开源 AI 求职自动化：career-ops 的 A-H 评估、1-5 评分体系与本地部署全解

career-ops（又称 careerops）是一个运行在你的 AI 编码 CLI 内部的开源求职自动化系统：它扫描职位门户、把招聘信息评估为结构化 A-H 报告并给出 1-5 综合评分、按 JD 定制 ATS 优化简历并跟踪每一次申请，而最终决策权始终在你手里。读完本文，你将掌握它的端到端工作流、评分与反幻觉机制、配置文件语义，以及从一行命令初始化到批量处理与门户扫描的完整上手路径。

项目定位：career-ops 是什么、不是什么

career-ops 的自我定位相当克制：它是一把过滤器，而不是"海投"（spray-and-pray）工具。README 明确写道，它帮助你在上百个职位里挑出值得投入时间的少数几个，并强烈建议不要投递任何评分低于 4.0/5 的机会——你的时间宝贵，招聘官的时间同样宝贵，投递前永远需要人工复核（见 README.md "What Is This" 一节）。

这种定位源自其作者自身的求职实践。README 记录称，作者正是用该系统完成了 740+ 个职位的评估、100+ 份定制简历的生成，并最终落地一份 Applied AI 方向负责人的工作（该用例属于 README 中作者的自我陈述，作为项目背景参考）。career-ops 被作者称为 CareerOps 实践的第一个参考实现，愿景文档见 MANIFESTO.md。

与"自动投递机器人"划清界限是理解本项目的关键：

• 系统具备 agent 能力：所选 AI 编码 CLI 用 Playwright 浏览招聘页、评估"你的简历 vs 职位描述"的匹配度（基于推理而非关键词匹配）、并为每个职位定制简历；
• 但它在架构上从不代替你提交任何东西。README 的 FAQ 回答"Does career-ops auto-apply to jobs for me?"时用了明确的 No：评估、排序、草稿都交给 AI，审查与决定属于你，"you always have the final call"这一人机协同（Human-in-the-Loop）设计是它存在的全部意义。这个"绝不自动提交/发送/点击"的保证甚至在 README 的 Feature 表格中被标注为"绝对保证，翻译任何语言都不得添加'自动地、自行地、未经允许地'这类对冲词"（见 README.md 中 Human-in-the-Loop 一行的 HITL 注释）。

运行形态：career-ops 不是 SaaS，而是一个本地仓库 + 一组 Markdown 模式（modes）+ Node/Go 脚本的组合。它遵循开放 Agent Skill 标准，可在任意主流 AI 编码 CLI 中运行——README 列出的支持面包括 Claude Code、Codex、OpenCode、Antigravity CLI、Gemini CLI、Grok Build CLI、Qwen、Kimi、GitHub Copilot 等（详见 docs/SUPPORTED_CLIS.md）。

端到端工作流：从"粘贴一个 URL"到报告、PDF 与跟踪

README 给出的运行逻辑非常直白：

You paste a job URL or description
        │
        ▼
┌──────────────────┐
│  Archetype       │  Classifies: LLMOps / Agentic / PM / SA / FDE / Transformation
│  Detection       │
└────────┬─────────┘
         │
┌────────▼─────────┐
│  A-H Evaluation  │  Match, gaps, comp research, STAR stories, legitimacy
│  (reads cv.md)   │
└────────┬─────────┘
         │
    ┌────┼────┐
    ▼    ▼    ▼
 Report  PDF  Tracker
  .md   .pdf  entry

docs/ARCHITECTURE.md 把同一流程拆成了更细的运行级描述：

1. 输入：粘贴 JD 文本或 URL；
2. 抽取：Playwright / WebFetch 从 URL 抽取职位描述；
3. 归类：把职位判定为 6 种 archetype 之一；
4. 评估：逐块生成 A–H 报告内容；
5. 评分：五个维度整合为一个 1–5 的全局分；
6. 落盘：报告写入 reports/{###}-{company-slug}-{YYYY-MM-DD}.md（三位零填充序号）；
7. PDF：由 generate-pdf.mjs 生成 ATS 优化简历；
8. 跟踪：新增条目先写 batch/tracker-additions/ 下的 TSV，再由 merge-tracker.mjs 合并，状态更新走 set-status.mjs。

