1. 项目概述与核心问题1.1 一个“高投递率”求职者背后的想法先说说我从哪里开始。事情是这样的前阵子换了工作方向手里项目经验不算少但架不住市面上竞争者多。每天打开招聘软件刷来刷去都是那几类职位投出去的简历经常石沉大海。最让人烦躁的其实不是被拒绝而是“已读不回”——你根本不知道自己哪里出了问题是简历没写清楚还是匹配度本来就不行还是人家根本没看到。后来我无意中看到一个开源项目作者在项目介绍里写了一段很短的话“我投了 69 份简历拿到 20 场一面现在把整个流程开源了。”这句话一下子戳中了我。69 份简历、20 场一面算下来一面转化率接近 29%。这个数字在没有内推、没有熟人介绍、纯靠公开渠道投递的情况下已经算相当亮眼了。很多人投一两百份都未必能换 20 场面试他凭什么做到更关键的是他把这套东西开源了也就是说整个思考过程、工具链、提示词、数据统计方法都可以直接看到。这个项目吸引我的地方在于它不是又一个“用 AI 帮你写简历”的小工具而是一条完整的、可复跑的求职流水线。从岗位筛选、JD 解析、简历优化、投递跟进到面试问题预测和复盘记录全部串在一条链路里。换句话说它不是帮你偷懒而是帮你在“求职”这个需要大量重复劳动的场景里把每一份精力都花在刀刃上。我花了一个周末把项目源码完整过了一遍又按文档在自己的机器上重新搭了一遍现在把整个流程拆开讲一讲。如果你也正在找工作或者你单纯对“AI Agent 怎么落地到真实生活场景”感兴趣这篇应该都能给你一些可以抄作业的东西。1.2 这套流程到底解决了什么问题传统求职里最容易踩的坑有三个。第一个坑是海投。岗位详情都不仔细看一键投递几十家结果面试官问一句“你为什么投我们”你答不上来当场扣分。第二个坑是简历模板化。同一份简历投遍所有岗位技术栈、项目描述、工作亮点全是泛泛而谈HR 心里很清楚你有没有用心。第三个坑是状态混乱。投了哪些公司、面到第几轮、该什么时候跟进、上次聊了啥全靠脑子记。面试多的时候经常“张冠李戴”把 A 公司的问题带到 B 公司的面试里非常尴尬。这套开源 AI 求职流程本质上就是针对这三个坑设计的。它的核心思路可以概括成一句话用固定流程代替拍脑袋用 AI 做筛子和陪练把所有信息沉淀成结构化数据。每拿到一个岗位系统会先解析 JD提取关键技能和硬性要求再和你的简历做匹配打分匹配度过低的岗位直接放弃不浪费投递机会。匹配度高的岗位系统会基于 JD 自动生成一版针对性的简历调整建议再生成一轮模拟面试题让你在投出去之前就可以先自查一轮。投递之后所有信息进入状态跟踪表哪天该跟进、面到哪一轮、上次聊了什么一目了然。这一套流程走下来不是让你投得更快而是让你投得更准。我觉得这才是它真正有价值的地方——AI 在这里不是替你决定要不要投而是把所有信息整理好让你在 30 秒内做出一个靠谱判断。2. 整体架构与模块设计2.1 一条完整的“求职流水线”由哪几段组成打开这个开源项目我第一个感觉是作者是真把自己求职的全部过程都“数据化”了。整个系统不是一个小脚本而是分了五个核心模块每个模块解决一个具体的问题。第一个模块是岗位雷达。它的作用是把散落在各个招聘平台上你感兴趣的岗位信息抓取下来统一格式存进本地数据库。这里用的不是那种复杂爬虫更多是靠公开渠道手动导入或半自动采集再统一解析。这样做的目的是让你所有潜在岗位都进入同一个信息流不用每天刷好几个 App 来回切换。第二个模块是 JD 解析与匹配打分。这是整个系统里我个人觉得最“重”的一个模块。它调用大模型把一段原始 JD 文本拆解成结构化字段包括岗位职责中的具体技能点、经验年限要求、学历门槛、加分项等然后和你的简历逐条比对输出一个匹配度分数以及“为什么这么打分”的解释。这个功能的价值在于它可以帮你在投递前提前发现“硬伤”。第三个模块是简历动态优化。在你决定投递某个岗位之后系统会根据 JD 解析结果生成一份简历调整建议。比如你的项目经验跟岗位核心技能相关但描述里没有突出系统会提醒你换个说法或者把某个项目提前到显眼位置。这一步本质上就是把“一岗一简历”从口号变成可执行的流程。第四个模块是投递与面试管理。这更像一个轻量 CRM 系统。每投递一家公司记录投递时间、渠道、岗位链接、匹配分、简历版本号每面完一场记录面试官问过的问题、你的回答、表现复盘。