AI智能体驱动的求职自动化系统：从简历优化到智能投递全流程解析

1. 项目概述：一个AI驱动的求职自动化中枢

如果你正在找工作，或者考虑换工作，大概率经历过这样的场景：每天在LinkedIn、Indeed、Glassdoor等十几个招聘网站上反复刷新，看到感兴趣的职位，先要花半小时研究岗位描述，再花一小时根据JD（职位描述）修改简历，然后填写冗长的申请表格，最后还得手动记下申请了哪家公司、什么职位、申请日期，生怕错过后续的跟进。整个过程繁琐、重复，且极其消耗精力。更头疼的是，当你投了上百份简历后，收到回复的寥寥无几，你甚至不知道问题出在哪里——是简历不够匹配，还是投递的时机不对，或是岗位本身就不靠谱？

JobForge 正是为了解决这些痛点而生的。它不是一个简单的简历生成器，也不是一个广撒网的“海投”机器人。相反，它是一个构建在OpenCode平台之上的、由AI智能体（Agents）驱动的完整求职自动化管道。你可以把它理解为你私人的、24小时在线的求职策略师兼执行助理。它的核心目标不是帮你投递更多简历，而是帮你更聪明地投递，将有限的精力聚焦在那些真正匹配、成功率高、值得投入的机会上。

这个项目的核心逻辑是“质量优于数量”。它通过一套统一的、包含10个维度的加权评分系统，对每一个职位机会进行深度评估，量化其与你的匹配度。然后，基于评估结果，自动生成针对该职位优化的、能通过ATS（求职者追踪系统）筛选的简历PDF。整个过程，从你粘贴一个招聘链接开始，到生成评估报告、定制简历、并自动将申请记录到追踪器中，只需要几秒钟。它还能帮你扫描预设的招聘门户网站，自动去重，批量处理多个职位，管理后续跟进，甚至在收到拒信后进行分析，帮你找出模式、改进策略。

简单来说，JobForge 将求职从一个依赖运气和体力的手动过程，转变为一个数据驱动、AI辅助的系统性工程。接下来，我将为你深入拆解这个系统的设计思路、核心功能以及如何上手使用，分享我在配置和实际使用中踩过的坑和总结的经验。

2. 核心设计思路与架构解析

2.1 为什么是“管道（Pipeline）”而非“工具（Tool）”

很多求职工具是单点解决方案，比如简历模板网站、职位搜索聚合器。JobForge 的核心理念是构建一个端到端的自动化管道。这个设计源于一个深刻的洞察：求职不是一个孤立的事件，而是一个包含多个阶段（发现、评估、申请、面试、谈判）的连续流程。各个阶段的信息需要流动和复用。

例如，在“评估”阶段生成的岗位匹配度分析，应该直接流入“申请”阶段，用于生成定制化简历；在“申请”阶段记录的公司和职位信息，应该自动进入“追踪”阶段，用于后续的状态管理和跟进提醒；而“拒绝”阶段收集到的反馈，又应该回流到“评估”模型，帮助系统（和你）学习，在未来更好地识别不匹配的机会。

JobForge 通过一个中心化的数据层（主要是data/目录下的各种.tsv文件）和一套状态管理机制（states.yml）来实现这种信息流动。这使得整个系统成为一个有机整体，而不是一堆零散脚本的集合。这种管道化设计带来的最大好处是一致性和可追溯性。你任何时候都可以清楚地知道，某个职位为什么得了某个分数，基于哪版简历进行的申请，后续进行了哪些沟通。

2.2 智能体（Agents）与模型路由：成本与效能的平衡术

JobForge 重度依赖 AI 模型来完成评估、写作、分析等任务。但直接使用最强大的模型（如 GPT-4）处理所有任务成本极高。为此，项目设计了一套精巧的三层子智能体（Sub-agent）路由系统：

1. @general-free: 处理大量简单、模式化的任务，如信息提取、基础格式化。默认使用免费的模型路由（例如通过 OpenRouter 访问的免费模型），确保基础功能零成本运行。
2. @general-paid: 处理需要一定推理和创造力的任务，如撰写评估报告的核心部分、生成个性化的简历摘要。使用性价比高的付费模型。
3. @glm-minimal: 处理极其简单或对响应格式有严格要求的任务，可能使用更轻量、更便宜的模型。

这个架构的精妙之处在于“成本感知”。系统会根据任务的复杂度和重要性，自动分派给不同层级的智能体。例如，扫描招聘门户、去重这类任务，交给@general-free足矣；而为心仪公司生成一份关键的定制化简历，则会调用@general-paid。你还可以通过job-forge tokens命令查看详细的令牌消耗报告，真正做到开销透明。