模式（modes）：把工作流变成可路由的"技能"

模式目录 modes/README.md 称 modes 是 career-ops 的"大脑"：每个模式文件定义一条工作流，agent 读取"模式 + 共享上下文 + 你的用户文件"后执行。核心模式包括：

文件	用途
modes/oferta.md	单职位完整评估（README 中 A–H 结构的主实现）
modes/auto-pipeline.md	粘贴 JD/URL 即触发"评估 + PDF + 跟踪"全自动流水线
modes/pipeline.md	处理 URL 收件箱 data/pipeline.md
modes/scan.md	门户扫描（职位发现）
modes/batch.md	headless worker 批量处理
modes/pdf.md、modes/cover.md、modes/email.md	PDF / 求职信 / 正式申请邮件草稿
modes/interview.md、modes/offer-prep.md	面试与 offer 阶段陪伴

模式的个人化内容放在用户层文件 modes/_profile.md（archetype、叙述、议价脚本）与 modes/_custom.md（个人规则），二者被 gitignore 且不会被更新器覆盖，与系统层模式文件严格分离。

A-H 评估模型与 1-5 综合评分

README 对本项目最核心的产出物——结构化评估报告——做了精确定义。报告按 A–H 块组织，用一个 1–5 的全局分表达综合判断，且这个分数由五个维度的整体性判断（holistic judgement）得出，而非某个算术公式（见 README.md 与 modes/_shared.md "Scoring System" 节）。

五个评分维度与报告块的对应关系在 modes/_shared.md 中有明确说明：

维度	衡量内容
Match con CV（与 CV 的匹配）	技能、经验、proof point 对齐度
North Star alignment（北极星对齐）	职位与你在 _profile.md 中目标 archetype 的契合度
Comp（薪酬）	薪水 vs 市场（5=市场前 25%，1=远低于市场）
Cultural signals（文化信号）	公司文化、成长性、稳定性、远程政策
Red flags（红旗）	阻断项、警示（负向调整）
Global	整合上述五维的全局判断（无算术公式）

评分解读（在 modes/_shared.md 中为机器可执行规则）：

• 4.5+ → 强烈匹配，建议立即申请；
• 4.0–4.4 → 良好匹配，值得申请；
• 3.5–3.9 → 尚可但不理想，仅在具体理由下申请；
• 3.5 以下 → 建议不要申请（对应 AGENTS.md 的伦理使用规则）。

两个"评分中立"信号：Block B 重要性与 Block G 合法性

README 强调了一个容易被误读的设计：Block B 中每条要求的"重要性"列、以及 Block G 的"发帖合法性"评估，都是独立、不影响分数（score-neutral）的信号。Block B 的重要性列只是"优先级排序 + 面试准备"的表层；Block G 只是"该职位是否真实活跃"的定性判断。这样设计是为了让 CV-match 维度始终保持整体判断——由此，跨越全部历史（会被 analyze-patterns.mjs、stats.mjs、funnel-velocity.mjs、rank-pipeline.mjs 等工具折叠分析）的 4.0 申请线语义始终一致，报告前后可比（见 modes/_shared.md "Posting Legitimacy" 一节）。

Block G 用三层置信度给出结论：High Confidence（真实活跃，绝大多数信号正面）、Proceed with Caution（信号混杂）、Suspicious（多重 ghost 迹象，建议先调查）。其信号按可靠性加权，例如：发帖年龄（<30 天好、30–60 天混杂、60 天+可疑）、申请按钮是否仍可点击、JD 技术具体度、要求现实度、近期裁员新闻、重发模式（90 天内同一职位重发 2 次以上可疑）、薪酬透明度等。模式文件强制一条伦理红线：绝不把评估呈现为对雇主的"不诚实指控"，只呈现信号并说明合理解释、由用户自行决策。

