开始了才厉害。
如果你或者身边的朋友有求职需求,把career-ops推荐给他们。装起来,用起来,让它帮你从海投的泥潭里爬出来。
GitHub项目地址我放评论区了,直接去复制就好。
我是Dawson,一个正在路上的AI个体户。
让我们一起,用AI打破信息差,拿回工作的主动权。
关注我,我会持续分享这些真实用过、跑通了的AI工具——不是测评,是实战记录。
推荐往期阅读:
为了这篇 Hermes 胚胎级教程,我花了两天,龙虾死了两次,重装了 10 次系统
把 Prompt 变成一键调用的 Skill,原来只需要一个浏览器?
你现在是在找工作、观望中、还是已经用AI武装自己了?
留言说说,我看看读这篇文章的人里,有多少人正在路上。