career-ops 完整教程：把你的 AI 编码终端变成 AI 求职引擎，自动产出 ATS 友好的 PDF 简历-港品优选

career-ops 完整教程：把你的 AI 编码终端变成 AI 求职引擎，自动产出 ATS 友好的 PDF 简历

【免费下载链接】career-opsOpen-source AI job search: scan job portals, evaluate listings into a structured A-H report with a global 1-5 score, tailor your CV, track applications — runs locally in your AI coding CLI (Claude Code, Codex, OpenCode, Antigravity…)项目地址: https://gitcode.com/GitHub_Trending/ca/career-ops

如果你也经历过这样的求职日常——几百个职位贴要逐条翻、申请状态散落在电子表格的格子里、每投一家公司都要把简历改一遍——那 career-ops 就是为这种场景而生的。这是一款开源的 AI 求职系统：装进你日常使用的 AI 编码终端（Claude Code、Codex、OpenCode、Grok 等任意一种），它就能替你读职位描述（JD）、评估匹配度、为每个岗位生成注入关键词的 ATS PDF 简历，并把全部申请记录沉淀到一条可随时回查的管线里。这篇教程不堆概念，带你从装好环境到生成第一份可投递的 PDF 简历走完全程。

先让 AI 帮你"钓鱼"：career-ops 解决了什么

海投的本质是信息不对称：招聘方用 AI 筛简历，候选人却只能靠体力一条条刷职位。career-ops 的思路反过来——把 AI 交到候选人手里，让你先筛公司。

它的核心能力可以概括为四件：

A–H 结构化评估报告：粘一个职位链接，产出一份覆盖岗位画像、简历匹配、级别策略、薪酬研究、面试 STAR 故事的报告，外加一个独立的"职位真实性检查"（识别疑似虚假岗位），最后给出 1–5 的整体评分。低于 4.0 的岗位，系统会明确劝你省下时间。
逐岗定制的 PDF 简历：不是套模板，而是从你的 cv.md 出发，按目标 JD 抽取 15–20 个关键词、重排经历顺序，再渲染成 ATS 能干净解析的 PDF。
职位门户扫描：内置 100+ 家预配置公司（Anthropic、OpenAI、Retool、n8n……）和 55+ 个 ATS/招聘板数据源（Greenhouse、Lever、Ashby 等），一条命令扫出在招岗位。
全链路追踪：评估、简历版本、申请状态全部落在本地文件中，附带自动去重、状态归一和健康检查，随时能回答"现在卡在哪个环节"。

要强调的是定位：它不是"批量海投工具"，而是一个过滤器，帮你从几百个岗位里挑出真正值得花时间的那几个。最终提交动作永远由你来做。

5 分钟跑通：career-ops 安装与最小配置

整个前置准备很短，先确认环境里有什么：

任意一款 AI 编码 CLI（Claude Code、Codex、OpenCode、Grok 等）
Node.js 18+ 和 git
Go 1.24+（仅当你要用终端仪表板时）

接下来做这四件事，每件都只有一行命令：

① 拉取仓库

git clone https://gitcode.com/GitHub_Trending/ca/career-ops cd career-ops

② 安装依赖（PDF 渲染需要 Chromium，npm 安装脚本会自动装好）

npm install

③ 准备两份配置文件，改一改就能长期复用：

cp config/profile.example.yml config/profile.yml cp templates/portals.example.yml portals.yml npm run doctor

profile.yml是你在所有模式下的"唯一事实源"：姓名、联系方式、目标岗位、岗位画像（archetypes）都写在这里，评估、简历、邮件草稿全读它。portals.yml则决定扫描哪些公司。npm run doctor会一次性校验所有前置条件，输出通过即表示环境就绪。

从一份 cv.md 到一份批可投递的 PDF 简历

career-ops 的简历体系以根目录的cv.md（Markdown 简历）为源头。仓库里给了一个结构完整的示范 examples/cv-example.md，照它的分区、量化指标写法搭一份自己的，是投入产出比最高的一步。

PDF 的生成链路是：cv.md→build-cv-html.mjs产出 HTML → generate-pdf.mjs 用无头 Chromium 渲染成 PDF。渲染之前有两道安全闸：技能差距检查会把 JD 要求分成"已有 / 简历已体现 / 缺失"三桶并明确告知你缺什么；事实门禁会拒绝任何编造的数字。所以最终 PDF 里出现的每一句成就都能在你的 cv.md 里找到出处。

HTML 就绪后，一条命令出 PDF：

node generate-pdf.mjs output/cv-alex-acme.html output/cv-alex-acme.pdf --format=a4

纸张规格按公司所在地区自动选择（美加用 Letter，其余地区用 A4），也可以用--format手动指定；多份文档则用--batch=manifest.json一次渲染。更省事的做法是直接在 AI CLI 里粘上 JD，触发/career-ops自动管线：评估、定制简历、生成 PDF、写入追踪表一次做完。

功能拆解：求职高频场景的四种玩法

🎯场景一：批量评估一堆岗位

把多个 JD 丢进去，batch模式会用无头 CLI 工作进程并行评估，每个岗位独立产出一份 A–H 报告和评分，几分钟后你手里就是一张"值得投 / 观望 / 放弃"的清单。所有模式文件集中在 modes/ 目录，评估逻辑（auto-pipeline.md、batch.md）都明文可读。

📡场景二：扫描招聘板发现新岗位

node scan.mjs

扫描器覆盖 55+ 个 provider 模块，跑 API 拉取后可选--verify用浏览器二次核验，把已下架的僵尸岗位挡在管线之外。

📊场景三：用 Go 仪表板查看求职进度

仪表板是一个独立的终端 UI（Bubble Tea 编写），只读追踪文件、不依赖 Node 核心：

npm run serve:dashboard

提供 6 个筛选标签、4 种排序、分组/平铺视图、报告懒加载预览和行内状态修改。

🎤场景四：简历之后的半程

面试套件：分时段备战计划、模拟练习、面后复盘，外加红旗检测；
Offer 阶段：合同条款陪读 + 律师问题清单，salary-gap.mjs分析期望/广告/实际薪酬缺口；
跟进与回复：followup-cadence.mjs计算跟进节奏，reply-watch把雇主回复归类并更新追踪表；
插件系统：Gmail、Notion、Apify 等集成默认全部关闭，按需开启，说明见 docs/PLUGINS.md。

卡住了怎么办：一条自检命令 + 两份官方指南

环境或流程出问题时，先跑一遍健康检查：

npm run doctor

它会逐项验证 CLI、依赖、配置文件等前置条件。再往深排查的话，这两份文档值得先读：完整设置细节在 docs/SETUP.md，常见疑问（包括本地/低成本模型跑法）在 docs/FAQ.md 和 docs/RUNNING_ON_A_BUDGET.md。

上手清单：你的第一周

克隆仓库、npm install、npm run doctor通过 ✅
填好config/profile.yml，建出自己的cv.md
粘第一个 JD，跑完自动管线，拿到第一份 A–H 报告
生成第一份 ATS PDF 简历，对照 CV 视觉测试的样例确认排版
用scan.mjs扫一轮目标公司，启动仪表板盯住管线

项目本身还在快速迭代——多语言模式、本地模型运行、桌面端都已在路线图上。而你的使用数据（故事库、偏好、评估记录）全部沉淀在本地文件里，喂得越多，它对"你是谁、想要什么"的理解就越准。装好之后，把那个一直想投的岗位 JD 粘进去，就是最直接的开局。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析