README 还提到 Work-Auth 信号：当 JD 明确写"不提供 sponsorship"而你的配置需要它时，会被标记为硬阻断项；对应配置见下文 location 一节。

Block H：只在 4.5+ 才草拟的"申请答案"

README 开篇即注明"block H is drafted only at 4.5 and above"。在 modes/apply.md 中 Block H 对应 ## Application Answers——即评估阶段为高分职位预草拟的申请表问答内容。该模式同时记录了 application-answers 工具的解析约定：报告没有 Block H 时返回 null，且"Block H 是评估草拟的版本，不代表候选人真正提交的内容"，填写表单时优先采用实际提交的记录（见 modes/apply.md 中对 freeText 解析的说明）。

六个职位 Archetype

评估前的第一步是 archetype 检测，modes/_shared.md 给了每个类型的 JD 关键词指纹：

Archetype	JD 信号关键词
AI Platform / LLMOps	observability、evals、pipelines、monitoring、reliability
Agentic / Automation	agent、HITL、orchestration、workflow、multi-agent
Technical AI PM	PRD、roadmap、discovery、stakeholder、product manager
AI Solutions Architect	architecture、enterprise、integration、design、systems
AI Forward Deployed	client-facing、deploy、prototype、fast delivery、field
AI Transformation	change management、adoption、enablement、transformation

检测出 archetype 后，系统会读取 _profile.md 中针对该 archetype 的定制叙述与 proof point。

面试故事银行与协议

README 的 Feature 表中还有 Interview Story Bank：跨多次评估累积 STAR+Reflection 故事，沉淀出 5–10 条能应对任何行为面试题的主线故事；以及 Negotiation Scripts（薪酬谈判框架、地域折扣反驳、竞品 offer 杠杆）。这些子模块的完整目录见 modes/interview/README.md（分时间块的准备计划、带反馈的模拟练习、面试后复盘）与 modes/interview-redflag.md（公司红旗检测）。

反幻觉与"来源真相边界"

career-ops 最值得工程界借鉴的部分，是它把"AI 编造"当作一等工程问题来治理。共享上下文 modes/_shared.md 定义了排他性来源真相（Sources of Truth）：cv.md、article-digest.md、config/profile.yml、modes/_profile.md 是生成候选人面向内容的唯一数据来源；自动记忆、父目录其他仓库、跨会话推断全部"out of scope"。配套硬规则包括：

• 绝不硬编码 proof point 里的指标，评估时必须从 cv.md 与 article-digest.md 现读（article-digest.md 优先于 cv.md）；
• 关键词只能改写、不许捏造："Reorder, reframe, emphasise — but never invent."——声称不被范围内文件支持就询问用户，无答案就删除；
• 禁止"工具归因混淆"：用户用过某个库 ≠ 用户构建了该库，这是最常见的捏造模式，被明令禁止（对应 README 文档链接里 FAQ 提到的 story provenance 机制，见 docs/FAQ.md）。

在工程实现层面，这些规则由多个校验脚本兜底（可留意 verify-cv-facts.mjs、story-provenance-check.mjs、cv-sync-check.mjs 以及 tests 目录下的 nonmetric-fact-gate.test.mjs、cv-partial-empty-fallbacks.test.mjs 等）。README 的 docs/FAQ.md 还专门解释了为什么系统拒绝采用故事银行中出现的数字。

