career-ops：用 Claude Code 全自動求職，作者靠它拿下自己的工作

來源：Santiago 在 LinkedIn 的原文說明

33.8k stars、6.7k forks，career-ops 是 2026 年 GitHub 上增長最快的求職工具之一。但它的說服力不來自 star 數——而來自一個事實：作者 Santiago（Head of Applied AI）用這套系統找到了他現在的工作。

這不是「AI 幫你潤飾 cover letter」那種層次的工具。career-ops 是一個完整的求職自動化 pipeline：從職缺掃描、評分篩選、履歷生成，到 TUI 儀表板追蹤進度，全部用 code 串起來，Claude Code 負責核心的評估與生成邏輯。

系統架構：四層流水線

四個模組各司其職，但設計上是一條流水線：掃描進來的職缺進入評分引擎，通過門檻的才觸發履歷生成，所有狀態都呈現在 terminal 的 TUI dashboard。

評分引擎：10 個維度、A–F 分級

這是 career-ops 最核心的設計。Claude Code 不是「給你整理一下職缺描述」，而是對每個職缺跑一套 10 維度的結構化評估，每個維度都有權重，最終給出 A–F 的等級評分。

10 個評估維度包括：技術棧契合度、薪資範圍、公司階段、遠端政策、成長空間、職位層級匹配、產品方向、團隊規模、地理限制、ATS 關鍵字密度。

// 評分結構範例
const evaluation = {
  overall: 'B+',
  dimensions: {
    techFit: { score: 'A', weight: 0.25 },
    compensation: { score: 'B', weight: 0.20 },
    remotePolicy: { score: 'A', weight: 0.15 },
    growthPotential: { score: 'B+', weight: 0.15 },
    companyStage: { score: 'C', weight: 0.10 },
    // ... 5 more dimensions
  },
  recommendation: 'apply',
  atsKeywords: ['applied AI', 'LLM infrastructure', 'agent systems']
}

這個設計的用意很明確：把「要不要投這份工作」這個決策，從主觀感受轉成可以追蹤、可以迭代的數據問題。

掃描覆蓋率

Playwright browser automation 處理動態載入的職缺頁面、登入牆、反爬機制。JavaScript 佔整個 codebase 的 52%，大部分是這層的實作——每個目標公司都有對應的 scraper 配置，處理各自的 DOM 結構和分頁邏輯。

Go TUI Dashboard：Bubble Tea + Lipgloss

Go 佔 codebase 的 36%，全部用在這個 terminal dashboard 上。選 Go 的理由直接：效能、並發、可靠的 binary 打包。

// TUI 初始化
p := tea.NewProgram(
    model.New(store),
    tea.WithAltScreen(),
    tea.WithMouseCellMotion(),
)

// Lipgloss 樣式定義
var scoreStyle = lipgloss.NewStyle().
    Foreground(lipgloss.Color("#6366f1")).
    Bold(true).
    Width(4)

Dashboard 提供四個主要視圖：職缺列表（含評分）、維度詳情、申請追蹤、統計摘要。全鍵盤操作，不需要開瀏覽器。

ATS 最佳化履歷生成

投遞前這步最容易被忽略，但現實是大部分公司的第一關是 ATS（Applicant Tracking System）自動篩選，不是人看的。career-ops 的履歷生成器做了三件事：

1. 關鍵字注入：從評分引擎提取的 ATS keywords 自動插入履歷適當位置
2. 排版格式：輸出符合 ATS parser 規則的 PDF，避免表格、多欄、特殊字元
3. 職缺客製化：根據每個職缺的具體要求調整技能列表的排序與強調重點

生成的 PDF 不是通用版本，是每個職缺一份針對性的文件。

技術選型的邏輯

整套系統設計為本地運行，不依賴任何雲端服務（除了 Claude API）。這意味著你的求職數據不會上傳到第三方平台。

快速啟動

# Clone 並安裝依賴
git clone https://github.com/santifer/career-ops.git
cd career-ops
npm install

# 設定 Claude API key
export ANTHROPIC_API_KEY=your_key_here

# 啟動掃描（預設掃描所有配置的公司）
npm run scan

# 開啟 TUI dashboard（需要 Go 環境）
go run ./dashboard/main.go

# 生成特定職缺的客製化履歷
npm run resume --job-id=<id>

Go 部分需要 1.21+，JavaScript 部分需要 Node.js 18+。首次執行建議先用 npm run scan -- --dry-run 確認 Playwright 能正確存取目標網站。

Santiago 的實際使用心得

這個工具不是 Santiago 發表後才測試的——他在找現在這份 Head of Applied AI 工作時就在用它。他公開提到幾個實際觀察：

第一，評分系統的價值不只是篩選，更是強迫你說清楚自己想要什麼。10 個維度的權重配置就是你的求職優先序，寫下來之後你才發現自己其實有很多模糊的假設。

第二，ATS 最佳化履歷生成在前幾輪面試的通過率上有明顯差異。不是因為內容不同，而是因為 ATS 能正確解析。

第三，TUI dashboard 讓求職進度可視化——什麼公司投了、什麼階段、評分多少——這本身就降低了求職的心理負擔。

使用限制

career-ops 不是零配置工具。幾個需要自行處理的部分：

• 反爬機制：部分公司（如 Workday、Greenhouse）有較強的 bot 偵測，需要調整 Playwright 配置或加入延遲
• 履歷內容：生成器依賴你提供的 base resume data，格式越結構化，客製化效果越好
• Claude API 成本：大量職缺評估會累積 API 費用，建議先設定每日上限
• 維護依賴：各公司職缺頁面結構會改變，scraper 配置需要定期更新

結語

career-ops 的本質是一個論點：求職是一個信息處理問題，而不是運氣問題。33.8k stars 說明這個論點打中了很多人。

Santiago 用它找到工作，這是比任何 benchmark 都有說服力的 proof of concept。MIT 授權，代碼全公開，如果你現在正在找工作，或者未來會找，值得直接 fork 下來改成自己的版本。