2025 年底，地球物理学家 Mads Lorentzen 的职位被裁撤。他的第一个动作是搭系统：把 Claude Code 配置成一条完整的求职流水线，用 /scrape 搜职位、/apply 定制材料、/interview 备面试，每周在自己的求职上实跑。六十九份定制申请、二十个首轮面试、一份签约合同之后，他在 2026 年 6 月以 AI 工程师身份入职，随后把整套框架以 MIT 协议开源，仓库 MadsLorentzen/ai-job-search。五个月内这个仓库攒到 34,239 star、11,922 fork，54 位贡献者参与，Trendshift 日榜持续在列，最近一次提交停在 8 月 23 日。
README 对"这东西真的有用吗"的回答直接给了漏斗数据：69 份申请换 20 个一面，最终签约 1 份。作者对每个雇主都明说了自己在用这套自动化流程，按他的说法，这件事在面试里通常引发技术讨论，没有招致负面评价。这条数据同时划定了项目的定位：一条在真实求职里跑通过的工具链，并非概念演示。
整体架构：thin-pointer 设计
仓库的文件布局围绕一个原则组织：同一份规范文件服务所有 agent 运行时。AGENTS.md 把它称为 thin-pointer 设计——CLAUDE.md 与 .claude/skills/job-application-assistant/ 下的档案文件是候选人画像的唯一事实源，.claude/ 目录是工作流规范的唯一事实源，.agents/skills/ 下的门户搜索 CLI 采用可移植的 Agent Skills 格式（每个门户一个 SKILL.md）。Codex、Antigravity、Gemini CLI 等运行时通过 AGENTS.md 指到这些文件，无需为每个工具复制一份配置。这个设计规避的多框架配置漂移问题，在同时使用多个编码 agent 的开发者那里是真实痛点。
目录结构按职责分层：
ai-job-search/
├── CLAUDE.md # 候选人画像 + 工作流规则
├── .claude/commands/ # 13 个 slash 命令定义
├── .claude/skills/job-application-assistant/ # 核心技能：画像/评分/模板
├── .agents/skills/ # 门户搜索 CLI（*-search）
├── cv/ + cover_letters/ # LaTeX 模板与产出
├── documents/ # 求职档案（CV/LinkedIn 导出/推荐信）
├── company_research/ # 公司调研缓存（JSON）
├── job_search_tracker.csv # 申请追踪表
└── tools/ # CI 守卫、lint、薪资工具个人数据全部落在 gitignore 边界内：填好的画像、追踪表、薪资数据、申请档案不进版本库，/notion-sync 只同步文件名到 Notion，文档内容不出本机。
命令体系：三命令核心加十个扩展
核心工作流由三个命令构成。/setup 走三条路径建立画像：读取 documents/ 档案夹（CV PDF、LinkedIn 导出、学位证、推荐信、历史申请）、从聊天里粘贴的单份 CV 导入、或结构化访谈；档案夹模式可重复运行且幂等。/scrape 并发搜索多个门户、去重、按契合度排序。/apply <url> 对单个职位跑完整申请流水线。
围绕核心的十个扩展命令各管一段：
| 命令 | 职责 |
|---|---|
/rank | 对抓取结果批量评分，并行 agent 逐个取回职位并按五维打分，输出排序短名单 |
/interview | 按申请档案生成面试准备包：阶段化材料、公司调研、STAR 例证映射、模拟面试 |
/outcome | 记录申请结果并归档；对无回音申请起草跟进邮件（只起草不发送，每申请至多两次） |
/gmail-sync | 从 Gmail 读取面试邀请/测评/offer 信号，逐条引用来源邮件、批量审批后才写入 |
/notion-sync | 只读单向同步流水线视图到 Notion 数据库 |
/expand | 扫描画像里链接的公开来源（GitHub、作品集、Kaggle、Scholar）补充技能并标注来源 |
/upskill | 对比画像与目标职位，产出技能缺口热力图和学习计划 |
/html-report | 从追踪表生成自包含离线 HTML 仪表盘（内联 SVG 图表） |
/add-template | 注册自定义 CV/求职信模板（LaTeX、Typst 等），强制测试编译后激活 |