此外，系统还集成了@razroo/opencode-model-fallback包。当某个模型因速率限制或服务器错误（5xx）失败时，它会自动在预设的备用模型链中轮换，并重试请求。这极大地提高了系统的鲁棒性，避免了因单点故障导致整个流程中断。

实操心得：模型路由配置默认配置已经足够优化。但如果你有特定的模型偏好（例如，只想用某一家供应商的模型），可以深入研究AGENTS.md文件和.opencode/agents/目录下的配置。修改时要注意，@general-free的稳定性不如付费模型，对于求职这种关键任务，建议在@general-paid上配置一个你信任的、稳定的付费 API 密钥。

2.3 与开发环境深度集成：OpenCode、Cursor、Claude Code 和 Codex

JobForge 不是一个独立的桌面应用或网页服务，而是一个深度集成到现代 AI 辅助开发环境中的项目。它原生支持OpenCode、Cursor、Claude Code和Windsurf（Codex）。这种设计带来了两个巨大优势：

第一，上下文共享。你在编辑器中打开的cv.md（你的简历）、config/profile.yml（你的个人信息）等文件，对 JobForge 的 AI 智能体是直接可见的。这意味着智能体在评估职位时，能基于你最实时、最完整的个人资料进行，无需繁琐的导入导出。

第二，可编程性和可定制性。整个系统被设计为“可以由 OpenCode 自身来定制”。这听起来有点递归，但非常强大。如果你觉得默认的“角色原型（Archetype）”分类不适合你（比如默认偏重软件工程），你可以直接对 AI 说：“帮我把角色原型改成更适合数据科学领域的分类，加入‘机器学习工程师’、‘数据科学家’、‘数据分析师’。” AI 就会帮你修改相应的配置文件（如modes/_shared.md）。这种与 AI 协作共同进化工具的能力，是传统软件无法比拟的。

项目的安装过程也体现了这种集成思想。通过npx create-job-forge创建的项目，会在node_modules中安装job-forge包，并通过postinstall钩子脚本，在项目根目录创建一系列符号链接（symlinks），指向包内的配置文件。这样，你的个人项目（cv.md,profile.yml）和共享的 harness（套件）逻辑就完美地分离开了。你只需关心个人配置，无需触碰底层复杂的智能体指令和 MCP 配置。

3. 从零开始：详细配置与实操指南

3.1 环境初始化与项目创建

首先，确保你的系统已安装Node.js（建议 LTS 版本）和npm。然后，打开你的终端（或你喜欢的 IDE 终端），执行以下命令来创建你的个人求职项目：

npx --package=job-forge create-job-forge my-job-search cd my-job-search npm install

这三行命令完成了以下工作：

1. create-job-forge: 从 npm 拉取最新的job-forge脚手架，在当前目录创建名为my-job-search的文件夹，并初始化一个基本的项目结构。
2. cd my-job-search: 进入项目目录。
3. npm install: 安装job-forge依赖包。这一步至关重要，它会触发包内的postinstall脚本（sync.mjs），该脚本会在你的项目根目录创建所有必要的符号链接，将 harness 的配置（指令、MCP 设置、技能定义）链接到你的项目中。

完成后，你的my-job-search目录看起来会像“项目结构”中描述的“你的个人项目”那样。核心的配置文件已经通过符号链接就位。

3.2 核心个人文件配置

接下来，你需要编辑几个核心的个人文件，这是 JobForge 为你工作的基础。

1. 简历文件 (cv.md):这是你的核心资料库。它不是一个简单的 PDF，而是一个 Markdown 文件。这种格式的优势在于易于编辑，且能被 AI 完美解析。你需要将你的完整简历内容粘贴到这里，包括：

• 联系信息
• 专业摘要
• 工作经历（公司、职位、时间、详细成就，尽量用量化指标，如“将系统性能提升 30%”）
• 教育背景
• 技能列表
• 项目经历
• 任何其他你认为重要的信息

注意事项：简历的“反AI检测”优化JobForge 在生成 PDF 时会应用一套“反AI检测”的写作规则。但这建立在你的原始内容cv.md是“人类化”的基础上。避免使用过于模板化、堆砌关键词的句子。多使用主动语态和具体的成果描述。AI 在帮你优化时，是在此基础上进行结构调整和关键词强化，而不是无中生有。

