career-ops 乌克兰语指南：如何在 AI 编程 CLI 中构建开源智能求职中心

career-ops 是一款开源、本地运行的人工智能求职系统，可将 Claude Code、Codex、Gemini CLI、OpenCode 等任意 AI 编程 CLI 转变为功能完整的求职指挥中心。本文基于仓库根目录下的 README.ua.md（乌克兰语项目说明）系统展开：先介绍核心定位与工作方式，再按"快速启动 → 命令模式 → 评估流程 → 门户扫描 → 个人资料/配置 → TUI 仪表盘 → 项目结构 → 技术栈 → 使用注意事项"逐步深入，并结合仓库中的模式文件、架构文档与真实配置模板进行源码级佐证。读完后，您将了解如何初始化该工具、用一条命令或一个 URL 评估工作并生成 ATS 版 PDF，以及如何在本地掌控求职数据。

这是什么：面向求职者的"过滤层"，而非群发工具

career-ops 是一种自主体（agentic）求职工作流，它通过一套模式文件指挥任意 AI 编码 CLI 工作。它的定位不是"自动投递"，而是把几百份职位描述压缩为少数真正值得投入时间的机会。作者本人用它评估了 740+ 份职位、生成 100+ 份定制简历，并最终获得了一份 Head of Applied AI 职位；在作者给出的说法中，career-ops 是一套"帮助候选人在 AI 时代用 AI 反向挑选公司"的系统。

用一句话概括它的工作方式：Claude Code 借助 Playwright 浏览招聘官网页面，结合你的简历与职位描述做语义评估（而非简单关键词匹配），并为每份职位量身定制简历。所有处理都运行在你自己选择的 AI CLI 与本地机器上，而不是云端服务。

⚠️ 重要定位声明：career-ops 不是批量投递/群发工具。系统的默认提示强烈建议不要申请评分低于 4.0/5 的职位；在提交任何申请前务必人工复核 AI 生成的每一处内容。

仓库中实际承载这套逻辑的"大脑"位于 modes/ 目录。正如 modes/README.md 所描述："每个模式文件定义一个工作流（评估、申请、扫描……）。Agent 读取对应模式 + 共享上下文 + 你的用户文件，然后执行它"。也就是说，README 中宣传的所有能力最终都落在这些可被 Agent 直接读取的 Markdown 指令文件中。

系统能力一览

能力	说明
自动流水线	粘贴 URL → 自动完成完整评估 + PDF + 追踪记录
多区块评估	职责描述、简历匹配度、级别策略、薪酬调研、个性化建议、面试准备（STAR+R）——外加用于识别欺诈/虚假职位的"合法性核验区块"
面试故事库	在评估过程中积累 STAR+Reflection 故事，沉淀出 5–10 个可应对任何行为面试题的主干故事
谈判脚本	薪酬谈判框架、应对地域降薪的策略、竞争性 offer 的利用方法
ATS PDF 生成	内嵌关键词的简历排版，使用 Space Grotesk + DM Sans 字体
门户扫描器	45+ 家预配置公司（Anthropic、OpenAI、ElevenLabs、Retool、n8n 等）+ 通过 Ashby / Greenhouse / Lever / Wellfound 的自定义查询
批处理	通过 claude -p 工作进程并行评估多个职位
TUI 仪表盘	用于浏览、筛选、排序求职漏斗的终端界面
人在回路（Human-in-the-Loop）	AI 只负责评估与推荐，投递动作由你决定并执行，系统从不替你提交申请
流水线完整性	自动合并、去重、状态归一化、健康检查

快速启动：从零到第一份评估

方式一：一条命令（推荐）

npx @santifer/career-ops init

npx 随 Node.js 一并提供：它只执行一次安装器、不进行全局安装。该命令会克隆最新 release 到 ./career-ops 并安装依赖。随后进入目录，在项目目录内打开任意 AI 编程 CLI：

