ai-job-search 新手使用教程：把 Claude Code 变成你的求职工作台

仓库地址：MadsLorentzen/ai-job-search

ai-job-search 不是一个普通简历模板。

它更像一个“求职工作台”：你先把自己的经历、技能、目标岗位、写作风格整理进去，然后让 Claude Code 帮你做这些事：

• 判断一个岗位适不适合你
• 按岗位定制 CV
• 写 cover letter
• 检查 PDF 排版
• 检查 ATS 能不能正确读取简历
• 记录投递结果
• 根据真实反馈优化后续求职策略

一句话：它解决的不是“帮你一键拿 offer”，而是把混乱的求职流程变成一个可复盘、可迭代的系统。

这个工具解决什么痛点

求职最麻烦的地方，往往不是写一份简历。

真正痛的是：

• 你的资料散落在 CV、LinkedIn、证书、过往项目里
• 每个岗位要求不一样，但你没有时间逐个改简历
• cover letter 很容易写得空泛
• 岗位太多，不知道先投哪个
• 投完就忘了，结果来了也没有复盘
• 下一次继续重复同样的问题

ai-job-search 的第一性原理很简单：

求职不是一次性动作，而是一个循环。

资料输入 → 岗位筛选 → 匹配判断 → 定制申请 → 记录结果 → 反向优化。

这个仓库就是围绕这个循环搭起来的。

适合谁用

适合你，如果：

• 你已经在用，或愿意安装 Claude Code
• 你愿意认真整理自己的 CV、LinkedIn、项目经历
• 你需要频繁投递不同岗位
• 你希望每次申请都更贴近岗位要求
• 你想记录投递结果，逐步知道自己适合什么岗位

不太适合你，如果：

• 你完全不想碰命令行
• 你期待一键海投
• 你不愿意提供真实经历，只想让 AI 编
• 你还没有任何可用的简历或经历材料

特别注意：这个仓库内置的很多岗位搜索工具偏丹麦市场，比如 Jobindex、Jobnet、Jobbank。中文全球读者不必纠结这些。最实用的用法是：

• 用 LinkedIn 找岗位
• 或者手动复制岗位 JD
• 然后用 /apply 让系统评估和生成申请材料

安装前要准备什么

你需要准备几个工具。

1. Claude Code

这是整个工作流的运行环境。这个仓库本质上是给 Claude Code 准备的一套命令、技能和文件结构。

按仓库说明，可以通过 npm 安装：

npm install -g @anthropic-ai/claude-code

2. Python 3.10+

主要用于可选的薪资查询工具。如果你不用薪资数据，也不会影响主流程。

检查版本：

python --version

Windows 上也可以试：

py --version

3. Bun

仓库里的岗位搜索 CLI 用 Bun 运行。即使你不在丹麦，LinkedIn 搜索工具也会用到它。

Windows PowerShell：

powershell -ExecutionPolicy Bypass -c "irm https://bun.sh/install.ps1 | iex"

4. LaTeX

这是很多新手最容易卡住的地方。

这个仓库会生成 .tex 简历和 cover letter，再编译成 PDF：

• CV 用 lualatex
• cover letter 用 xelatex

Windows 可以装 MiKTeX，macOS 可以装 MacTeX，Linux 可以装 TeX Live。

5. 可选：pdftotext

它用于 ATS 检查。

ATS 是很多公司用来筛简历的系统。它看的不是 PDF 长什么样，而是 PDF 里面的文字层能不能被正确提取。

如果你没装 pdftotext，系统会跳过机械检查，但主流程仍然能跑。

第一次怎么跑起来

先 fork 或 clone 仓库：

gh repo fork MadsLorentzen/ai-job-search --clone
cd ai-job-search

如果不用 GitHub CLI，也可以在 GitHub 页面手动 fork，然后 clone 自己的仓库。

接着安装岗位搜索工具依赖。PowerShell 里可以这样跑：

$tools = @("jobbank-search", "jobdanmark-search", "jobindex-search", "jobnet-search", "linkedin-search")
foreach ($tool in $tools) {
  Set-Location ".agents/skills/$tool/cli"
  bun install
  Set-Location "..\..\..\.."
}

然后进入仓库，启动 Claude Code：

claude

在 Claude Code 里运行：

/setup

/setup 是最重要的第一步。它会帮你建立个人求职档案。

它有三种方式：

1. 读取 documents/ 文件夹
   你把 CV、LinkedIn PDF、证书、推荐信放进去，它自动整理。

2. 导入单份 CV
   适合你暂时只有一份简历的情况。

3. 访谈模式
   它会一步步问你教育、经历、技能、目标岗位、偏好等信息。

新手推荐第一种：先把你的 master CV 和 LinkedIn 导出的 PDF 放进：

documents/cv/
documents/linkedin/

然后运行 /setup。

资料越完整，后面生成的简历和 cover letter 越不像套话。

核心命令怎么用

/setup

建立和更新你的个人档案。

什么时候用：

• 第一次使用
• 更新 CV 后
• 新增 LinkedIn、证书、推荐信后
• 投递几次以后，想让系统根据结果优化判断标准

/scrape

搜索岗位。

但要注意：仓库内置的多个搜索工具偏丹麦市场。全球读者可以把它当作示例，不一定作为主入口。

你更常用的方式可能是自己去 LinkedIn、官网、Boss、猎聘、Indeed 等平台找岗位，然后把岗位描述复制给 /apply。

/rank

当 /scrape 找到很多岗位时，用 /rank 批量评分，筛出更值得投的岗位。

它是初筛，不是最终判断。真正申请前，/apply 还会重新评估。

/apply

这是最核心的申请命令。

用法：

/apply https://example.com/job-posting

如果网页抓不到，直接粘贴岗位描述：

/apply [把完整 JD 粘贴在这里]

