TechFin Corp -- Austin, TX

2026-09-04 21:59:53作者：廉彬冶Miranda

Open-source AI job search: scan job portals, evaluate listings into a structured A-H report with a global 1-5 score, tailor your CV, track applications — runs locally in your AI coding CLI (Claude Code, Codex, OpenCode, Antigravity…)

项目地址：https://gitcode.com/GitHub_Trending/ca/career-ops

TechFin Corp -- Austin, TX

Senior ML Engineer / ML Platform Lead 2020-2024

Designed real-time fraud detection pipeline: Kafka → feature computation → model inference → decision engine. 99.7% precision at 50ms p99
Reduced model deployment time from 2 weeks to 4 hours with CI/CD pipeline (GitHub Actions + SageMaker)


这种"架构箭头链 + 前后对比指标"的写法，正是评估管线在 B 块（CV Match）中做 JD 要求逐项映射的原料——报告里的每条 CV Match 都标注了 `cv.md: TechFin Corp` 这样的来源定位。

[resume-example.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/398edb11421475c463c1e2f254031400eec0139b/examples/resume-example.md?utm_source=gitcode_repo_files) 与 CV 版内容几乎一致，但文件头注释明确了两者的区别：在美国科技行业，"resume"（1–2 页、定向）是标准称谓，"CV" 通常指更长的学术变体；career-ops 两者都支持，选哪个取决于目标市场。该文件刻意保持单页长度，专门演示简历形态。

## sample-report.md：A–F 六段式评估报告的标准格式

[sample-report.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/398edb11421475c463c1e2f254031400eec0139b/examples/sample-report.md?utm_source=gitcode_repo_files) 展示了评估管线对一条具体岗位（Acme AI 高级 AI 工程师）的完整产出。报告头部四行是元数据：`Date`、`Archetype`、`Score`（全局 1–5 分，样例为 4.2/5）、`URL`，外加 `PDF` 字段指向本次定制 CV 的 PDF 输出路径（如 `output/cv-candidate-acme-ai-2026-04-01.pdf`）。随后是六个块，这也是各语言模式（如 [modes/apply.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/398edb11421475c463c1e2f254031400eec0139b/modes/apply.md?utm_source=gitcode_repo_files)、[batch/batch-prompt.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/398edb11421475c463c1e2f254031400eec0139b/batch/batch-prompt.md?utm_source=gitcode_repo_files)）统一约定的报告骨架：

- **A) Role Summary** —— 字段表：Archetype、Domain、Function、Seniority、Remote、Team size、TL;DR。样例将岗位判定为 "AI Platform / LLMOps Engineer"，Seniority 标注为 "Senior (IC4-IC5)"。
- **B) CV Match** —— 三列表 `JD Requirement | CV Match | Source`，把 JD 的每条要求映射到 `cv.md` 的具体条目并给出来源章节；其后的 Gaps 子表按 `Gap | Severity | Mitigation` 列出短板及弥补话术（例如把 "LLM-specific experience" 标为 Medium，用 LLM Eval Toolkit 作为直接证明）。
- **C) Level and Strategy** —— 给出 Detected level 与候选人自然级别，以及 "Sell senior" 策略：以平台所有权开场（"led 3-person team, built MLOps for 4 teams"）。
- **D) Comp and Demand** —— 薪酬区间与需求趋势数据点表，标注来源（Levels.fyi、Glassdoor 等）。
- **E) Personalization Plan** —— 四列表 `# | Section | Current | Proposed Change | Why`，逐条规划 CV 改写点，例如把 Summary 从 "Full-stack AI engineer" 改为 "AI platform engineer focused on LLM infrastructure and observability" 以匹配 JD 用词。
- **F) Interview Plan** —— STAR 表格 `# | JD Requirement | STAR Story | S | T | A | R`，每条 JD 要求对应一个 STAR 故事，并给出推荐案例题（LLM Eval Toolkit）。

报告末尾还有 `## Keywords Extracted` 块，列出抽取的岗位关键词（LLM infrastructure、model serving、observability 等），用于后续 ATS 文本匹配与定制化。写报告时照抄这份骨架，可保证与管线其他部分（如 [set-status.mjs](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/398edb11421475c463c1e2f254031400eec0139b/set-status.mjs?utm_source=gitcode_repo_files) 追踪、[outcome.mjs](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/398edb11421475c463c1e2f254031400eec0139b/outcome.mjs?utm_source=gitcode_repo_files) 结果记录）的数据约定一致。