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

仓库对 Node 版本有硬性要求：package.json 中声明 "engines": { "node": ">=18" }，且安装脚本（postinstall）会自动执行 npx playwright install chromium --with-deps——也就是说用于渲染 PDF 的无头 Chromium 通常在安装依赖时就会就位。

首次启动时，career-ops 会以"对话"方式引导你完成配置：填写简历、个人资料、目标职位与薪酬期望，并用预配置公司初始化扫描器，全程无需手工编辑任何文件。该交互式引导对应的模式是 modes/interview.md（"交互式个人资料与 CV 引导"）。

方式二：手动 git clone（可选）

git clone https://github.com/career-ops-hq/career-ops.git
cd career-ops && npm install
npx playwright install chromium   # 仅在需要 PDF 生成时
claude

💡 安装器要求本机具备 node 与 git；若你已经在使用 Claude Code / Gemini / Codex 等 CLI，说明 Node 环境通常已具备。若使用 Gemini CLI 集成则需要 Node.js 20+（见 docs/SETUP.md）。

验证安装

node cv-sync-check.mjs      # 检查配置一致性
node verify-pipeline.mjs     # 检查流水线完整性

关于数据目录（Data Root）与隐私边界

modes/_shared.md 明确规定了个人数据存放位置的分辨规则：默认以仓库根目录为 Data Root，但可用 CAREER_OPS_ROOT / CAREER_OPS_DATA_DIR 环境变量，或根目录下 .career-ops-data 标记文件覆盖。cv.md、config/profile.yml、modes/_profile.md、data/、reports/ 等均为用户层（User Layer）文件，默认被 git 忽略、受 updater 更新器保护不被改写。也就是说：简历与申请记录始终留在你自己掌控的位置，这也呼应了 README 中"本地工具，而非云服务"的承诺。

使用方式：一条斜杠命令 + 多种模式

career-ops 的操作入口是一组 slash 命令（在支持 slash 命令的 CLI 中），或直接在提示中说出模式名（在 Codex 等不支持 slash 的 CLI 中，见 docs/SETUP.md）：

/career-ops                → 显示所有可用命令
/career-ops {粘贴 JD}      → 完整自动流水线（评估 + PDF + 追踪）
/career-ops scan           → 扫描门户寻找新职位
/career-ops pdf            → 生成 ATS 优化版简历
/career-ops batch          → 批量评估多个职位
/career-ops tracker        → 查看申请状态
/career-ops apply          → 用 AI 填写申请表
/career-ops pipeline       → 处理待处理 URL 收件箱
/career-ops contacto       → 生成 LinkedIn 外联消息
/career-ops deep           → 深度调研某家公司
/career-ops training       → 评估课程/认证的价值
/career-ops project        → 评估作品集项目

或者，直接粘贴职位 URL / JD 文本：career-ops 会自动识别并触发完整流水线（modes/auto-pipeline.md）。

每条命令背后对应 modes/ 中的一个具体模式文件（模式目录见 modes/README.md 的完整对照表），例如：

Slash 命令	模式文件	作用
/career-ops {JD}	modes/auto-pipeline.md	完整自动流水线
/career-ops scan	modes/scan.md	门户扫描
/career-ops pdf	modes/pdf.md	ATS PDF 生成
/career-ops batch	modes/batch.md	无头工作进程批处理
/career-ops tracker	modes/tracker.md	申请追踪总览
/career-ops email	modes/email.md	申请邮件草稿（仅草稿）
/career-ops interview-prep	modes/interview-prep.md	面向特定公司的面试情报
/career-ops outcome	modes/outcome.md	记录申请结果并归档

在 Codex 中使用一次性工作进程/批任务时，官方推荐 codex exec 风格调用（见 docs/CODEX.md）：

codex exec "Evaluate this JD with career-ops auto-pipeline: https://company.com/jobs/123"
codex exec "Run career-ops scan mode in this repo."

