career-ops 德语版速览解读：如何把 AI 编程 CLI 变成你的求职评估与追踪指挥中心

career-ops 德语版速览解读：如何把 AI 编程 CLI 变成你的求职评估与追踪指挥中心

【免费下载链接】career-opsOpen-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

career-ops（即本仓库 README.de.md 所介绍的 careerops）是一套开源、与具体 CLI 无关的 AI 求职自动化系统：它在你的 AI 编程 CLI（Claude Code、Codex、OpenCode、Gemini/Antigravity 等）内运行，将职位发布评测为结构化的 A–H 报告并给出 1–5 综合评分，按职位量身生成 ATS 优化的 PDF 简历、自动扫描招聘门户并统一追踪全部投递。读完本文，你将掌握它的安装路径、命令路由、A–H 评估与评分原理、门户扫描配置方法，以及为什么它被明确设计为"过滤器"而不是"海投工具"。

本文以仓库根目录下的 README.de.md 为骨架展开，并用仓库内源码、配置模板与脚本（如 AGENTS.md、modes/oferta.md、modes/_shared.md、config/profile.example.yml、templates/portals.example.yml、package.json）逐条印证，让每个结论都有仓库证据可查。

这是什么？定位与核心理念

README.de.md 开篇就把 career-ops 定义为一个概念："让任何 AI 编码 CLI 变成求职控制中心（Kommandozentrale）"。具体而言它承担四项工作：

• 对职位发布做结构化 A–H 评测：五个维度评估后汇总为一个 1–5 的综合分（详见 modes/_shared.md 的 Scoring System 章节，报板块结构 A–H 见 modes/oferta.md）；
• 生成量身定制的 PDF：针对每个职位优化、符合 ATS 的简历；
• 自动扫描招聘门户：包括 Greenhouse、Ashby、Lever 等 ATS 与企业官网；
• 批量处理：可用多个 sub-agent 并行评测 10+ 个职位；
• 单一事实源追踪：所有投递统一记录，并附带完整性校验。

文档中最醒目的一个警告需要先说清楚：这不是 Spray-and-Pray（海投）工具。career-ops 是一个过滤器——它帮你从成百上千条职位里筛出少数值得你花时间的岗位。README.de.md 明确建议：对综合分低于 4.0/5 的岗位不要投递。AGENTS.md 的 Ethical Use 章节把这一点写成了对 AI Agent 的硬性约束："Never submit an application without the user reviewing it first"、"Strongly discourage low-fit applications. Below 4.0/5, explicitly recommend against applying"。

另一个关键设计是"agentisch（智能体化）"：你选择的 AI 编码 CLI 通过 Playwright 导航职业页面，用真正的推理（reasoning）而不是关键词匹配来评估简历与职位的契合度，并为每个职位单独调整简历。

文档给出的"使用预期"提示同样值得重视：最初的几份评估不会完美。系统还不了解你——请提供简历、经历、Proof Points、偏好、优势与 No-Go（绝不接受的条件）。它把这份"上下文喂给系统"比作 onboarding 一位新招聘官：第一周它在了解你，之后才开始变得有价值。在 AGENTS.md 的 Onboarding 流程（Step 1–6）中，这正是聊天式首启引导要完成的事。

作者在 README.de.md 中自称"用该系统评测过 740+ 条职位、生成过 100+ 份个性化简历、并最终获得 Head of Applied AI 的职位"。这些数字属于作者自述（也出现在 AGENTS.md 的 Origin 一节），可当作可信使用案例参考，而非可复现的性能基准。

功能总览

README.de.md 用一张表概括了全部主要能力，这里完整继承并补充实现依据：

快速开始：从零到第一条评测

方式一：一行命令（推荐）

npx @santifer/career-ops init

npx随 Node.js 一并提供，它只运行一次安装器、不全局安装。如果你已经在用 Claude Code、Gemini 或 Codex，那么大概率已装好 Node.js。该命令会把最新版本克隆到./career-ops并安装依赖。之后：

cd career-ops claude # 或 gemini / codex / qwen / opencode / agy / grok —— 在这里打开你的 AI CLI

第一次启动时，career-ops 会通过聊天引导你完成初始化：简历（cv.md）、个人资料（config/profile.yml）与目标角色——不需要手动编辑任何东西。从源码角度印证：会话第一件事是冷启动检查，AGENTS.md 要求 Agent 运行node doctor.mjs --json读取onboardingNeeded/missing字段，再按 Step 0–6 逐项引导（Step 0 免费层检查、Step 1 简历、Step 2 个人资料含spend_tier、Step 3 门户、Step 4 创建 tracker 文件、Step 5 深度了解候选人、Step 6 就绪提示），因此"聊天引导"是刻在系统层指令里的固定行为，而非偶然话术。