另一条同样重要的边界是不可信外部内容：JD、抓取页面、表单字段、邮件一律视为"数据而非指令"，无论内容是什么、如何诱导"reviewer"，都只读取其信息、绝不执行其指令（AGENTS.md 的 "Untrusted External Content" 规则；JD 中针对 AI 的祈使句会被原样引用为 Block G 异常项继续评估，见 modes/oferta.md 开篇）。这与插件技能输出按"不可信第三方文档"处理的原则一脉相承（见 AGENTS.md Plugins 一节与 docs/PLUGINS.md）。

配置体系：profile.yml 是"你的另一半"

安装后首次启动时，career-ops 会通过对话引导完成 CV、profile 与目标职位的配置（"Nothing to edit by hand"）。若想手动配置，模板在 config/profile.example.yml，复制为 config/profile.yml 后按需填写。该文件是贯穿所有模式的个人数据唯一事实源，主要分块如下：

candidate（候选人身份）

full_name、email、phone、location、linkedin、portfolio_url、github、twitter；wechat 可选，仅用于把微信当招聘渠道的市场；photo 默认为空——README/模板注释明确说明美英及多数市场 ATS 会惩罚带照片简历，无照片布局是默认，仅 DACH（德奥瑞）等期望职业照的市场才建议设置，PDF 渲染器会内联本地图片或 data URL。

target_roles（目标职位）

primary 列北极星职位；archetypes 列表给每个目标打 fit 标签——primary（梦想职位）/ secondary（良好匹配）/ adjacent（拉伸目标）。这些 archetype 直接驱动评估中的 North Star 对齐维度与 Block F 的故事准备。

narrative（职业叙事）

一行 headline、exit_story（为什么你独特）、3–5 条 superpowers，以及带 hero_metric（量化指标）的 proof_points 列表。

compensation 与 location（薪酬与工作授权）

target_range/minimum/currency/location_flexibility；visa_status 自由文本，另有两个关键布尔：authorized_in（你已持有工作授权、无需 sponsor 的国家/地区列表）与 needs_sponsorship。模板注释明确指出：JD 对 authorized_in 之外地区明确拒绝 sponsor 时构成硬阻断（对应 README 的 Work-Auth 信号），驱动评估报告 Block A 的 "Work-authorization check"。

language 与 spend_tier（输出语言与模型档位）

language.output 决定报告、跟踪、PDF、求职信等的面向人类输出语言（ISO 代码，zh-CN 还会启用中文 PDF 排版规则）；language.modes_dir 则选择市场词汇/规则（例如用德语市场术语但保持英文行文）。spend_tier 三档取值见 modes/_shared.md 的 "Spend Tier" 节：economy（最便宜最快、无扩展思考，适合高量扫描）、standard（缺省默认、均衡模型）、premium（最强模型 + 自适应扩展思考，适合高价值职位）。三档只影响模型选择，绝不改变 A-H 报告结构与分节（输出一致性有硬性保证）。

cv 与样式

cv.output_format：html（默认，走 Playwright PDF）/ latex / text（定制化 Markdown，不产 PDF）；cv.template 用 kebab-case 选择 templates/cv-template.modern.html 这类命名模板（中文技术简历可用 template: zh-minimal）；cv.sections 可重排 HTML 输出的小节顺序（如 [skills, education, certifications, awards]），且仅在 profile 中生效、不会因模板被 update-system.mjs 还原而丢失——但 cv.md 仍是真相源，顺序守卫仍会比较渲染结果并保持一致。可选 style 块注入五个 CSS 自定义属性（accent_color/secondary_color/font_family/font_size/margin）做视觉主题覆盖（对应 tests 下的 theme-style.test.mjs）。