2. 个人资料 (config/profile.yml):这个 YAML 文件定义了你的求职目标和身份。你需要仔细填写：

# config/profile.yml 示例 identity: name: “你的姓名” email: “你的邮箱” phone: “你的电话” location: “期望工作地点（城市，国家）” linkedin: “你的LinkedIn主页URL” portfolio: “你的个人网站或作品集链接” target: # 你寻求的职位头衔，可以是一个列表 roles: - “Senior Software Engineer” - “Backend Tech Lead” # 你感兴趣的行业或领域 industries: - “SaaS” - “FinTech” # 可接受的薪资范围（用于评估和谈判） compensation: base: “150000-200000” # 年薪，货币单位根据你所在地区定 equity: “true” # 是否接受股权 # 工作偏好 preferences: remote: “hybrid” # 可选：onsite, remote, hybrid relocation: “false” # 你的技能关键词，用于匹配计算 skills: primary: - “Node.js” - “TypeScript” - “分布式系统” - “AWS” secondary: - “Python” - “Docker” - “Kubernetes”

3. 招聘门户列表 (portals.yml):这个文件告诉 JobForge 应该去哪些公司的招聘页面扫描新职位。项目预置了 40 多家科技公司的配置。你需要根据你的目标进行删减或添加。

# portals.yml 示例（片段） companies: - name: “Netflix” # 公司招聘页的URL模式 url: “https://jobs.netflix.com/search” # 用于在页面上定位职位列表的CSS选择器（通常需要一些前端知识来获取） selector: “div.job-postings-list a.job-title” # 扫描频率（可选） scan_frequency: “daily” - name: “Your Dream Startup” url: “https://www.dreamstartup.com/careers” # 如果预置选择器不工作，你可能需要手动检查页面元素并更新它 selector: “section.open-positions li a”

配置好这些文件后，基础的设置就完成了。你可以通过运行opencode命令来启动你的 OpenCode 环境（如果你使用其他编辑器如 Cursor，则运行对应的命令如cursor），系统会自动加载所有 MCP 服务器（如 Geometra 用于浏览器自动化和 PDF 生成，Gmail 用于读取邮件）。

3.3 首次运行：评估一个职位

现在，让我们进行第一次实战。找到你感兴趣的一个职位的招聘链接（例如来自 LinkedIn 或公司官网）。

在你的 OpenCode 会话中，最简单的方式就是直接粘贴这个招聘链接。JobForge 的技能路由器（skill router）会自动检测到这是一个职位 URL，并触发完整的自动化管道。

你也可以输入命令：

/job-forge https://jobs.example.com/position/123

几秒到一分钟内（取决于网络和模型响应速度），你会看到系统开始工作：

1. Archetype Detection（角色原型检测）：AI 会分析职位描述，将其归类到预定义的原型之一（如 LLMOps, Agentic, Product Manager, Software Engineer等）。这决定了后续评估的侧重点。
2. A-F Evaluation（深度评估）：系统会调用你的cv.md和profile.yml，从以下6个维度生成一份详细的评估报告：
   • A. 角色总结：提炼核心职责和要求。
   • B. 简历匹配度分析：逐条对比你的技能和经验与职位要求的匹配与差距。
   • C. 职级策略：判断该职位与你目标职级的匹配度。
   • D. 薪酬调研：基于职位地点和级别，提供市场薪酬范围参考。
   • E. 个性化要点：指出你可以重点突出的个人经历或项目。
   • F. 面试准备：基于 STAR+R（情境、任务、行动、结果、反思）方法论，建议可以讲述的故事。
3. 生成物：评估完成后，会在reports/目录下生成一个 Markdown 格式的评估报告，在项目根目录生成一个针对该职位优化的、名为CV_[职位名称]_[公司].pdf的简历 PDF，并在data/tracker.tsv文件中新增一条申请记录，包含公司、职位、申请状态（默认为“已评估”）、评分、日期等所有关键信息。

整个过程完全自动化。你现在拥有了一份量化的评估报告（知道这个职位值不值得投）、一份定制化的简历（知道怎么投）、以及一条清晰的追踪记录（知道投了什么）。

4. 核心功能模块深度使用与技巧

4.1 批量处理与门户扫描：提升求职效率

手动一个个粘贴链接效率太低。JobForge 提供了两个强大的批量功能。

批量评估 (/job-forge batch):如果你收集了一堆职位链接（可以保存在一个文本文件里，每行一个URL），可以使用批量处理命令。系统会并行启动多个评估任务（通过opencode run工作器），显著提升速度。批量处理的结果会汇总，并同样更新到追踪器中。