方式二：手动 git clone 安装

git clone <career-ops 官方仓库地址> cd career-ops && npm install npx playwright install chromium # 仅 PDF 生成需要 # 2. 检查安装前提 npm run doctor # 校验全部前置条件 # 3. 配置 cp config/profile.example.yml config/profile.yml # 填入你的数据 cp templates/portals.example.yml portals.yml # 调整目标公司 # 4. 添加简历 # 在项目根目录创建 cv.md，用 Markdown 写你的简历 # 5. 在此目录打开 AI CLI claude # 或 codex / opencode / gemini / qwen / agy / grok

注意npm install之后的postinstall钩子会调用npx playwright install chromium --with-deps（见 package.json 的 scripts），所以一般无需手动装 Chromium，上面的步骤仅为单独安装场景给出。完整安装文档见 docs/SETUP.md。

README.de.md 反复强调系统本身即设计为可由 AI CLI 自行定制：模式（modes）、Archetypen（职位原型）、评分权重、谈判脚本——直接开口要求即可，因为 CLI 读取的就是它自己使用的同一批文件，自然知道该改哪里。需要更省钱的用法（自己的模型或本地模型）可参考 docs/RUNNING_ON_A_BUDGET.md。

关键配置文件速览

安装后你将面对两类需要理解的文件。第一类是用户层个人化文件（Data Contract 中永不被系统自动改写，见 AGENTS.md）：cv.md（简历唯一事实源）、config/profile.example.yml（复制为config/profile.yml）、modes/_profile.md、modes/_custom.md、article-digest.md、portals.yml。第二类是系统层文件（可被update-system.mjs自动更新恢复，勿写入个人数据）。

config/profile.example.yml 里有几个会直接影响评估结果的字段，值得提前理解：

• spend_tier: standard—— 用哪个档次的模型做评测。取值economy（最快最省，适合大量扫描）/standard（默认，性价比均衡）/premium（最强模型，适合关键岗位）。缺省即standard。三档产出完全相同的 A–H 报告格式（见 modes/_shared.md 的模型映射表与"Output parity"规则）；
• target_roles.archetypes—— 你的目标原型（Archetype），评估系统据此打分契合度，与 modes/_shared.md 中的 6 类 Archetype 检测对应；
• location.authorized_in/needs_sponsorship—— 驱动 modes/oferta.md Block A 的 Work-Authorization 检查：JD 明确写明不赞助、且岗位不在你已获授权的国家时，会被判为 hard blocker；
• compensation与culture_screen—— 分别进入 Block C 的薪酬可信度判断与"Cultural signals"维度的结构化封顶（若 JD 证据与require冲突，该维度最高封 2/5，且不得被高 CV 匹配分"悄悄补平"，见 modes/_shared.md）；
• auto_pdf_score_threshold（默认 3.0）与pipeline.triage_threshold（默认 3.5）—— 控制"评测完自动出 PDF"与"先 triage 粗筛再全量评测"的成本闸门；
• language.output与language.modes_dir—— 前者决定所有面向人的输出语言，后者决定市场词表与评估规则（例如设置modes_dir: modes/de可引入 DACH 概念），二者可任意组合。

使用方式：命令路由与模式

career-ops 使用统一的命令路由器（Command Router）。在支持 slash 命令注册的 CLI 中形如：

/career-ops → 显示全部可用命令 /career-ops {粘贴 JD} → 完整 Auto-Pipeline（评测 + PDF + Tracker） /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（粘贴 JD 或 /career-ops cover {slug}） /career-ops batch → 批量评测多个职位 /career-ops tracker → 查看投递状态 /career-ops apply → 用 AI 填写申请表单 /career-ops pipeline → 处理待处理的 URL /career-ops contacto → LinkedIn 外联消息 /career-ops deep → 深度公司调研 /career-ops training → 评测课程/证书 /career-ops project → 评测作品集项目

或者：直接把职位 URL 或职位描述粘贴进对话——career-ops 会自动识别并启动整条 pipeline（AGENTS.md 称之为auto-pipeline）。在 Codex 中 slash 命令并无保证，此时应改用同一批模式名作为普通提示词，或经codex exec调用（AGENTS.md 给出了 headless 例子：codex exec "Run career-ops scan mode"等）。