流水线调优（几个常被低估的开关）

• auto_pdf_score_threshold：评估时只有当分数 ≥ 该阈值才自动生成定制 PDF（PDF 每份约 30–60 秒，而扫描出的多数 2.x/3.x 职位永远不会变成真正申请，阈值避免了无效渲染）。默认 3.0，/career-ops pdf {slug} 可随时按需补生成；设为 0 则每份都生成；
• pipeline.triage_threshold / triage_min_urls：批量流水线先跑一遍轻量预筛（modes/triage.md），低于阈值直接过滤，混合批次可省约一半 token；批次过小（默认 <5 条）则跳过预筛直接全量评估；
• re_apply_windows：对近期申请过的公司定义冷却窗口，扫描器在窗口期内跳过其新发帖；
• culture_screen.require + deprioritize_if_absent：给"文化信号"维度做结构封顶——列出的要求若无 JD 证据支持且该开关为 true，则该维度最多 2/5，避免"技术分高"掩盖文化不匹配。

完整字段注释请直接阅读 config/profile.example.yml，它是自解释最充分的配置模板。其他用户层文件还包括根目录的 cv.md（Markdown 简历，真相源）与可选的 article-digest.md（文章/项目指标清单）、portals.yml（扫描器公司清单，模板在 templates/portals.example.yml）、data/blacklist.md（不投递公司黑名单，命中即停在 Block A 之前，永不自动添加）。

安装与三种接入方式

README 的 Quick Start 提供两条互补路径：

① 一条命令初始化（推荐首次使用）

npx @santifer/career-ops init

npx 随 Node.js 自带，只运行一次安装器而不做全局安装；该命令会把最新 release 克隆进 ./career-ops 并安装依赖。然后进入目录、打开你的 AI CLI（仓库根 package.json 声明 "node": ">=18"）：

cd career-ops
claude   # 或 codex / qwen / opencode / agy / grok

首次启动后系统通过纯对话引导完成 CV、profile 与目标角色配置。README 特意提示：头几次评估不会太好——系统还不认识你，需要持续喂给它 CV、职业故事、proof point、偏好与回避项，就像 onboarding 一位新招聘官一样，越养越好。

② 全局安装（已有项目目录后的日常用法）

npm i -g @santifer/career-ops

这会安装全局 career-ops 二进制，让你在任何终端直接调用，而非像 npx init 那样引导一个项目目录。取舍建议：首次用 ①，拥有项目目录后想直接跑命令时用 ②。

③ 手动部署（git clone）：克隆仓库 → npm install → 需要 PDF 时执行 npx playwright install chromium → npm run doctor 校验全部前置条件 → 复制 config/profile.example.yml 为 config/profile.yml、按 templates/portals.example.yml 定制公司清单 → 在根目录建立 cv.md → 在目录中打开 AI CLI，直接对 CLI 用自然语言提出定制需求（如"把 archetype 改成后端工程方向""把这 5 家公司加进 portals.yml"）。

共享命令路由器

在支持斜杠命令的 CLI 中，全部功能通过统一入口暴露（README "Usage" 节完整清单）：

/career-ops                → 显示全部可用命令
/career-ops {粘贴 JD}      → 全自动流水线（评估 + PDF + 跟踪）
/career-ops scan           → 扫描门户寻找新职位
/career-ops pdf            → 生成 ATS 优化简历
/career-ops cover          → 求职信生成器
/career-ops email          → 正式申请邮件草稿（仅草稿，绝不发送）
/career-ops batch          → 批量评估多个职位
/career-ops tracker        → 查看申请状态
/career-ops apply          → AI 填写申请表
/career-ops outcome        → 记录申请结果并归档产物
/career-ops pipeline       → 处理待处理 URL
/career-ops contacto       → 找到招聘经理/招聘官/同事，起草 ≤300 字符的 LinkedIn 消息
/career-ops deep           → 生成 6 轴公司研究提示词
/career-ops training       → 评估课程/证书
/career-ops project        → 评估作品集项目

也可以直接把职位 URL 或描述粘贴进去——系统自动识别并运行完整流水线。技能本体以开放标准定义在 .agents/skills/career-ops/SKILL.md，并为各 CLI 做符号链接/引用（.claude/、.cursor/、.qwen/、.antigravitycli/、.grok/ 等，见 AGENTS.md）。