/add-portal | 为本地市场生成新的门户搜索技能 |
/rank 的并行设计有细节：每个职位由独立 agent 取回正文并评分，五个评分维度各自给出优势与缺口，deal-breaker 直接否决，过期职位标记失效，截止日期打紧急标签。
/apply 的 drafter-reviewer 流水线
/apply 是整个框架最重的一条命令，编排两个 agent 分工。流程定义在 .claude/commands/apply.md，共八步，顺序强制：
- 解析输入。URL 或粘贴文本。抓取失败按升级链处理：换浏览器 UA 重试，再搜雇主官方招聘页；聚合站常丢掉 requisition ID 和职级，官方页优先。
- 契合度评估。drafter 按评估框架打分，输出技能匹配、经验匹配、文化匹配、薪资基准（
salary_lookup.py自带数据可查）、综合推荐。 - 起草。CV 与求职信各写一份 LaTeX 草稿。
- 评审。用 Agent 工具派生一个全新上下文的 reviewer agent，草稿以 inline 方式塞进 prompt（避免 reviewer 重复读文件），它负责公司调研与内容批评。
- 修订。drafter 按 reviewer 反馈改稿。
- 编译并检查 PDF。lualatex 编 CV、xelatex 编求职信，读渲染结果迭代到 CV 恰好两页、求职信恰好一页。
- ATS 检查。
pdftotext提取 PDF 文本层，模拟解析器视角验证联系方式、阅读顺序、关键词覆盖。 - 输出。附验证清单。
事实核查在三源之间进行：01-candidate-profile.md、主 CV（cv/main_example.tex）、CLAUDE.md 的画像段。任何一个日期、雇主、头衔、数字指标在草稿里出现，必须至少有一个源支持；三源之间互相矛盾时上报为画像一致性问题，草稿与源不符则标记为 grounding 修订。项目的一条常设规则进一步要求：用户在对话里确认过的新事实，必须当回合写回 01-candidate-profile.md——只存在于聊天里的事实，在下个 session 会被审计当作无依据内容静默剔除，一条真实成就会从之后的每份 CV 里消失。
评估框架：两道门加五个维度
评分之前先过两道硬门。Eligibility Gate 检查工作许可：逐字读招聘方的资格条款，点名公民或永居要求的直接判 FAIL，不评分不起草；条款沉默时标记未验证并要求查雇主国际申请者页面，因为大型校招项目常在自家网站而非招聘广告里设限。Language Gate 检查语言：招聘要求的语言不在候选人语言表里判 FAIL；要求了但标称等级可能高于候选人自报水平时只 FLAG 不否决，把判断权留给人。
过门之后按五个维度打分：技术技能匹配（0-100）、经验匹配（0-100，按工作实质而非头衔字面对齐）、行为与文化匹配（0-100）、地点与通勤（Pass/Fail）、职业方向与动机（0-100）。动机维度有一个双向过滤器：不只问能不能做这些任务，还问这些任务是否给候选人供能，画像里分别维护 energizing tasks 与 draining tasks 清单。deal-breaker 是自由文本——"育儿假条款""工会最低薪资""不值班"各占一行画像，在 /rank 和 /apply 的评估里都带实际权重。
PDF 验证环与 ATS 文本层
多数 LaTeX 简历模板的问题在 .tex 源码里看不出来：编译后条目标题孤行到下一页、求职信溢出到第二页、列表字体静默回落。/apply 的第六步把"编译并目检"设为不可跳过，读到渲染问题就用 \needspace、\enlargethispage、字体匹配包装做定点修复，直到版面干净。
CV 超过两页时，裁剪逻辑先给每一行候选内容按三个因子打分——与目标职位的相关性、在文档中的独特性、求职信是否依赖它——总分最低的先删；"最旧的先删"这种机械规则在这里不成立，一条命中职位关键词的旧岗位 bullet，可以排在一条不相关的近期岗位 bullet 前面存活。
ATS 检查针对的是另一个盲区：机器筛简历读的是 PDF 内嵌文本层，LaTeX 完全可能产出渲染正常但提取出来是乱码的 PDF——邮箱位置变成图标字形、双栏布局行序交错。pdftotext 提取后按解析器视角验证，画像真实支持的关键词补进去，真实缺口保持可见，不做关键词堆砌。
安全边界：不可信输入与权限围栏
SECURITY.md 对威胁模型的陈述很直白：一个有文件访问权的 LLM，同时读不可信网页内容（招聘帖）和个人数据（CV、画像、申请历史），这个组合是主要风险面，无法根除只能收窄。框架做了三层：