工作原理：从粘贴 JD 到报告、PDF 与追踪记录

README 给出了最简流程示意：

你粘贴职位 URL 或描述
        │
        ▼
┌──────────────────┐
│  构型识别          │  分类：LLMOps / Agentic / PM / SA / FDE / Transformation
└────────┬─────────┘
         │
┌────────▼─────────┐
│  A-H 评估         │  匹配度、差距、薪酬调研、STAR 故事
│  (读取 cv.md)     │
└────────┬─────────┘
         │
    ┌────┼────┐
    ▼    ▼    ▼
 报告    PDF  追踪
 .md   .pdf   .tsv

结合仓库源码，我们可以把这套流程还原得更具体。依据 docs/ARCHITECTURE.md 与 modes/oferta.md，单份职位的完整评估链路为：

1. 输入：用户粘贴 JD 文本或 URL；
2. 活性门控（Liveness gate）：URL 输入必须先确认职位仍在线——404/过期页面绝不进入 Block A（避免对幽灵职位空跑完整评估与 PDF）；
3. 黑名单门控（Blacklist gate）：若 data/blacklist.md 存在且命中公司，则停止并回显你自己的决策，等你就"仍要评估吗？"给出明确答复后才继续；
4. 构型识别：将职位归类为六类构型之一（LLMOps / Agentic / PM / SA / FDE / Transformation）——它决定 Block B 优先引用哪些成就、Block E 如何改写摘要、Block F 准备哪些 STAR 故事；
5. 多区块评估：A 职位摘要 → B 简历匹配（逐条需求 × 重要性 × 匹配证据/差距）→ C 级别策略 → D 薪酬调研 → E 简历个性化方案 → F 面试准备（STAR 故事）→ G 职位合法性核验；
6. 打分：围绕 5 个维度得出 1–5 的综合分；
7. 输出：报告 reports/{编号}-{公司}-{日期}.md + ATS PDF + 追踪记录。

评分系统：5 个维度合成 1–5 综合分

依据 modes/_shared.md，评估会对以下维度打分并最终给出综合全局判断（注意：不是算术公式，而是整合五维的整体判断）：

维度	衡量内容
简历匹配度	技能、经验、成就与 JD 的对齐程度
North Star 契合度	与 _profile.md 中目标构型的契合程度
薪酬	与市场的对比（5 = 前 25%，1 = 远低于市场）
文化信号	公司文化、增长、稳定性、远程政策
红旗	阻碍因素/警告（负向调整）
综合分	整合上述五维的整体判断

分数解读与行动建议：

• 4.5+ → 强匹配，建议立即投递；
• 4.0–4.4 → 好匹配，值得投递；
• 3.5–3.9 → 尚可但非理想，仅在确有理由时投递；
• 低于 3.5 → 建议不要投递。

README 中的投递红线为 4.0/5，这与 _shared.md 的"4.0 投递/不投递分界线"相互印证；而报告结构的 A–H 区块布局与逐区块细节则定义在 modes/oferta.md。

Block G：职位合法性核验（不计入分数）

Block G 用于判断"这是真实、仍在招的职位吗"？它是独立的定性评估，不影响 1–5 综合分，分三档：

• High Confidence（高置信）——真实、活跃的职位（多数信号为正）；
• Proceed with Caution（谨慎推进）——信号混杂、值得留意；
• Suspicious（可疑）——多项幽灵职位特征，应先人工调查。

关键信号包括：发布时长（<30 天为好，30–60 天一般，60 天以上需警惕）、"Apply"按钮是否可用、JD 技术细节是否具体等。这套机制直接回应了 README 中"Block G 可识别诈骗与虚假职位"的能力承诺。

批量处理：无头 worker 并行评估

当待评估职位多于一个时，可使用批量模式。依据 docs/ARCHITECTURE.md：

batch-input.tsv    →  batch-runner.sh  →  N × headless CLI workers
(id, url, source)      (编排器)              (自包含 prompt)
                            │
                     batch-state.tsv
                     (记录进度)