各 CLI 的差异化接入

• Antigravity CLI / Grok Build CLI：原生支持，与 Claude Code/OpenCode 相同——进入目录后打开 agy / grok，使用统一 /career-ops 子命令。Grok 的无头批量 worker 用 grok -p "prompt"（加 --yolo 自动批准工具执行）。Antigravity 一节还提到 GEMINI.md 目前只是 no-op 兼容守卫，避免 Antigravity 同时读 AGENTS.md 与 GEMINI.md 造成上下文重复；
• Codex：走同一共享路由器但调用模型不同——斜杠命令不保证可用。交互式用 codex 后以自然语言请求（"Run the career-ops scan mode and summarize new matches."）；一次性任务用 codex exec "..."。完整指南见 docs/CODEX.md；
• Gemini 独立 API 脚本：不想装 CLI 时，cp .env.example .env 配置 GEMINI_API_KEY 后直接 node gemini-eval.mjs "JD..." 或 node gemini-eval.mjs --file ./jds/my-job.txt（对应 npm script npm run gemini:eval -- "JD text here"），并可用 node agent-inbox.mjs add "..." 为下个会话排队请求。

预算敏感与免费运行

README 明确指出系统 CLI 无关，可跑在免费或本地模型上——OpenRouter 免费模型、Ollama、任意 OpenAI 兼容端点均可（对应 ollama-eval.mjs、openai-eval.mjs、openrouter-runner.mjs）。完整低预算配置见 docs/RUNNING_ON_A_BUDGET.md，Antigravity 免费层零成本运行的说明见 docs/FREE_TIER.md。

FAQ 中还有一个很实际的坑：订阅 Claude Pro/Max 却烧 API 点数——原因是环境变量 ANTHROPIC_API_KEY 优先级高于登录态订阅，CLI 会走按 token 计费的 key。排查命令是 echo $ANTHROPIC_API_KEY，有输出就从 shell 配置里删掉并重启终端、重新 /login；批量模式是例外，因为 claude -p worker 不用交互登录，需要 claude setup-token 并把结果导出为 CLAUDE_CODE_OAUTH_TOKEN。

门户扫描器：100+ 公司与自定义查询

扫描器开箱预配置了 100+ 家公司与跨主流职位板的 45+ 条搜索查询（AI Labs、Voice AI、AI Platforms、Contact Center、Enterprise、LLMOps、Automation、European 等类目下的 Anthropic、OpenAI、ElevenLabs、Retool、n8n 等；模板 templates/portals.example.yml）。复制为 portals.yml 后可自行增删。职位发现覆盖 Ashby、Greenhouse、Lever、Wellfound 等 ATS 与聚合板。

提供方架构：职位发现并非单一爬虫，而是一组可插拔的 provider 模块，仓库 providers/ 目录下共 95 个 .mjs 文件（含共享工具与 55+ 具体提供方模块），覆盖 ATS API、整板 feed、XML/RSS、Markdown feed 与本地解析器；完整对照表在 docs/SUPPORTED_JOB_BOARDS.md。新增提供方的规范见 providers/ADDING_A_PROVIDER.md，每个 provider 都有对应测试（tests/providers/ 下 101 个测试文件，如 scan-ats-full-dedup-key.test.mjs、board-title-entities.test.mjs）。

过期帖子的处理：默认 node scan.mjs（即 npm run scan）信任 ATS feed 返回的内容，而有些公司即使职位关闭也把陈旧帖子留在公开 API 里，这些"幽灵条目"可能泄漏进 pipeline.md。README 给出的对策是加 --verify，让 Playwright 在 API 扫描之后做存活校验：

node scan.mjs --verify          # zero-token discovery + Playwright liveness check

