傳統求職方式低效且被動：你提交簡歷，公司用 AI 篩選你。Career-Ops 反轉了這個過程：你用 AI 來評估公司。這個開源工具由一位求職者創建，他用它評估了 740+ 個職位，最終成功獲得了 Head of Applied AI 角色。本文詳細講解如何使用 Career-Ops。
什麼是 Career-Ops？
核心概念
傳統求職：
隨處發送簡歷 → 等待公司回應 → 被動篩選 → 低成功率
Career-Ops：
自動發現職位 → AI 評估匹配度 → 優先級排序 → 主動出擊
特點：
✓ 智能匹配（基於你的背景和目標）
✓ 批量評估（同時評估數百個職位）
✓ 自動應聘（可選）
✓ 面試準備（自動生成 STAR 故事）
✓ 簡歷優化（為每個職位定製）
✓ 隱私優先（完全本地運行）
數據
創始人 Santiago 的真實數據：
- 評估職位數：740+
- 成功獲聘：是（Head of Applied AI）
- 公司包括：Anthropic, OpenAI, Retool, n8n 等
- 平均評估時間：每個職位 30-60 秒
- 節省時間：~400 小時（與傳統方式比較）
Career-Ops 的核心功能
1. 智能職位篩選
傳統方式：
看職位標題 → 是否感興趣？ → 申請或跳過
Career-Ops：
職位描述 → AI 評估 10 個維度 → 打分 → 優先級排序
評估維度：
┌─ 角色適配度（Role Fit）
├─ 公司規模（Company Size）
├─ 薪資範圍（Compensation）
├─ 地點/遠程（Location/Remote）
├─ 成長機會（Growth Opportunity）
├─ 工作環境（Work Environment）
├─ 技術棧（Tech Stack）
├─ 領導風格（Leadership Style）
├─ 公司文化（Company Culture）
└─ 個人興趣匹配（Personal Interest Match）
最終分數：A-F 等級
2. 自動簡歷優化
傳統方式：
一份通用簡歷 → 投給所有公司 → ATS 篩選失敗
Career-Ops：
職位描述 → 提取關鍵詞 → 為該職位定製簡歷
├─ 調整措辭
├─ 高亮相關經驗
├─ 優化 ATS 關鍵詞
├─ 生成 PDF（ATS 友好格式）
└─ 存儲版本歷史
結果：ATS 通過率提升 3-5 倍
3. 職位源自動發現
預配置的 45+ 公司和 19 個職位板：
科技巨頭：
- Google, Apple, Meta, Amazon, Microsoft
- OpenAI, Anthropic, xAI
- Stripe, Notion, Figma
初創獨角獸：
- Retool, n8n, Loom, Airtable
- Wellfound (YC 職位)
職位板：
- LinkedIn
- AngelList (Wellfound)
- 45 個公司的官網職位頁面
4. 批量評估和 A-F 打分
自動評估流程：
職位發現 →
↓
提取職位信息 →
↓
AI 評估（基於你的背景）→
↓
分配 A-F 等級 →
↓
自動計算匹配度百分比 →
↓
優先級隊列
結果示例：
A 級：80-100% （強烈推薦）
B 級：60-79% （值得關注）
C 級：40-59% （可能有趣）
D 級：20-39% （備選）
F 級：<20% （不推薦）
5. 面試準備
Career-Ops 自動從所有評估中收集 STAR 故事：
STAR = Situation, Task, Action, Result
系統會跟踪你在評估中提到的：
✓ 克服的技術挑戰
✓ 領導力案例
✓ 創新舉例
✓ 失敗和學習
✓ 影響指標
面試時自動提示相關故事
6. 人類在環（Human-in-the-loop）
重要特性：
❌ 不自動提交申請
✅ AI 推薦
✅ 你決定
每一步都有人工檢查點：
職位發現 → [你確認要評估]
↓
AI 評估完成 → [你查看評分]
↓
簡歷生成 → [你審核後提交]
↓
應聘決定 → [由你控制]
安裝和設置
前置要求
軟件：
- Node.js 18+
- Python 3.9+
- Git
- Claude API 密鑰（Anthropic）
硬件：
- 任何現代電腦
- 500MB 磁盤空間
- 網絡連接（用於職位抓取）
時間投入：
- 首次設置：30 分鐘
- 添加經歷信息：1-2 小時
安裝步驟
1# 1. 克隆倉庫
2git clone https://github.com/santifer/career-ops.git
3cd career-ops
4
5# 2. 安裝 Node.js 依賴
6npm install
7
8# 3. 安裝 Python 依賴（用於數據處理）
9python3 -m venv venv
10source venv/bin/activate
11pip install -r requirements.txt
12
13# 4. 配置環境變數
14cp .env.example .env
15
16# 編輯 .env 文件
17cat > .env << 'EOF'
18ANTHROPIC_API_KEY=your_claude_api_key_here
19EOF
20