其余模式按需求映射，均可在 modes/ 下找到同名指令文件：ats（简历 ATS 可解析性检查）、latex/latex-tex（Overleaf/自维护 .tex 简历路径）、triage（轻量首轮过滤）、ofertas（多个 offer 对比）、offer-prep（收到 offer/合同后的条款解读，不做价值判断、不联网）、interview-prep、intake（从已有文档导入信息，非确认不写盘）、followup（跟进节奏）、reply-watch（把收到的回复归类到对应投递）等。以/career-ops作为前缀调用是惯用法，Codex 下则以自然语言唤起同名模式。

工作原理：一次评测的完整链路

README.de.md 给出了端到端流程图（此处完整保留其语义并做源码级展开）：

你粘贴职位 URL 或职位描述 | v Archetyp-Erkennung（原型识别） | v A–H 评测（读取 cv.md） | +-- Report（Markdown 报告） +-- PDF（量身定制简历） +-- Tracker（投递记录条目）

在 modes/oferta.md 中这条链路被进一步细化，把"评测前闸门"与"评测后产物"讲得很清楚：

1. Liveness 闸门（仅 URL 输入）：进入 Block A 之前必须先确认职位仍然有效。做法是用 Playwright 导航（browser_navigate+browser_snapshot）读取页面；若页面只剩 footer/navbar 而无 JD，或出现 404/过期提示，视为已关闭职位，直接停止并告知用户，绝不产出评测/报告/PDF。这是文档与代码共同强调的硬规则（AGENTS.md 的 "Offer Verification -- MANDATORY" 一节要求一律用 Playwright，禁止只靠 WebSearch/WebFetch 判断职位存活）。
2. Blacklist 闸门：若存在data/blacklist.md（用户自愿维护、绝不自动写入的"不投递公司"名单），先做大小写与标点不敏感的公司名匹配；命中则停下询问用户，得到明确答复后才继续。
3. Block A–F 六块评测：从"角色摘要 + 文化筛查 + 地域错配检查 + 工作授权检查"，到把 JD 每条重要要求与cv.md等主文件逐条映射的匹配表。其中 Block B 采用两遍法：第一遍只读 JD 填要求与重要性，第二遍才读cv.md填匹配证据——重要性不允许在第二遍被修正，从而避免模型"因为某项匹配强就把它标成重要"的锚定偏差。
4. Block G（合法性审查）：独立于 1–5 分，判断职位是否真实、活跃，输出三档（High Confidence / Proceed with Caution / Suspicious）。Ghost-job 信号按可靠性加权，例如：发布页存在时间、Apply 按钮是否可点击、JD 技术细节量、重复发布模式（同职位 90 天内重发 2+ 次，来自scan-history.tsv）等。它不影响综合分，但会写进报告头部（**Legitimacy:** {tier}，见 AGENTS.md 的 Pipeline Integrity 规则）。
5. 产物：Markdown 报告写入 reports/（{###}-{company-slug}-{YYYY-MM-DD}.md），JD 原文必须逐字归档在报告内或jds/捕获文件中（AGENTS.md 称其为强制性要求 #2789，由check-jd-archive.mjs校验），Tracker 追加行经merge-tracker.mjs合并入data/applications.md。

1–5 综合分到底怎么来

README.de.md 说评分"五维合一"，但没有展开。依据 modes/_shared.md 的 Scoring System：

分数解读：

• 4.5+ → 强匹配，建议立即投递
• 4.0–4.4 → 良好匹配，值得投递
• 3.5–3.9 → 可以但非理想，仅在你有具体理由时投递
• 低于 3.5 → 建议不投递（与 AGENTS.md Ethical Use 的 <4.0 建议一致，README.de 取 4.0 作为投递下限）

需要强调两个"不进入分数"的独立性设计（见 modes/_shared.md）：Block G 的合法性判断与 Block B 中要求的重要性列都不改变1–5 综合分，从而保证"4.0 投/不投"这条线在analyze-patterns.mjs、stats.mjs、funnel-velocity.mjs回溯历史报告时含义稳定。文化信号维度还受到culture_screen配置的结构化封顶约束，以避免"技术匹配强就无视文化风险"。

门户扫描：45+ 预配置公司与 19 条搜索

README.de.md 的预配置公司按生态分类（复制templates/portals.example.yml到根目录portals.yml后即可在其上添加自定义来源）：