门户扫描 (/job-forge scan):这是真正的“火力全开”模式。运行此命令，JobForge 会按照portals.yml中的配置，自动访问每家公司的招聘页面，使用 CSS 选择器抓取最新的职位列表。关键在于它的“模糊去重（Fuzzy Dedup）”功能。招聘网站经常将同一个职位用不同的URL重新发布。系统会通过比较职位标题、地点等关键信息，识别出重复项，确保你的追踪器里不会出现重复记录。

实操心得：扫描配置调试预置的portals.yml选择器可能因为网站改版而失效。如果扫描某家公司返回空结果，你需要手动检查该公司的招聘页面。使用浏览器的开发者工具（F12），检查职位列表的HTML结构，找到包裹职位链接和标题的元素，并更新对应的selector字段。这是一个一次性的调试工作，完成后就能长期受益。

4.2 申请追踪与智能跟进系统

data/tracker.tsv文件是你的求职仪表盘。它是一个制表符分隔的表格，可以用任何文本编辑器或电子表格软件打开。每一条记录都包含丰富的信息：

• company,role: 公司和职位名称。
• url: 原始职位链接。
• status: 申请状态（评估中、已申请、已面试、已拒绝、已录用等）。
• score: 该职位的综合评分（0-100）。
• applied_date,last_contact: 关键日期。
• notes: AI 生成的评估摘要或你手动添加的备注。

状态管理由states.yml模板定义，你可以自定义状态流转的规则。

智能跟进 (/job-forge followup):这是防止申请石沉大海的关键。系统会根据预设的时间规则自动提示你：

• 申请后7天以上无回复：提示你考虑发送一封温和的询问邮件。
• 面试后1天：提示你发送感谢信。
• 通过Gmail MCP：系统可以配置为自动扫描你的收件箱，识别来自公司的邮件（面试邀请、拒信、录用通知），并建议你更新追踪器状态。

你需要手动执行跟进动作（比如发送邮件），但系统会告诉你“现在该做什么，对谁做”，让你永远不会错过最佳跟进窗口。

4.3 拒绝分析与谈判支持：将失败转化为经验

拒绝分析 (/job-forge rejection):收到拒信令人沮丧，但却是宝贵的学习机会。当你在追踪器中将某个申请的状态更新为“已拒绝”时，系统会提示你记录拒绝的阶段（简历筛、电面、终面）和原因（如“技能不匹配”、“经验不足”、“岗位取消”）。

长期积累后，你可以运行拒绝分析功能。AI 会分析所有被拒的记录，找出模式：你是否总是在某一类原型（Archetype）的职位上被拒？你的自我评分是否系统性高于招聘方的评价？这些洞察能帮助你调整求职策略，比如补充特定技能，或更客观地评估自己的匹配度。

薪酬谈判 (/job-forge negotiation):当你幸运地进入 offer 阶段，谈判是关键。此功能会帮你：

1. 结构化薪酬分析：将 offer 拆解为基础薪资、奖金、股权、福利等部分。
2. 市场对标：结合之前的薪酬调研，判断该 offer 在市场上的水平。
3. 杠杆评估：分析你当前的其他机会（通过追踪器中的状态），评估你的谈判筹码。
4. 生成谈判脚本：基于以上分析，AI 会帮你起草礼貌、专业、有说服力的谈判邮件要点或对话提纲。

记住，谈判的目的是达成双赢。这个工具提供的是数据支持和话术建议，最终的决定和沟通还需要你亲自把握。

5. 高级定制与故障排查

5.1 深度定制：让系统更懂你

JobForge 的默认配置面向广泛的软件工程角色。但它的强大之处在于可定制性。

1. 修改评估维度与权重：评估的10个维度及其权重定义在共享模式文件（通过符号链接访问，如modes/_shared.md）中。你可以让 AI 帮你调整。例如，如果你更看重公司文化而非薪酬，可以对 AI 说：“将‘公司文化匹配度’的权重从 10% 提高到 20%，相应降低‘薪酬竞争力’的权重。” AI 会指导你完成修改。

2. 创建自定义角色原型（Archetype）：如果默认的“后端工程师”、“全栈工程师”等分类不适合你，可以定义自己的原型。每个原型都有一套对应的评估侧重点和面试问题库。在modes/目录下，你可以复制一个现有的模式文件（如software-engineer.md）进行修改，或者让 AI 从头帮你创建一个新的原型（如>