21# 5. 驗證安裝
22npm run test
23
24# 6. 啟動應用
25npm start
配置文件
Career-Ops 使用 YAML 配置文件：
1# config/profile.yml
2# 你的背景信息
3
4personal:
5 name: "張三"
6 email: "zhangsan@example.com"
7 phone: "+86 1234567890"
8 location: "北京"
9
10background:
11 current_title: "高級軟體工程師"
12 current_company: "某科技公司"
13 years_experience: 7
14
15 education:
16 - degree: "計算機科學學士"
17 school: "清華大學"
18 year: 2019
19
20 skills:
21 - Python (Expert)
22 - JavaScript (Expert)
23 - AWS (Intermediate)
24 - React (Expert)
25 - Machine Learning (Intermediate)
26
27 languages:
28 - Chinese (Native)
29 - English (Fluent)
30
31career_goals:
32 target_titles:
33 - "AI Engineer"
34 - "Machine Learning Engineer"
35 - "Applied AI Engineer"
36
37 desired_companies:
38 - "Anthropic"
39 - "OpenAI"
40 - "Google DeepMind"
41
42 salary_expectation: "300k-500k USD"
43
44 remote_preference: "fully_remote"
45
46 values:
47 - Impact
48 - Learning
49 - Autonomy
50
51preferences:
52 company_size: "any" # startup, scale-up, enterprise, any
53 industry: "AI" # tech, fintech, healthcare, etc.
54
55 # 不感興趣的方面
56 deal_breakers:
57 - "Frequent on-site requirements"
58 - "Micromanagement culture"
CV/簡歷配置
1# config/resume_template.yml
2# 你的簡歷基礎信息
3
4contact:
5 email: zhangsan@example.com
6 phone: +86 1234567890
7 linkedin: linkedin.com/in/zhangsan
8 github: github.com/zhangsan
9
10summary: |
11 7 年軟體工程經驗，專注於 AI 和機器學習。
12 領導過 10+ 個項目，在數據處理和模型優化方面有深度專業知識。
13
14experience:
15 - title: "高級軟體工程師"
16 company: "某科技公司"
17 duration: "2021-現在"
18 achievements:
19 - "設計並實現機器學習管道，將推理速度提升 5 倍"
20 - "領導 5 人團隊，成功交付 3 個核心項目"
21 - "優化數據處理流程，節省成本 40%"
22
23 - title: "軟體工程師"
24 company: "另一家公司"
25 duration: "2019-2021"
26 achievements:
27 - "開發 Python 後端系統，支持 100 萬日活用戶"
28 - "實現自動化測試，測試覆蓋率達 85%"
29
30education:
31 - degree: "計算機科學學士"
32 institution: "清華大學"
33 year: 2019
34 gpa: 3.8/4.0
35
36certifications:
37 - "AWS Solutions Architect Associate"
38 - "Google Cloud Associate Cloud Engineer"
39
40projects:
41 - title: "開源 ML 框架"
42 description: "2000+ stars on GitHub"
43 link: "github.com/zhangsan/..."
使用工作流
步驟 1：發現職位
1# 運行職位發現爬蟲
2npm run discover
3
4# 輸出：
5# ✓ Searching Anthropic careers... found 5 positions
6# ✓ Searching OpenAI jobs... found 8 positions
7# ✓ Searching Retool careers... found 3 positions
8# ...