## article-digest-example.md：评估时的紧凑证据模板

[article-digest-example.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/398edb11421475c463c1e2f254031400eec0139b/examples/article-digest-example.md?utm_source=gitcode_repo_files) 说明该文件是"评估时刻被 career-ops 读取的紧凑证明点"，即从作品集项目中提炼的弹药库。每个项目固定四个部分：

```markdown
## FraudShield -- Real-Time Fraud Detection

**Hero metrics:** 99.7% precision, 50ms p99 latency, $2M/year fraud prevented

**Architecture:** Kafka Streams ingestion → real-time feature computation (200+ features, sliding windows) → ensemble model (XGBoost + neural network) → decision engine ...

**Key decisions:**
- Chose streaming over batch to catch fraud in real-time (batch had 4-hour delay)

**Proof points:**
- Reduced false positives 60% vs previous rule-based system
- Conference talk: "Real-Time ML at Scale" (MLConf 2023)

Hero metrics 一行给最硬的数字，Architecture 一行给系统链路，Key decisions 展示技术判断力，Proof points 提供外部背书（star 数、采用方、演讲）。这个模板的价值在于：当评估管线为某个 JD 挑选 STAR 故事时（对应报告 F 块），digest 里预先结构化好的指标和决策可以直接引用，而不必现场翻代码仓库。

ats-normalization-test.md：PDF 生成的 Unicode 归一化回归夹具

ats-normalization-test.md 是 generate-pdf.mjs 文本归一化通道的回归夹具，覆盖 ATS 与旧解析器最容易出错的 7 类 Unicode 字符：

名称	码点	转换结果
Em-dash	U+2014	`Built and sold a SaaS — now...` → 换成普通连字符 `-`
En-dash	U+2013	`2020–2024` → `2020-2024`
弯双引号	U+201C / U+201D	转为直引号 `"`
弯单引号	U+2018 / U+2019	转为直引号 `'`
省略号	U+2026	转为 `...`
零宽空格	U+200B	直接移除
不换行空格	U+00A0	转为普通空格

文档同时强调边界：归一化器不修写作风格，风格问题由 modes/_shared.md 的规则约束，那些空话（"spearheaded a strategic initiative"、"crafted robust, scalable solutions" 等）本就不该进入生成的 CV 文本。

文档给出的验证方法可以原样执行：

# 从项目根目录，修改 generate-pdf.mjs 之后：
node --check generate-pdf.mjs

# 端到端测试：用一份"脏" HTML 生成 CV PDF 并检查输出
node generate-pdf.mjs /tmp/dirty-cv.html /tmp/clean-cv.pdf --format=a4
# 期望日志行：
# 🧹 ATS normalization: N replacements (em-dash=X, smart-double-quote=Y, ...)

如果你修改了归一化逻辑，跑通这条日志即说明所有问题码点都被正确替换。

dual-track-engineer-instructor：双原型配置完整范例

dual-track-engineer-instructor/ 解决的是单原型配置无法覆盖的混合型职业：候选人同时在两条赛道上有真实战绩（示例为高级 AI 工程师 + 高级技术讲师，同样适用于 backend+SRE、ML+research、IC+manager 等组合）。它的四个要点是：

在 profile.yml 的 archetypes: 中配置两个 fit: primary 条目，而不是一个；
写 cv.md 时让两边的量化成果都前置，互不稀释；
设置两套薪酬区间——工程与教学薪资常差 20–40%，评估器需要知道哪套区间适用于当前 offer；
评估时刻针对桌上的具体 JD 决定以哪条赛道开场。

该范例的启用门槛也很明确：必须两条赛道都有 3 年内的可量化近期成果、两边都能真实接受 offer、且两边职级大致相当；若一边只是业余爱好级、或职级错配、或薪资底线只能选一边，则应退回单轨模式。它还给出了面试异议应对模板（"你既教书为什么投工程岗？"）和两类失败模式的缓解表（教学岗被判 overqualified / 工程岗被判 underqualified）。

其 profile.yml 是配置层面的关键证据。在 config/profile.example.yml 的标准 schema（target_roles.primary 定义 North Star 角色、archetypes 帮助评估系统打分、compensation.target_range 定义目标总薪酬）基础上，双轨范例做了两处扩展：

target_roles:
  archetypes:
    - name: "Senior AI Engineer"
      level: "Senior/Staff"
      fit: "primary"        # 两个 primary，而非一个
      track: "engineering"
      sell_when: "JD emphasizes shipping production AI, agent infra, LangChain/LangGraph, eval systems..."
    - name: "Senior Technical Instructor (AI/ML)"
      fit: "primary"
      track: "teaching"
      sell_when: "JD emphasizes curriculum, cohort delivery, bootcamp/university lectureship..."

compensation:
  target_range: "EUR 95K-130K"   # 默认区间 = 工程区间（通常更高）
  alternate_ranges:               # 非标准字段，双轨模式需要它
    - track: "teaching"
      target_range: "EUR 70K-95K"
      minimum: "EUR 60K"
    - track: "hybrid"
      target_range: "EUR 90K-120K"