• AI Labs：Anthropic、OpenAI、Mistral、Cohere、LangChain、Pinecone
• Voice AI：ElevenLabs、PolyAI、Parloa、Hume AI、Deepgram、Vapi、Bland AI
• AI Platforms：Retool、Airtable、Vercel、Temporal、Glean、Arize AI
• Contact Center：Ada、LivePerson、Sierra、Decagon、Talkdesk、Genesys
• Enterprise：Salesforce、Twilio、Gong、Dialpad
• LLMOps：Langfuse、Weights & Biases、Lindy、Cognigy、Speechmatics
• Automation：n8n、Zapier、Make.com
• European：Factorial、Attio、Tinybird、Clarity AI、Travelperk

扫描覆盖的职位聚合平台由多个 provider 模块承载：这些模块覆盖 ATS API、board 级 feed、XML/RSS feed、Markdown feed 与本地解析器。README.de.md 原文称"21 个 Provider-Module"，与仓库 providers/ 目录中大量 provider 实现一致（Greenhouse、Ashby、Lever、Workday、iCIMS 等格式均可识别）。完整列表见 docs/SUPPORTED_JOB_BOARDS.md。

scan.mjs（别名为npm run scan）默认信任 ATS feed 的返回。但有些公司会公开放着已关闭的历史职位，为避免把过期职位扫进pipeline.md，README.de.md 推荐加--verify：

node scan.mjs --verify # 零 token 发现 + Playwright 存活检查

从源码看这一行等价于"先用零 LLM 成本的 API 抓取候选，再用 Playwright 的 liveness 检查（check-liveness.mjs / liveness-core.mjs）剔除过期职位"，即把docs/中 liveness 逻辑与扫描器接线。

此外值得德语读者留意的是：针对德国公共部门门户 Interamt.de（npm run scan:interamt），通过真实浏览器会话搜索联邦/州/市级公务员岗位，关键词可在portals.yml的interamt_searches中配置。这是仓库中少有的、针对单一德语门户的专用扫描器，对 DACH 市场求职者非常实用。

portals.yml的配置思路在 templates/portals.example.yml 中有清晰注释：每个tracked_companies条目必须有careers_url，优先使用品牌官网职业页（如https://openai.com/careers）而非 ATS 托管 URL（如job-boards.greenhouse.io/openai），因为裸 ATS URL 可能因 job ID 不一致造成假 410；同时支持title_filter/location_filter做关键词与地点过滤，enabled: false关闭不关心的公司，scan_history.recheck_after_days控制去重后何时允许同一 URL 重新进入候选，dedup_include_location: true决定同名不同城市的职位是否算两条。

单一事实源：Tracker、状态与 Pipeline 完整性

README.de.md 强调"everything tracked in a single source of truth with integrity checks"（所有事项在单一事实源中追踪并带完整性检查）。在仓库里这对应：

• Tracker 文件data/applications.md：Markdown 表格，列为# | Date | Company | Role | Score | Status | PDF | Report | Notes（首次运行由 AI 创建，模板见 AGENTS.md Step 4）。
• 状态枚举：templates/states.yml是唯一事实源，共 8 个规范化状态——Evaluated（已评测待决定）、Applied（已投递）、Responded（公司已回复）、Interview（面试中）、Offer（已收 offer）、Hired（接受 offer，终态成功）、Rejected（被拒）、Discarded（主动放弃或职位关闭），另有SKIP（不匹配不投递）。
• 规范化写入路径：AGENTS.md 明确规定不得手改applications.md去"新增行"——批量新增应写 TSV 到batch/tracker-additions/再交给node merge-tracker.mjs合并；已有行的状态/备注更新应走node set-status.mjs <report#|company> <State> [--note]（带锁、校验、原子写）。健康检查命令：npm run verify（verify-pipeline）、npm run normalize、npm run dedup。

merge-tracker.mjs的 TSV 合并约定同样值得了解（详见 AGENTS.md）：每个文件一个标题行 + 一行数据，标题行存在时按列名解析、列顺序无关紧要；没有标题行的旧格式则按 9 个位置字段num date company role status score pdf report notes解析，此时分数单元格靠内容识别（looksLikeScoreCell）。URL 字段在去重时拥有最高优先级（去参、小写 host、去锚点与尾斜杠后精确比较），URL 明确不一致即视为两条不同记录。