每个 worker 是一个无头 AI CLI 实例：当前打包的 batch/batch-runner.sh 仅运行 claude -p 类型 worker（各 CLI 的完整 headless 映射见根目录 AGENTS.md）。每个 worker 产出报告 .md、PDF 与一条追踪 TSV 记录，编排器负责并行度、状态、重试与断点续跑。评估成本控制方面，可在 config/profile.yml 设置 spend_tier（economy / standard / premium），并配合 pipeline.triage_threshold（默认 3.5）先做轻量预筛，把昂贵的完整评估只留给通过初筛的职位（见 config/profile.example.yml 注释）。

门户扫描器：45+ 预配置公司 + 职位板

扫描器自带 45+ 家预配置公司与 19 组职位板搜索查询。使用方法：将 templates/portals.example.yml 复制为 portals.yml，再加入你自己的公司。README 中给出的分组示例包括：

• AI 实验室：Anthropic、OpenAI、Mistral、Cohere、LangChain、Pinecone
• 语音 AI：ElevenLabs、PolyAI、Parloa、Hume AI、Deepgram、Vapi、Bland AI
• AI 平台：Retool、Airtable、Vercel、Temporal、Glean、Arize AI
• 联络中心：Ada、LivePerson、Sierra、Decagon、Talkdesk、Genesys
• 企业级：Salesforce、Twilio、Gong、Dialpad
• LLMOps：Langfuse、Weights & Biases、Lindy、Cognigy、Speechmatics
• 自动化：n8n、Zapier、Make.com
• 欧洲公司：Factorial、Attio、Tinybird、Clarity AI、Travelperk
• 职位板：Ashby、Greenhouse、Lever、Wellfound、Workable、RemoteFront

在实际仓库中，这些公司的抓取适配器都实现为 providers/ 目录下的 .mjs 模块（如 greenhouse、ashby、lever 等 ATS 抓取器，以及大量其它职位源），并配套了系统性的 tests/providers/ 单测。

从配置模板看，扫描器内部采用四层发现策略（见 templates/portals.example.yml 顶部注释）：

0. 本地解析器——针对 SSR/静态招聘页的每公司 parser: 脚本（零 token 开销）；
1. Playwright——实时渲染各公司 careers_url（实时、可靠）；
2. HTTP JSON（WebFetch）——针对 tracked_companies 的每公司 api: 接口；
3. WebSearch + site: 过滤——广度发现（可能稍旧）。

关键自定义要点（模板原话，务必遵守）：

• 每个 tracked_companies 条目必须提供 careers_url；优先使用品牌官方招聘页，仅在无品牌页时才用 ATS 托管 URL——直接使用 ATS 原始 URL 可能引发假 410（职位 ID 不匹配）；
• 编辑 title_filter.positive 为你自己的目标职位关键词；
• 在 tracked_companies 增删公司；为偏好职位板调整 search_queries；
• 不关注的公司设 enabled: false。

此外模板还提供可选的 location_filter（按地点过滤职位，遵循 always_allow > block 的匹配优先级）、scan_history.recheck_after_days（让历史去重 URL 在 N 天后重新可检）以及 scan_history.dedup_include_location（把城市纳入去重比较，适用于工作授权受地点限制的场景）。对应地，仓库提供了 validate-portals.mjs 与 verify-portals.mjs 等校验脚本。

个人资料与关键配置：config/profile.example.yml

个人资料是所有模式共享的"唯一事实来源"。完整模板位于 config/profile.example.yml，核心区块包括：

• candidate：姓名、邮箱、电话、所在地、LinkedIn / 作品集 / GitHub、可选照片（注：美英等多数市场的 ATS 会因简历带照片扣分，因此默认无照片版式，仅 DACH/欧洲市场建议开启）；
• target_roles：primary 目标职位 + 带 fit（primary/secondary/adjacent）与 level 的构型列表——构型直接驱动评估系统的匹配打分；
• narrative：一句话 headline、你的"exit story"、3–5 个核心优势、带影响指标的项目案例；
• compensation：目标总包区间、货币、最低可接受线、地点灵活性；
• location：国家/城市/时区、authorized_in（已获工作授权的地区清单，驱动 Block A 的工作授权核验）、needs_sponsorship；
• spend_tier：economy / standard（缺省默认）/ premium——决定评估所用模型档位。依据 modes/_shared.md 的映射表，以 Claude Code 为例：economy → Haiku 4.5、standard → Sonnet 5、premium → Opus 5，扩展思考分别 off / off / adaptive；其它 CLI 使用"该 CLI 最便宜/均衡/最强模型"的抽象表述，保持模型无关性。