它会先做匹配评估，包括：

• 技能是否匹配
• 经历是否匹配
• 文化和行为风格是否匹配
• 是否有明显差距
• 整体适不适合投

然后它会问你要不要继续。

如果你同意，它才会生成：

• 定制 CV
• cover letter
• PDF
• 排版检查
• ATS 文本层检查

这点很好，因为它不是鼓励你乱投，而是先帮你判断值不值得投。

/outcome

记录一次投递的结果。

比如：

• 已投递
• 进入面试
• 被拒
• 没回复
• 拿到 offer
• 拒绝 offer

这一步很重要。

如果你不记录结果，系统永远不知道什么岗位真的适合你。记录多了以后，你可以重新跑 /setup，让系统根据真实反馈校准后续判断。

/expand

从你公开资料里补充能力标签，比如 GitHub、作品集、Google Scholar、Kaggle 等。

适合资料比较丰富的人。

/upskill

分析你的能力和目标岗位之间的差距，然后生成学习计划。

适合你发现很多岗位都卡在同一类技能上，比如云平台、MLOps、SQL、系统设计。

/add-template

接入你自己的 LaTeX 简历模板。

默认模板能用，但如果你有自己的风格，可以用这个命令注册。

/add-portal

接入本地招聘网站。

如果你不在丹麦，又想让系统自动搜索你所在国家的招聘网站，可以研究这个命令。它会尝试生成新的岗位搜索 skill。

最实用的新手路径

假设你在 LinkedIn 看到一个岗位。

你可以这样做：

1. 打开岗位页面
2. 复制完整 Job Description
3. 回到 Claude Code
4. 输入：

/apply [粘贴岗位描述]

系统会先告诉你：

• 这个岗位和你有多匹配
• 哪些要求你满足
• 哪些要求是短板
• 是否建议继续申请

如果你觉得值得投，再让它继续生成材料。

它会生成针对这个岗位的 CV 和 cover letter，并检查 PDF 是否正常。它还会尽量确认 ATS 能读到你的邮箱、电话、关键词和经历。

这比“拿一份通用简历到处投”靠谱得多。

常见坑

1. 资料太少，输出就会很泛

AI 不是魔法。你只给它职位名称，它只能写套话。

你要给它真实素材：

• 做过什么项目
• 用过什么工具
• 解决过什么问题
• 有什么成果
• 喜欢什么工作
• 不喜欢什么环境

2. 没装 LaTeX，PDF 会卡住

这个仓库认真做了 PDF 检查，所以 LaTeX 是核心依赖。

如果你只是想看文字，可以先跑通前半段。但真正生成可投递 PDF，还是要装好 LaTeX。

3. 不在丹麦，却纠结 Jobindex/Jobnet

不用纠结。

这些内置工具展示的是“岗位搜索 skill 怎么写”。全球读者优先用 LinkedIn 或手动粘贴 JD。

4. 不要让 AI 编经历

短期看，编出来的简历可能更漂亮。

长期看，这会毁掉整个系统的判断。因为它会基于假资料继续推荐岗位、写 cover letter、准备面试。

这个工具最有价值的地方，是帮你更好地表达真实经历，而不是制造假经历。

5. 不记录 outcome，就没有复盘

很多人投递失败，不是因为能力不行，而是因为没有反馈闭环。

/outcome 看起来只是记一条结果，但积累几次以后，它能帮你看出：

• 哪类岗位容易进面
• 哪类岗位一直没回应
• 哪些技能差距反复出现
• 哪种表达方式更有效

推荐工作流

第一天：

• 安装依赖
• clone 仓库
• 把 CV 和 LinkedIn PDF 放进 documents/
• 跑 /setup

每周：

• 找一批岗位
• 用 /rank 或自己初筛
• 挑最值得投的岗位

每次申请：

• 用 /apply
• 先看匹配评估
• 再生成 CV 和 cover letter
• 人工审一遍再投

每次有结果：

• 用 /outcome 记录

每个月：

• 重新跑 /setup
• 让系统根据已完成申请复盘和校准

最后一句实话

ai-job-search 不是懒人海投神器。

它更像一个认真、细致、有记忆的求职助理。你给它越真实、越完整的资料，它越能帮你把经历翻译成岗位需要的语言。

对新手来说，最简单的开始方式就是：

/setup

然后找一个真实岗位，复制 JD，跑：

/apply [岗位描述]

先跑通一次，你就会明白它的价值。