这个模块不依赖 AI纯粹是信息管理但它是整套系统的“记忆中枢”没有它前面所有模块的数据都是散的。第五个模块是数据看板。系统会把所有投递、一面、二面、offer 的数据汇总成漏斗图你可以直观看到自己的转化率在哪一环掉得最多。是简历关就挂了还是面试关不行数据会说话。说白了这个项目就是把求职这件事当成一个“转化率模型”来运营投递数 → 一面数 → 二面数 → offer 数每一层都有数据每一层都有优化空间。2.2 技术选型和设计里的取舍说完了模块再聊聊技术。这个项目用了 Python 作为主语言属于很合情合理的选择。Python 在整个 AI 生态里的支持度最好不管是调大模型 API还是做数据处理、写后端服务都有现成的轮子不太需要造。整个项目的数据层用了 SQLite 加 JSON 文件的组合。第一眼看到这个组合的时候我有点疑惑为什么不直接用 PostgreSQL后来想明白了这个项目定位是个人求职流程不是多人协作系统。SQLite 单文件、零配置、备份直接复制文件就行对一个人用来说是最低摩擦的方案。这一点我觉得特别值得学——选型不是越重型越好而是匹配你的真实使用规模。大模型这块系统设计成了可插拔结构。默认支持调用常见的大模型 API同时也兼容本地部署的开源模型比如通过 Ollama 运行 Qwen 系列或者 DeepSeek 系列。这样做的原因很实际用 API 省心但涉及费用和隐私用本地模型代价是性能要求。可插拔结构让用户可以按自己的情况选择也符合开源项目“让使用者自己决定”的理念。整个前端看板用了 Streamlit这是一个 Python 生态里的快速应用框架。我猜测作者选它的原因是一个人同时顾全栈太重了Streamlit 可以只用 Python 就把数据看板做出来不用再写一堆 HTML、CSS、JavaScript。对个人项目来说开发效率和维护成本是第一位的。不过说实话这套系统里真正值钱的技术部分不是框架选型而是那几套写得非常详细的 Prompt 模板。后文我展开说。3. 核心环节实操从零搭建这套 AI 求职流水线3.1 基础环境与数据层搭建先说环境。整个项目按文档走前置依赖不算多Python 3.10 以上版本就可以核心依赖包括 openai 客户端库、LangChain用于编排大模型调用、pandas数据处理、Streamlit看板。如果你选用本地模型还需要装一个 Ollama 并拉取对应模型。克隆项目之后第一步是初始化数据库。项目里提供了一个init_db.py脚本它会自动创建一张核心表applications我看了下字段设计核心字段大概是这样的字段含义id自增主键company公司名position岗位名称jd_raw原始 JD 文本jd_parsedJD 解析后的结构化结果JSONmatch_score匹配度打分0-100resume_version针对该岗位使用的简历版本号apply_date投递日期status当前状态待投递/已投递/一面/二面/offer/拒绝next_followup下次跟进日期source岗位渠道来源notes备注信息我稍微调整了一下加了一个interview_log表用来存每场面试的具体问题和复盘。如果你只是一路默认跑下来也可以但建议加上这个表后面很多分析都依赖它。这一步只要按 README 执行就能跑通没什么坑。唯一要注意的是 Python 虚拟环境建议用venv单独隔离别直接装到全局环境里后面依赖迭代的时候会头疼。3.2 岗位雷达把散落的 JD 变成结构化数据岗位雷达模块的输入是一段 JD 文本。作者在设计上留了两种录入方式一种是手动粘贴把招聘页面上的 JD 复制进来另一种是半自动导入如果你的浏览器装了一些网页文本提取插件可以把处理后的纯文本直接丢进来。我实际用的时候觉得手动粘贴最省事。有些招聘平台有反爬机制强上爬虫容易封 IP没必要。系统的核心目的不是“自动抓取多少岗位”而是“你关注的岗位能快速进入分析流程”。所以哪怕一天只录入两三个岗位只要每个岗位都完整走一遍分析比盲目海投几十家高效得多。录完 JD接下来就是解析。