另有若干对流水线行为影响显著的开关：

• cv.output_format：html（默认）/ latex / text；cv.template 可选择 templates/ 中的命名模板（如 modern、zh-minimal），并可用 cv.sections 调整区块顺序；
• auto_pdf_score_threshold（默认 3.0）：仅当职位评分 ≥ 阈值时才自动渲染定制 PDF——单份 PDF 渲染耗时约 30–60 秒，此门槛避免把算力浪费在扫描中大量 2.x/3.x 分、永远走不到投递的职位上；
• pipeline.triage_threshold / triage_min_urls（默认 3.5 / 5）：批量管道先用轻量初筛把不合格职位过滤掉，对混合批次可削减约一半总 token 消耗；
• culture_screen：定义你在团队文化上主动寻找的标准，并支持结构性封顶（无证据时维度封 2/5 或默认 3/5）；
• 其它可选模块还包括 followup_cadence（跟进节奏）、cover_letter（求职信设置）、contact_preferences（联系偏好）、re_apply_windows（已投递公司的冷却窗口）等。

TUI 仪表盘：可视化浏览求职漏斗

内置终端仪表盘可让你直观查看整个流水线状态：

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

仪表盘功能包括：6 个筛选标签页、4 种排序模式、分组/平铺视图、懒加载报告预览、行内状态修改。从源码看（dashboard/README.md），该 TUI 是一个与 Node 核心解耦的可选独立组件：

• 技术栈为 Go + Bubble Tea + Lipgloss（主题：Catppuccin Mocha 深色 / Latte 浅色，可依据终端背景自动切换），需要 Go 1.24+（见 dashboard/go.mod）；
• 数据加载器兼容 {path}/applications.md 与 {path}/data/applications.md 两种布局，因此无论追踪文件放在仓库根还是 Data Root 下的 data/ 都能读取；
• 入口为 dashboard/main.go（Bubble Tea 顶层模型与视图），内部结构分为 internal/data/（解析 applications.md、推导汇总指标）、internal/theme/（主题）与 internal/ui/screens/（流水线列表、报告查看器、进度屏）。

项目结构导读

README 给出的目录骨架与实际仓库一致，核心路径如下（括号内为实际仓库中的对应文件）：

career-ops/
├── CLAUDE.md                    # Agent 指令（薄封装，指向 AGENTS.md）
├── cv.md                        # 你的简历（位于 Data Root，自建）
├── config/
│   └── profile.example.yml      # 个人资料模板（→ 复制为 profile.yml）
├── modes/                       # 模式文件 = 系统"大脑"
│   ├── _shared.md               # 共享上下文：评分体系、事实来源边界
│   ├── oferta.md                # 单职位完整评估
│   ├── pdf.md / scan.md / batch.md
│   └── ...                      # 更多模式（见 modes/README.md 目录表）
├── templates/
│   ├── cv-template.html         # ATS 优化简历模板（另有 multiple 命名模板）
│   ├── portals.example.yml      # 扫描器配置模板
│   └── states.yml               # 规范状态值
├── batch/
│   ├── batch-prompt.md          # 自包含 worker prompt
│   └── batch-runner.sh          # 编排脚本
├── dashboard/                   # Go TUI（可选）
├── data/                        # 追踪数据（gitignored 用户层）
├── reports/                     # 评估报告（gitignored 用户层）
├── fonts/                       # Space Grotesk + DM Sans
├── docs/                        # 配置/定制/架构等文档
├── providers/                   # 门户抓取适配器（.mjs）
└── tests/                       # Node 测试套件

