在就业市场竞争白热化的背景下，大部分求职者使用 AI 的方式依然极其初级：把招聘要求（JD）丢给网页版 ChatGPT，让它润色一份通用简历和求职信，然后机械地复制粘贴投递。这种单次生成的材料往往充斥着浓重的“AI 味”，不仅缺乏针对性，也极易被企业的 ATS（简历筛选系统）直接淘汰。
近日，开源项目 ai-job-search 在 GitHub 上突破 4.5 万 Star。该项目作者 Mads Lorentzen 原本是一位地球物理学家，在遭遇裁员后，他使用 Claude Code 为自己搭建了一套全流程本地自动化求职框架，最终通过 69 份高精度定制申请拿下 20 次面试，成功转型为 AI 工程师。
该项目最硬核的价值，在于他把原本主观、繁琐、情绪消耗极大的求职全流程，重构成了一套标准化的 Agentic（代理式）工程工作流。
一、核心技术亮点：Drafter + Reviewer 双 Agent 互审机制
单次 AI 生成最大的弊病是“盲目讨好用户”，容易产生幻觉或自说自话。ai-job-search 引入了非常工程化的对抗互审架构：
- 起草者（Drafter Agent）：
- 基于求职者在本地沉淀的技能档案（Profile）、真实项目经验和目标岗位 JD，定向生成定制化简历与求职信。
- 审核者（Reviewer Agent）：
- 在完全隔离的全新上下文中启动第二个 Agent，扮演严苛的企业 HR 和面试官。
- 该 Agent 会独立联网检索目标公司的业务动态与技术栈，从第三方视角“挑刺”，评估经历匹配度、措辞真实感，并检测是否包含触发 ATS 过滤器的违禁排版。
- 闭环迭代：
- 只有当 Reviewer 评分达到预设阈值且通过 ATS 规范检查后，系统才会最终输出 PDF。
二、4 个核心指令覆盖求职全链路
整个框架摒弃了复杂的网页 UI，完全基于本地 CLI 命令行运行，核心由 4 个模块串联：
| 核心命令 | 对应功能 | 底层工作流逻辑 |
|---|---|---|
/setup | 建立底层职业档案 | 结构化录入个人技术栈、量化成就、项目经历与底线偏好 |
/scrape | 智能职位检索与排序 | 批量抓取目标平台 JD，按技术契合度与个人期望打分并排序 |
/apply | 一键生成高匹配材料 | 自动触发 Drafter 生成 + Reviewer 互审 + ATS 格式校验并生成 PDF |
/interview | 面试作战包准备 | 自动完成公司调研、押题预测、STAR 法则回答映射与模拟对抗 |
三、为什么本地开源方案完胜在线求职 SaaS？
- 数据隐私绝对受控：简历包含手机号、家庭住址、履历等高度敏感的隐私数据。在线求职 SaaS 往往留存并转卖候选人数据，而
ai-job-search的所有配置与生成数据均存放在本地 Markdown 文件中，甚至无需联网上传原件。 - 零幻觉的量化支撑：该框架强制要求所有技能宣称都必须在
/setup的真实档案中找到事实锚点，严禁模型无中生有编造虚假工作经历。 - 可扩展性极强：对于懂基础 Python 或 Shell 的独立开发者，可以通过编写抓取插件轻松适配国内各大招聘站点或海外 Remote 平台。
四、对独立开发者与创作者的启示
ai-job-search 不仅是一个找工作的效率神器，更是一个将复杂、高主观性业务拆解为 Agent 工作流的教科书级案例：
- 避免让 AI 做全能神：将大任务拆分为搜索、评估、起草、质检四个阶段；
- 引入多角色制衡：当某项输出质量难以把控时，建立独立的 Reviewer 角色是降低幻觉最有效的方法；
- 状态沉淀在本地：以纯文本（Markdown/JSON）作为上下文传递的介质，轻量、透明且永不丢失。