career-ops 是什么？

career-ops 是一个开源的 AI 求职智能体，运行在你的 AI 编程助手中。career-ops 从不替你提交申请。由你点击提交。career-ops 是一个过滤器：它帮你少申请一些职位，但让每一次申请都更有针对性，而每一个决定都由你来做。你给它一个职位链接或职位描述原文，它会读取描述，对照你的背景，从五个维度加一个整体综合评分为这个职位打分，生成一份引用你简历中具体条目的定制 PDF 简历，并把一切记录到本地的申请 tracker 中。这一切只需一条命令：不用电子表格，不用注册账号，我们也没有任何后端。你的简历从你的电脑发送到你选择的 AI 提供商，不会去往任何其他地方。career-ops 由 Santiago Fernández de Valderrama Aparicio 打造，最初是为了管理他本人在 2026 年初一次真实的 AI 时代求职：按照一套明确的评分标准评估了 740 个职位，最终拿下一个 Head of Applied AI 职位。在自己不再需要它之后，他以 MIT 许可证将其开源，让任何在进行系统化求职的人都能免费使用同一套系统，在自己的电脑上，用自己已经付费的 AI 模型。拿下那个职位六个月后，他选择离职，全职投入 career-ops 的开发。

理念

真正的开源

career-ops 没有付费版本，没有候补名单，不需要账号，也没有遥测。你只需克隆仓库，用你已经在用的任意一款 AI 编程 CLI 在本地运行即可。你的简历以纯 Markdown 格式保存，配置则是 YAML：这些文件归你所有，随时可以编辑。设置过程中你不必手动修改它们，因为你只需用日常语言回答问题，智能体会替你写好。你的个人资料和申请记录是你电脑上的文件，默认保存在本地。你选择的 AI 提供商会读取你的 CLI 发送给它的内容；除非你自己把这些文件推送到别处，否则它们不会去往任何其他地方。项目依靠社区贡献成长，所有贡献都公开评审：有人新增一个公司招聘门户的抓取器、改进评分标准或修复一个 bug，这些改进都会在下一个版本中发布给所有人。这就是全部的商业模式：没有追加销售，没有企业版，也没有任何出售数据的计划。这套系统永远采用 MIT 许可证；即使维护者停止更新，评分标准、提示词和抓取器也依然归你所有，你可以随意 fork、审查和运行。

AI 原生，不绑定任何模型

career-ops 不自带 AI 模型。它以一组斜杠命令和提示词文件的形式，运行在你已经信任的任意一款 AI 编程 CLI 中：Claude Code、Codex、OpenCode、Qwen、GitHub Copilot，以及更多。推理由 AI 完成；career-ops 提供结构、评分标准、公司招聘门户抓取器，以及确保你的文件始终归你所有的数据契约。这种架构意味着你不会被某一家提供商的路线图或定价锁定：有更好的模型发布时，你只需切换 CLI，career-ops 无需任何改动就能在其上运行。同一套评分标准（五个评分维度加一个整体综合评分）无论用在 Claude、OpenAI、Gemini 还是 Qwen 模型上，都能得出可比的推理结果。选择最符合你在成本、质量和隐私方面需求的引擎，并随着行业格局的变化自由切换。

什么时候该用 career-ops

当你在进行积极、系统化的求职，而不是随便看看时，career-ops 才是合适的工具。它最适合这样的求职者：已经有一份自己满意的简历，希望针对每次申请做定制，而不必每次都手动重写；同时在跟进多份申请，想要一个唯一可信的数据来源，而不是一张越摊越大的电子表格；只想申请真正合适的职位，而不是所有沾点边的职位；并且即使不以写代码为职业，也能自如地在终端里运行命令。如果你只打算申请一两个职位就结束，career-ops 可能并不是你需要的。初始设置（克隆仓库、配置个人资料、添加简历）大约需要 15 分钟，只有当你要评估的职位不止寥寥几个时，这笔投入才划算。

career-ops 不是什么

career-ops 从不替你提交申请。这套系统负责评估、打分、生成和跟踪，但每一次提交都由你决定：每一步你都能看到智能体的推理过程，没有你的明确批准，任何东西都不会被发送出去。career-ops 也不是简历生成器或 LinkedIn 优化工具；你需要准备好自己已有的简历，系统确保它的每一个版本都针对你眼前的职位做好调整。它是一条求职流水线，而不是内容工厂。系统代码（随每个版本更新）与用户数据（永远不会被覆盖）之间的边界，由仓库中的 DATA_CONTRACT.md 强制执行：你的简历、个人资料和申请记录完全由你做主。career-ops 会读取它们，但无论哪个版本，都绝不会悄悄改写或删除你放在其中的内容。