- 不可信输入规则。
/apply与/rank把招聘帖当数据而非指令：不执行帖内嵌入的指令、不抓取帖子正文里出现的 URL（用户提供的帖子 URL 本身是唯一例外），这条规则随帖子文本进入后续每一步和每个 agent prompt。reviewer 的公司调研只从用户确认的公司身份出发搜索，链接起点在官方站。 - 权限 allowlist。
.claude/settings.json只预批工作流需要的具体命令，CI 的security-guards任务对任何放宽 allowlist、添加包管理器生命周期脚本、削弱个人数据 gitignore 规则的 PR 直接判失败。allowlist 只管 Bash 命令，模型原生的 WebFetch/WebSearch 在其管辖之外，这正是指令级规则存在的原因。 - 数据边界。画像、追踪表、薪资数据、申请档案全部 gitignore；文档不出本机。
文档同时声明：指令级防御抬高门槛，不等于沙箱。对完全不信任的招聘板，发送前自己过一遍 agent 抓了什么写了什么。
对第三方门户技能的引入也做了同样的设计约束：从社区 fork 借一个 portal skill 必须手动复制，没有安装器代劳——因为已安装的 portal CLI 在 allowlist 里免确认运行，自动安装会跳过"用户先读代码"这唯一有效的检查。复制前的检查单：网络请求只发向它声称搜索的招聘站、package.json 无依赖无生命周期脚本、不读写自身目录之外、离线跑通测试。
本地化路径：从丹麦门户到任意市场
随库发行的门户技能里有四个丹麦站（Jobindex、Jobnet、Akademikernes Jobbank、Jobdanmark），它们是模式的演示。两个通用起点不绑定市场：linkedin-search 基于 LinkedIn 公开免认证的 jobs-guest 端点，零运行时依赖，搜索地点作为显式参数传入（-l "Berlin, Germany" 到 -l "Remote" 皆可），文档明确标注仅供个人低频使用，自动化访问违反 LinkedIn 服务条款；freehire-search 查询 freehire.me 聚合器的公开 REST API，返回结构化字段（技能、资历、类别），后端 MIT 许可可自托管。
新市场用 /add-portal 生成：命令先调查目标门户（搜索 URL 模式、结果页结构、robots.txt 与访问规则），按随库技能的同一契约脚手架一个 CLI，实测一次真实查询后才注册；需要登录墙的门户直接拒绝，条款严格的门户在生成的技能里加显著的仅限个人使用警告。社区 fork 索引（discussions #78）收录各市场的适配版本。
上手前要知道的事
依赖清单：Claude Code CLI、Python 3.10+、Bun（门户搜索工具运行时）、LaTeX 发行版（CV 用 lualatex 编译，MiKTeX 上 pdflatex 常因 fontawesome5 字体扩展报错；求职信用 xelatex，cover.cls 依赖 fontspec）。可选 pdftotext（poppler）供 ATS 检查，缺失时该步降级为人工关键词检查。
README 用 IMPORTANT 块强调了一个容易踩的坑：公开仓库的 fork 必然公开，而 /setup 会把姓名、联系方式、工作历史、薪资预期写进受版本控制的文件。为自己求职用的正确姿势是建私有仓库、把原仓库设为 upstream，SETUP.md 第 8 节有两分钟配置配方；fork 只用于给上游贡献。
观察与边界
这个项目把"求职"拆成了一个数据工程问题：画像是有 schema 的档案、评估是有 gate 的评分函数、申请是有 drafter-reviewer 的生成流水线、结果是可分析的追踪表。它的防造假设计（三源审计加写回规则）比多数"AI 帮你写简历"的工具诚实——后者的问题恰恰是无中生有，而这个框架把"简历里每个数字都能溯源"做成了流程的硬约束。
边界同样清楚。门户技能的市场覆盖以丹麦为演示、靠社区 fork 扩展；LinkedIn 技能受服务条款约束只能低频个人使用；LaTeX 工具链的安装门槛对非开发者不友好；整个流程的产出是草稿与准备材料，"发送"这一步始终留给人。作者漏斗里的 69 比 20 比 1 也提示了另一面：自动化提高的是申请的定制质量与迭代速度，决定结果的仍是评估、面试与市场本身。
仓库地址：github.com/MadsLorentzen/ai-job-search，MIT 协议，SETUP.md 覆盖完整安装与私有仓库配置。