系统调用大模型把 JD 解析成一串 JSON大概长得像这样{ position_name: 高级后端工程师, responsibilities: [负责核心交易系统的设计与开发, 主导系统性能优化], required_skills: [Java, Spring Boot, MySQL, Redis], preferred_skills: [Kafka, 分布式系统设计], experience_years: 3-5年, education: 本科及以上, keywords: [高并发, 微服务, 性能优化] }这个结构化结果就是后面所有分析的原料。你可以把它理解成一份冗长 JD 的“压缩精华版”每个技能点、每项职责都被单独拎出来了。顺便说一句我在复现的时候对 Prompt 做了一点小改动。原项目里对“经验年限”只是提取原文数字我改成让模型同时输出“是否匹配我当前工作年限”的判断省得我自己再换算。这个小改动帮我省了不少事。3.3 匹配打分投递前先问一问“这岗位适不适合我”JD 解析完成后系统会进入匹配打分环节。这一步的逻辑是把 JD 里的硬性要求和你的个人画像做比对。项目里在配置文件里维护了一份“个人画像”内容包括你的技能关键词、工作年限、学历、项目经历摘要、擅长方向等。大模型拿到 JD 解析结果 个人画像之后会输出一个 0 到 100 的匹配度分数附带扣分原因。我跑了一个真实案例。某公司招聘“高级 Java 工程师”JD 里写了“熟悉 Spring Cloud 微服务体系”“有高并发场景经验”。我自己的画像里写的是“5 年 Java 开发有 Spring Cloud 项目经验做过秒杀系统的压测与优化”。系统给出的打分是 86 分扣分点主要是我没有明确的“管理经验”描述而 JD 里提了“具备团队管理经验者优先”。这个扣分原因非常具体比我自己的感觉靠谱多了——说实话投之前我根本没想到自己缺一项“管理经验”描述会是被筛原因。如果匹配度低于预设阈值系统会直接标记为“不推荐投递”省得浪费一次投递机会。如果你心里没底也可以把阈值调低。我觉得这一步是整套流程里最值钱的部分它不是给你一个“能投/不能投”的二元判断而是逼你每次都仔细看一遍 JD 和自身的差距。用了一次之后我再也不怎么干“一键海投”这件事了。因为每份 JD 在这个环节都会被拆开看一遍很多细节你看第一眼理解不到位系统会帮你把不匹配的点展示出来等于是在帮你做“反向背调”。3.4 简历动态优化一岗一简历的高效实现决定要投递之后系统会生成一个“简历优化建议”。原项目里这一块的设计是不直接生成整份简历而是输出修改建议清单。让我抄一段核心逻辑它先把个人简历里的项目描述拆成一条一条再拿 JD 解析结果去比对看哪些项目经历和 JD 关键词重叠度最高然后建议你把那一条提到最前面甚至改一改标题描述。我贴一段我实际用过的 Prompt经过我的微调大家可以直接参考你是一名经验丰富的行业招聘顾问擅长解读岗位描述并指导候选人优化简历。 岗位描述如下 {jd_text} 候选人的简历内容如下 {resume_text} 请完成以下任务 1. 提取岗位描述中的关键技能要求、职责要点、加分项。 2. 逐条比对这些要求与候选人简历的匹配情况。 3. 对于匹配度高的简历条目给出“提前展示”或“扩展描述”的建议。 4. 对于匹配度低但候选人实际具备的能力给出改写建议把能力关键词显式化。 5. 对简历整体给出三个最值得调整的动作按影响力排序。 输出格式用 Markdown 列表每个建议标明对应岗位要求、目前简历状态、修改建议。这个 Prompt 的价值在于它不是在“写简历”而是在“调简历”。它默认候选人的素材是可用的只是帮你把最重要、最相关的内容顶到最前面。实际测试下来它给的很多建议确实是我自己没注意到的比如我某段经历里写的是“负责订单模块开发”其实涉及到“分布式事务”这个关键词完全没提。系统建议我把“分布式事务处理”直接写进第一行后面投递的很多岗位HR 收到的简历首先看到的就是这段内容。注意一点不要让 AI 凭空给你编经历。系统里也反复强调它只做“内容重排”和“表达强化”不负责编造你没做过的事情。这一点非常关键。你可以换个更专业的说法描述同一条经历职业上这叫“表达优化”但不能虚构一个项目或一段职责在背调时代这个风险是致命的。