语言说明：modes/ 还包含 ar/ da/ de/ es/ fr/ hi/ id/ it/ ja/ ko/ nl/ pl/ pt/ ru/ tr/ ua/ zh/ zh-TW/ 等市场子目录，是核心模式的母语翻译版并带本地化用语。输出语言的选取规则为：用户显式请求，或 config/profile.yml 中的 language.output / language.modes_dir 优先于按 JD 语言自动检测（见 modes/README.md 的 Conventions 节）。此外，整个项目根部的 README.*.md 多语言族（含本文所述的 README.ua.md）本身就是这套多语言能力的例证。

技术栈

• Agent 层：Claude Code 及任意遵循 agent-skill 标准的 CLI——自定义技能与模式；
• PDF 渲染：Playwright 驱动无头 Chromium + HTML 模板（HTML 模板见 templates/cv-template.html，另有 LaTeX 版本 templates/cv-template.tex 供 /career-ops latex 使用）；
• 扫描器：Playwright + Greenhouse API + WebSearch；
• 仪表盘：Go + Bubble Tea + Lipgloss（Catppuccin Mocha 主题）；
• 数据：Markdown 表格 + YAML 配置 + TSV 批文件；
• 运行时要求：package.json 声明 Node.js ≥ 18；PDF 依赖无头 Chromium；仪表盘需要 Go 1.24+。

流水线完整性：让数据永远可信

README 提到"单一事实来源 + 完整性校验"。依据 docs/ARCHITECTURE.md，支撑这套保证的脚本包括：

脚本	作用
merge-tracker.mjs	将 batch 目录中的 TSV 新增合并进 applications.md 主追踪文件
verify-pipeline.mjs	健康检查：状态、重复项、链接
dedup-tracker.mjs	按 公司+职位 删除重复记录
normalize-statuses.mjs	将状态别名映射为 templates/states.yml 中的规范值
cv-sync-check.mjs	校验安装配置一致性

配套的还有成体系的自动化测试——仓库 tests/ 目录包含数百个 .mjs 测试（如 merge-tracker*.test.mjs、scan-dedup*.test.mjs、outcome.test.mjs 等），可通过根目录 test-all.mjs 运行，覆盖上述大部分核心行为，为流水线的数据一致性提供回归保障。

免责声明与伦理边界

career-ops 是本地开源工具，不是云服务。 使用即代表你确认以下条款（详见 LEGAL_DISCLAIMER.md）：

1. 数据由你掌控：简历、联系方式与个人数据只停留在你的电脑上，仅直接发送给你选择的 AI 提供商（Anthropic、OpenAI 等）。项目方不收集、不存储、不访问你的任何数据；
2. AI 由你掌控：默认提示词要求 AI 不得自动提交申请，但 AI 模型行为可能不可预测。若你自行改动提示词或使用其它模型，风险自担。提交前请务必人工核对所有 AI 生成内容；
3. 遵守第三方服务条款：必须按所交互招聘门户（Greenhouse、Lever、Workday、LinkedIn 等）的条款使用本工具，不得用它向雇主群发或压垮 ATS 系统；
4. 不提供任何担保：评分只是建议而非真理。AI 模型可能虚构技能或经历。作者不对求职结果、拒信、账号限制或其它后果承担责任。

从源码与模式文件看，"人在回路"是一个被反复强化的硬约束：modes/oferta.md 中的黑名单门控要求"明确等待你的答复"；auto-pipeline 与 apply 只做草稿与表单引导而永不代提交；modes/README.md 中 email / apply 的定位也都注明"draft-only / never submits"。一句话：AI 负责筛选与建议，最终决策权始终在你手中。

进一步深入可继续阅读：docs/SETUP.md（完整安装指南）、docs/ARCHITECTURE.md（运行期流程）、docs/CODEX.md（Codex 专项指南）、modes/_shared.md（评分与事实来源规则）以及 modes/oferta.md（评估区块的逐条定义）。