该校验是顺序执行的，且只针对去重后的新职位运行，成本保持有界。抓取预算与并发纪律由 modes/_shared.md 的"Subagent delegation"规则约束：公司/职位/薪酬研究永远内联进行，禁止把研究交给会递归嵌套、可烧掉千万级 token 的开放研究技能；oferta 的 liveness gate 也要求在评估任何 URL 前确认职位仍存活，死链绝不进入 Block A。

此外扫描类目下还有 node scan-hn.mjs（Hacker News 扫描）、npm run scan:full/scan:seeds（scan-ats-full.mjs，种子目录如 YC/a16z，见 seeds/vc-portfolios.mjs）、npm run scan:interamt 等细分入口（package.json scripts）。

跟踪器与流水线完整性

所有评估过的职位都必须进入跟踪器（modes/_shared.md 的 ALWAYS 规则第 5 条："Ignore the tracker"被列入 NEVER 清单）。跟踪器的规范写入路径是 {DATA_ROOT}/data/applications.md。为保护这个"唯一事实源"，docs/ARCHITECTURE.md 列出了一整套完整性工具：

脚本	职责
merge-tracker.mjs	把批量 TSV 增量合并进 applications.md
verify-pipeline.mjs	健康检查：状态、重复、链接
dedup-tracker.mjs	按 公司+职位 去重
normalize-statuses.mjs	把状态别名映射为规范值（模板 templates/states.yml）
cv-sync-check.mjs	校验配置一致性

关键约定是 tracker 新增必须以 TSV 追加、绝不直接改 applications.md：把带表头的一行数据写进 batch/tracker-additions/，表头让 merge-tracker.mjs 按列名解析字段，而不是去猜哪列是分数哪列是状态（规则出处见 AGENTS.md 的 TSV 约定与 modes/_shared.md ALWAYS 规则；测试见 merge-tracker.test.mjs）。周边工具还包括拒绝模式分析（npm run patterns）、重发/幽灵职位检测（detect-reposts.mjs）、回复节奏计算器（followup-cadence.mjs）、雇主回复分类（reply-watch.mjs）。

可视化层：Go TUI 仪表盘

package.json 提供两个仪表盘命令：

npm run serve:dashboard   # 启动 TUI
npm run build:dashboard   # 可选：构建独立二进制

仪表盘是位于 dashboard 的独立 Go 应用（按 docs/ARCHITECTURE.md 由 Go + Bubble Tea + Lipgloss 构建，Catppuccin Mocha 主题），提供 6 个过滤标签、4 种排序、分组/平铺视图、惰性加载的报告预览与内联状态切换（过滤器含 Top ≥4 等，见 dashboard/README.md）。另有实验性 Web UI（alpha、opt-in，不启动则不运行任何东西，见 web/README.md）。

数据层设计：系统文件与用户文件的严格分层

ARCHITECTURE 文档把仓库分成两个清晰层次：系统层（提示词、脚本、模板，随升级更新）与用户层（cv.md、portals.yml、data/、reports/、output/ 等，被 gitignore）。用户层数据默认放在仓库根目录；想把自己的数据与代码分离（便于切换分支、拉更新、多 profile 测试）时，README 给出三级解析优先级：

1. 环境变量：CAREER_OPS_ROOT 或 CAREER_OPS_DATA_DIR，如 export CAREER_OPS_ROOT=~/my-career-data；
2. 标记文件：仓库根目录放 .career-ops-data，内容为数据目录路径；
3. 默认：仓库根目录。

路径一旦解析，所有用户文件都相对该目录读写，而提示词与脚本仍相对仓库解析；CAREER_OPS_TRACKER 可单独覆盖跟踪器文件路径；所有合并写入规范地指向 {DATA_ROOT}/data/applications.md。Go TUI、Node 脚本与 AI agent 模式都会自动遵守这套层级（规则全文在 modes/_shared.md "Data Root & Path Resolution" 一节，数据契约见 DATA_CONTRACT.md；相关测试如 tracker-cwd-independence.test.mjs、scan-data-paths-under-data-root.test.mjs 覆盖了跨目录行为）。