3.5 投递管理、面试陪练与跟进节奏投递之后系统就把重点从“分析”转向“管理”了。状态机从“待投递”变成“已投递”系统会自动算出第一次跟进时间。项目里默认的节奏是投递后第 4 天没回音就发一封跟进信第 7 天没回音就标记为“低活跃度”。这个节奏你可以自己调不过我觉得默认值是个经过实践检验的平衡点太早跟进显得焦虑太晚跟进岗位可能都关闭了。面试结束之后要把面试官问的问题、你的回答、以及你觉得答得不好的地方全部记进interview_log。如果怕麻烦可以用系统里的“面试陪练”模块先做一轮模拟它会根据 JD 里的技能点生成一组预测问题然后扮演面试官和你进行真实问答。我试过它问的问题方向确实挺准尤其是技术类岗位很多问题和真实面试时遇到的几乎重合。整理这些数据是为了让系统越来越准。你投得越多、记录得越多后续打分的个人画像和简历优化建议就越来越贴近你的真实情况。这就是“数据飞轮”在个人求职场景里的一个小小实践。4. 实战数据与问题排查4.1 69 份投递、20 场一面背后的数据逻辑项目作者在 README 里放了一张截图是整个过程的数据漏斗阶段数量转化率投递岗位数69-一面2029.0%二面1155.0%一面→二面终面654.5%二面→终面offer466.7%终面→offer单独看 69 份投递拿到 20 场一面可能还不是最有冲击力的把整条漏斗展开来看从一面到 offer 的综合转核率大约是 5.8%也就是投递 17 份左右能拿到一个 offer。这个数据放到行业里算是不错的水准。这份数据里最值得分析的不是“20 场一面”而是从一面到二面的 55% 转化率。参加过一次面试海的人都知道大部分人的主要瓶颈恰恰在一面到二面之间。一面多数是技术或基础素质筛选淘汰率高能到二面的人匹配度已经经受过验证后续转化率自然就高。这个项目的流程之所以有效核心恰恰在这里——它通过前端投递筛选把 69 份简历中相对匹配的 20 场一面提前过滤出来。我自己的过程没他那么夸张但做完一整个周期之后明显感觉到“乱投”这件事少了很多投出去的简历基本都是经过匹配分析、简历优化和模拟面试三重验证的。总共投了 47 家拿了一面 11 场虽然绝对数量不算多但一面到二面转化到了 6 成。4.2 实操过程中我遇到的四个问题和解法问题一JD 解析有时候会漏掉关键信息。尤其是一些写得特别绕、夹带大量公司介绍和“岗位诱惑”文案的 JD模型偶尔会把真正的职责要求漏掉。后来我在 Prompt 里加了一句“忽略与岗位要求无关的公司宣传内容只提取有实际筛选意义的条款”情况好转非常多。另外在粘贴 JD 前自己先顺手把无用段落删一遍也是提高解析质量最直接的土办法。问题二API 调用费用超预期。用大模型 API 解析 JD、生成面试题、优化简历看起来单次调用没几个钱但跑多了之后你会发现费用累积得很快。一套流程下来单个岗位可能会消耗 8 到 12 次模型调用。我一开始用的是付费 API跑了五十个岗位之后账单数字让我肉疼。后来我改成混合策略只需要做文本抽取的环节比如 JD 解析、关键词提取切回本地开源小模型需要深度理解和生成的内容才调用强模型。费用一下降下来解析质量也没有明显下降。问题三Streamlit 看板在数据量大了之后变慢。当 applications 表里记录超过几百条Streamlit 每次重新加载都会全量读表流畅度明显下滑。这个问题的务实解法是增加按时间范围过滤的输入框只加载最近三个月的记录页面响应速度快了一倍以上。如果你有精力把 SQLite 换成 PostgreSQL 也能缓解但就个人项目而言过滤就够了。问题四简历优化有时候会“过度润色”把表达改得不像自己。我遇到过生成出来的建议句子里充斥着“赋能”“抓手”“闭环”这一类的词。不是说这些词不好而是这些风格和我平时的表达习惯不一致面试时如果被问起细节很容易露怯。所以我后来制定的使用原则是AI 可以优化句子结构和突出重点但核心表达必须是我能用自己的话复述出来的内容。凡是 AI 生成后我读起来觉得“这不是我会说的话”的建议一律不采纳。5. 开源项目的边界与扩展思路5.1 开源之后你可以免费拿到什么说回“开源”这个关键词。