ATS 优化 PDF：HTML 模板 + Playwright 管道

PDF 生成路径与 README.de.md 的 Tech Stack 一致：Playwright/Puppeteer + HTML 模板。仓库在 templates/ 下提供多种简历模板：默认cv-template.html，另有cv-template.modern.html、cv-template.executive.html、cv-template.compact.html、cv-template.jake.html、cv-template.leadership.html以及 LaTeX 版cv-template.tex和中文字体版cv-template.cjk.tex；配套的sections/目录存放简历分节片段。字体方面仓库自带 Space Grotesk 与 DM Sans 的 woff2（fonts/）。生成入口是 generate-pdf.mjs，通过 modes/pdf.md 使用。

求职信走同一条 HTML + Playwright 管道（generate-cover-letter.mjs 与 templates/cover-letter-template.html），可复用简历的排版引擎并输出 A4 PDF。README.de.md 功能表中提到简历"ATS-优化 + 关键词注入（keyword injection）"，即根据 JD 关键词重排/改写措辞——依据 AGENTS.md 的一条硬规则："Keywords get reformulated, never fabricated（关键词可以改写重组，但绝不虚构）"，若某条主张没有主文件支撑，宁可省略也不编造。

Dashboard TUI：Go 终端仪表盘

除命令行交互外，仓库还带一个独立的 Go 终端仪表盘（技术栈 Go + Bubble Tea + Lipgloss，Catppuccin-Mocha 主题），用于可视浏览整条 pipeline。README.de.md 给出的构建与运行方式：

cd dashboard go build -o career-dashboard . ./career-dashboard --path ..

源码入口在 dashboard/main.go，模块分internal/model（数据模型）、internal/ui（界面）、internal/theme（主题）、internal/i18n（国际化）。README.de.md 声称其功能包括 6 个过滤 Tab、4 种排序模式、分组/扁平两种视图、懒加载预览与行内状态修改——这与 dashboard 目录结构及 Go 模块布局相互印证。

批量处理与资源预算

批量评测是 README.de.md 的卖点之一（"10+ 职位并行 sub-agent 评测"）。命令路由中的/career-ops batch对应 modes/batch.md，编排脚本在 batch/batch-runner.sh。无头 worker 按 CLI 区分：Claude Code 用claude -p "prompt"，OpenCode 用opencode run "prompt"，Codex 用codex exec "prompt"，其余（Copilot、Qwen、Antigravity、Grok）同理（映射表见 AGENTS.md 的 Headless / Batch Mode）。

并行评估有一个必须遵守的防竞态约定：先保留报告号段再派发。AGENTS.md 明确要求并行 worker 不得自己计算max+1（这会导致报告号冲突），而应先用node reserve-report-num.mjs --count N保留区间（如042-049），每个 worker 使用各自号码，结束后node reserve-report-num.mjs --release 042-049释放。批量结束后运行node merge-tracker.mjs合并 tracker 新增，避免重复行。

在成本控制上，README.de.md 指向 docs/RUNNING_ON_A_BUDGET.md：system 与 CLI 无关，可用免费或本地模型跑——例如通过免费 OpenRouter 模型、Ollama 或任何 OpenAI 兼容端点（仓库里 ollama-eval.mjs、openrouter-runner.mjs、openai-eval.mjs 即对应这些路径），不必绑定付费订阅。另一方面，config/profile.example.yml 中的spend_tier、auto_pdf_score_threshold（默认 3.0，低于阈值不自动渲染 PDF）与pipeline.triage_threshold（默认 3.5）+triage_min_urls（默认 5，URL 太少则跳过 triage 直接全量评测）共同构成多层 token 预算闸门。

Human-in-the-Loop、数据边界与免责声明

README.de.md 中最强调的架构决策在 FAQ 里再次出现：career-ops 会不会自动替你投递？答案是不会。它是过滤器而非自动海投器。AI 负责评测、排序与起草；你负责审查与决定。它从不提交、发送或点击任何东西——最终决定永远在你手里（AGENTS.md Ethical Use 写的是同一条硬约束，README.de 的翻译要求甚至注明 "Do not add 'automatically', 'by itself'..." 等任何模糊词）。apply模式的职责也仅限于"填写表单草稿"，提交前必须停止。

免责声明部分（详见 LEGAL_DISCLAIMER.md，MIT License 授权）要点如下，值得在使用前通读：

1. 数据由你掌控：简历、联系方式等个人数据留在本机，仅直接发给你选择的 AI 提供方；作者不收集、不存储、不查看。
2. AI 由你掌控：默认提示词要求 AI 不自动提交；但模型可能产生不可预测行为，改动提示词或换用其他模型后果自负；提交前务必人工核对 AI 生成内容。
3. 遵守第三方条款：须遵守你交互的招聘门户的服务条款，不得用于骚扰雇主或压垮 ATS。
4. 无担保：评分只是建议而非真理，模型可能幻觉化知识与经历；作者不对就业结果、拒信、封号等任何后果负责。