项目结构速览

README 给出的顶层结构如下（节选关键项，全部已在仓库确认）：

career-ops/
├── AGENTS.md                    # 规范 Agent 指令（所有 CLI 通用）
├── CLAUDE.md / CODEX.md / OPENCODE.md   # 各 CLI 包装器（import AGENTS.md）
├── cv.md                        # 你的简历（需自建）
├── config/profile.example.yml   # profile 模板
├── modes/                       # 技能模式（_shared.md、oferta.md、pdf.md、scan.md…）
├── templates/                   # cv-template*.html、portals.example.yml、states.yml
├── batch/                       # 批量 worker（batch-runner.sh、batch-prompt.md）
├── dashboard/                   # Go TUI 流水线查看器
├── providers/                   # 95+ 职位源模块
├── data/ · reports/ · output/   # 你的跟踪数据/报告/PDF（均 gitignored）
├── docs/                        # 设置、定制、预算指南、架构说明
└── examples/                    # 示例 CV、报告、proof point

配套文档地图与 FAQ 提炼

README 把后续阅读路径组织得很清晰：

• 完整安装：docs/SETUP.md；
• 预算/免费运行：docs/RUNNING_ON_A_BUDGET.md、docs/FREE_TIER.md；
• 定时扫描与零 token"初筛到短名单"配方：docs/AUTOMATION.md；
• ATS 自动填表细节：docs/APPLY_AUTOFILL.md；
• LinkedIn 通讯录导出 × 漏斗公司交叉比对：docs/LINKEDIN_JOIN.md；
• 设计原则在根 ARCHITECTURE.md，运行时流程在 docs/ARCHITECTURE.md；
• Windows 专属坑点（Git Bash 发现、行尾、任务计划程序）：docs/WINDOWS.md；
• 常见问题：根 README.md 的 FAQ 节与 docs/FAQ.md；
• 插件（Gmail、Notion、Apify 及社区注册表，默认关闭、opt-in）：docs/PLUGINS.md。

FAQ 里的几个关键澄清适合直接记住：career-ops 可在 Windows 运行；它"免费且开源，对候选人永远如此"；它也支持极便宜的模型组合，用户不必被付费订阅绑定（Ollama/OpenRouter 免费模型/OpenAI 兼容端点都行，ollama:eval、openai:eval、or:* 等 npm script 可直接调用，见 package.json）。

伦理、免责与使用前提

career-ops 是一个本地开源工具，不是托管服务。README 的 Disclaimer 明确四点：① 你的数据（CV、联系方式）只留在本机，仅发送给你选定的 AI 提供商（Anthropic/OpenAI 等），项目方不收集、不存储、无法访问；② 默认提示词禁止 AI 自动提交，但 AI 可能不可预测——提交前务必复核所有 AI 生成内容；③ 使用者须遵守所交互门户（Greenhouse、Lever、Workday、LinkedIn 等）的服务条款，禁止用它骚扰雇主或压垮 ATS；④ 评估只是建议而非真相，作者不对求职结果、被拒、账号限制等承担任何责任。法律全文在 LEGAL_DISCLAIMER.md，代码以 MIT 许可发布（LICENSE），"career-ops"名称另受 TRADEMARK.md 品牌政策约束（社区使用宽松、商业产品命名与背书需保留）。

由此也回到本文开篇的核心判断：career-ops 最大的工程价值不在"自动投了多少份简历"，而在于它演示了如何在一个完全由 LLM 驱动的流水线里，用结构化的评分语义、排他性数据来源、评分中性信号与永不代行的人类最终决定权，构建一个既高效又诚实可信的求职系统。想要深入其中任何一条机制的读者，直接沿本文给出的 modes/oferta.md、modes/_shared.md、config/profile.example.yml 与 docs/ARCHITECTURE.md 路径继续阅读源码即可。