这个项目开源意味着三样东西免费开放给了所有人第一是把整个求职流程梳理成模块的工程经验你可以直接复制第二是经过反复调试的 Prompt 模板这在大模型应用时代里其实是隐性门槛最高的一部分作者把这些模板全部开放了第三是配置好的一整套数据结构和状态机你不需要从零设计。我的看法是它最大的价值是提供了一套“可复现的方法论”。里面提到的每个模块单独挑出来都不算复杂真正的门槛是把它们整合起来并经受真实求职周期的检验。作者已经在真实的 69 份投递里面跑过一遍留下了数据你要做的就是基于自己的情况再做一遍微调。当然开源项目的边界也很清楚它不是一个“一键求职”的工具。你可以把它理解成一套求职的“开源软件框架”但里面的“业务数据”你的简历、你的技能画像、你对岗位的偏好必须你自己填。AI 会帮你分析、提醒、陪练但它不会替你做决定。我觉得这恰恰是它没有跑偏的地方——它把 AI 定位成“副驾”而不是“司机”。5.2 如果你也想复刻一个这几点建议值得听如果你想把这套思路搬到自己的求职里我建议不要照搬先改三个地方。第一简历画像的配置是你最该花时间的地方。这个模块看起来不起眼但所有匹配分析、简历优化建议全都依赖画像的准确性。如果你的技能关键词、项目经历摘要写得不准确后面每一层输出都会失真。我花了两个晚上反复调整画像词条后面所有模块的输出质量都有了质的提升。第二把“跟进时间”和“岗位状态”这两个字段用起来。很多人用这套系统只关注匹配度把投递完就不管了。但投递管理最核心的价值是“掌控感”——你知道哪些岗位需要跟进、哪些已经凉了、哪些还值得再争取一下。面试多的时候这个掌控感是保命的。第三给自己设一个“投递冷静期”。系统的数据看板会显示你 7 天内投了多少个岗位。如果你一周投了 30 份以上大概率说明筛选阈值设得太低了。后来我把默认阈值从 60 提到了 72投递数量瞬间降下来但一面转化率反而涨了。从“69 份投递、20 场一面”这个结果来看这套流程真正厉害的地方不在于 AI 有多聪明而在于它把整个求职过程变成一个可以度量、可以优化、可以迭代的系统。AI 在这里做得最好的事情是用它读文本的能力帮你在投递前就把自己的位置看清楚。5.3 后续还可以怎么扩展项目目前已经可以独立跑完“采集 → 分析 → 投递 → 复盘”的完整链路但我在实际使用中明显感觉到还有几个值得扩展的方向如果你有精力完全可以在开源基础上继续折腾。第一个是面试复盘模块的深化。目前interview_log只是记录问题和回答其实可以考虑加一层“关键失误标签”比如“系统设计答得不深”“项目亮点忘说了”“反问环节没准备好”等。面过多场之后按标签聚合统计你会发现自己反复踩的坑到底是什么。我从项目里找到这个思路后手动做了一次标签统计——结果发现自己逢关于“缓存一致性”的问题都回答得不行后来花了一周针对性补这块后面两场面试都被问到了同样的话题状态完全不同了。第二个是“offer 比较”功能。求职末期最幸福也是最纠结的事情就是有好几家可选择时不知道怎么选。开源项目没有覆盖这一块但我自己加了一个简单的“offer 评分表”把薪资、通勤、发展空间、团队方向、加班强度等维度列出来让 AI 按我的偏好排序输出一个参考列表。这本质上还是“结构化决策”的思路跟这个项目的核心方法论一脉相承。第三个是岗位推荐。现在你需要自己把一个一个岗位录进系统其实可以再加一层把个人画像交给 AI让它直接从你积累的历史投递记录里找出命中关键词最多的岗位类型反推你适合投的公司群。这个方向自己扩展起来比较费时但做出来会很实用。我在实际使用中最大的感受是这套开源流程能坚持跑下来的人最后收获的往往不只是 offer还有一套把事情做规范的思维习惯。找工作这件事本质上是一个信息不透明、反馈不及时、变量很多的决策过程。你能控制的只有自己的准备程度和执行节奏。 AI 在这里起到的是把浓雾一样的求职市场用数据逐步拨开。它不能替你做决定但它能让你的每一个决定都建立在更扎实的信息之上。如果你也想试建议别一次性把整个流程全部铺开那样容易贪多嚼不烂。先只用“JD 解析 匹配打分”这一个功能跑一周感受一下“每投一份都有明确理由”是什么体验等适应了再把投递管理和面试陪练加上。最后你会发现投 69 份拿到 20 场一面这件事确实是可以复现的。