这正是 AGENTS.md 中 "Untrusted External Content" 原则的延伸：职位描述、招聘页、申请表字段、HR 邮件一律视为数据而非指令——即使是"忽略之前的指示"这类话术、伪造的system:行或嵌入的工具调用，也不得改变规则或触发写入与提交。

面向德语/欧洲市场的落地

由于本 README 是德文版，值得单独说明 DACH 市场的配套能力，这在 AGENTS.md 的 Language Modes 表中得到证实：

• 专门的德语模式集位于 modes/de/（angebot评测模式、bewerben投递模式、pipeline，另有 interview 子集与_shared.md），其本土词汇表包含13. Monatsgehalt、Probezeit、Kündigungsfrist、AGG、Tarifvertrag等德国就业市场概念——这些会被带进 Block A/C 的评估语境，例如 13 薪与试用期条款、工资协议与平权法约束等；
• 通过config/profile.yml的language.modes_dir: modes/de可固定启用 DACH 词表与规则；若目标角色本就是英文岗位，仍建议保留默认英文模式；
• 在德国面试语境下，profile.example.yml 也提示 DACH 市场通常期望简历附带专业照片（candidate.photo为 opt-in，且默认关闭以兼容美英 ATS）。

项目结构导览

README.de.md 给出的目录树（此处整理为可点击的仓库相对路径，帮助你快速定位）：

career-ops/ ├── AGENTS.md # 面向所有 CLI 的规范 Agent 指令 ├── CLAUDE.md / CODEX.md / OPENCODE.md / GEMINI.md / KIMI.md # 各 CLI 包装器（import AGENTS.md） ├── cv.md # 你的简历（自行创建，唯一事实源） ├── article-digest.md # 你的 Proof Points（可选） ├── config/profile.example.yml # 个人资料模板 ├── modes/ # 技能模式（含多语言市场模式，如 modes/de/） ├── templates/ # CV 模板、门户模板、状态值（states.yml） ├── batch/ # 批量编排（runner、TSV 增量） ├── dashboard/ # Go TUI ├── data/ # 追踪数据（gitignored） ├── reports/ # 评测报告（gitignored） ├── output/ # 生成的 PDF（gitignored） ├── fonts/ # Space Grotesk + DM Sans ├── docs/ # 安装、定制、预算、架构等文档 ├── examples/ # 示例 CV、报告、Proof Points └── providers/ # 45+ 门户的抓取/解析 provider 模块

常见问题（FAQ）要点

README.de.md 的 FAQ 节选了最具决策价值的问题，这里总结为可直接引用的结论：

career-ops 是什么？开源、CLI 无关的求职指挥中心：评测职位、产出 ATS 优化 PDF、定位联系人、统一追踪，最终决定权始终在你。它是 CareerOps Manifesto（MANIFESTO.md）的首个参考实现。

能否免费或用便宜的/本地模型？可以。它不绑定单一模型商，可在免费 OpenRouter 模型、Ollama 或任何 OpenAI 兼容端点运行；具体省钱配置见 docs/RUNNING_ON_A_BUDGET.md。

兼容哪些 AI CLI？凡是支持开放 Agent Skill 标准的编码 CLI 都能跑：Claude Code、Codex、Gemini/Antigravity、OpenCode、Grok、Qwen、GitHub Copilot、Kimi 等。直接用你已有的 CLI 即可。

Windows 怎么装？支持 Windows；若安装时 Skills 因符号链接报错而无法加载，docs/FAQ.md 有现成解决方案；完整步骤在 docs/SETUP.md。

会不会自动替我投递？永远不会。这是整个 Human-in-the-Loop 设计的全部意义。

是否免费开源？代码以 MIT 许可开源（LICENSE），对求职者永久免费。"career-ops"名称与商标受 TRADEMARK.md 政策约束：对社区使用开放、对商业产品名与背书保留。

本文介绍的每一条能力都能在上述仓库文件中找到对应实现；若要继续深入，建议按顺序阅读 docs/SETUP.md（安装）、docs/ARCHITECTURE.md（架构）、modes/oferta.md（评测模式细节）与 AGENTS.md（Agent 行为与 Data Contract），即可从"会用"进阶到"能按自己的目标深度定制"。

【免费下载链接】career-opsOpen-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