9# Total found: 127 new positions
Career-Ops 會自動檢查預配置的 45+ 公司和 19 個職位板。
步驟 2：評估職位
1# 評估所有新發現的職位
2npm run evaluate
3
4# 對話式評估（如果 AI 有疑問）
5# AI: "你對這個職位的地點要求是？"
6# 你: "完全遠程優先"
7
8# 進度條：
9# Evaluating positions... [████████████░░░░░░░░] 60%
每個職位會被評估為 A-F 等級。
步驟 3：查看儀表板
1# 啟動 Web 儀表板
2npm run dashboard
3
4# 在瀏覽器打開 http://localhost:3000
儀表板顯示：
┌─────────────────────────────────────────────┐
│ Career-Ops Dashboard │
├─────────────────────────────────────────────┤
│ 總職位數：247 │
│ 已評估：127 │
│ A 級（85%+）：12 個 ⭐⭐⭐ │
│ B 級（60-85%）：31 個 ⭐⭐ │
│ C 級（40-60%）：45 個 ⭐ │
│ D-F 級：39 個 │
├─────────────────────────────────────────────┤
│ 按公司篩選： │
│ ☑ Anthropic (5) ☑ OpenAI (8) ☑ Google (3) │
│ ☑ Stripe (2) ☑ Retool (3) ... │
└─────────────────────────────────────────────┘
步驟 4：優化簡歷
1# 為 A 級職位生成優化的簡歷
2npm run generate-resumes --grade A
3
4# 輸出：
5# ✓ Anthropic - AI Safety Research - resume.pdf
6# ✓ OpenAI - Applied AI Engineer - resume.pdf
7# ✓ Google DeepMind - ML Engineer - resume.pdf
8# ...
9# Generated 12 customized resumes
每份簡歷會：
- 調整措辭以匹配職位描述
- 突出相關經驗
- 優化 ATS 關鍵詞
- 使用 ATS 友好的格式
- 自動添加 LinkedIn/GitHub 鏈接
步驟 5：準備應聘和面試
1# 查看針對特定職位的建議
2npm run prepare Anthropic "AI Safety Research"
3
4# 輸出：
5# 職位匹配分析：
6# ─────────────────
7# 期望技能：
8# ☑ Python - 你有 Expert
9# ☑ Machine Learning - 你有 Intermediate
10# ☐ TensorFlow - 你缺少 this
11# ☑ Research - 你有相關經驗
12
13# 推薦的 STAR 故事：
14# 1. "時我領導實現 ML 管道優化..." (Story ID: 42)
15# 2. "當我負責開源項目..." (Story ID: 15)
16
17# 預期薪資：
18# 職位: $300k - $450k base
19# 你的目標: $300k - $500k
20# 匹配度: ✓ Good
21
22# 文化適配：
23# 注重：研究、創新、自主
24# 你的背景：✓ 對應所有價值觀
進階功能
1. 批量應聘（可選）
1# config/application_settings.yml
2auto_apply:
3 enabled: false # 默認禁用，保護隱私
4 # 如果啟用，設置規則：
5 apply_rules:
6 - condition: "grade == A"
7 action: "apply_immediately"
8 - condition: "grade == B AND remote == true"
9 action: "apply_immediately"
10 - condition: "grade <= C"
11 action: "manual_review_required"
2. 薪資談判分析
1npm run salary-analysis
2
3# 輸出職位的薪資範圍和數據
4# Anthropic AI Safety Researcher:
5# - Base: $300k - $400k
6# - Stock: $500k - $1M (4 years)
7# - Bonus: 10-20%
8# - Your target: $350k-$500k ✓ Aligned
3. 面試故事庫
1# 查看面試故事
2npm run stories
3
4# 交互式搜索：
5# > find stories about "leadership"
6#
7# Story 1: Led 5-person team...
8# Story 2: Mentored 3 junior engineers...
9# Story 3: Made difficult decision to refactor...
10
11# 編輯故事
12npm run edit-story 42
4. 對標分析
1npm run benchmark
2
3# 比較你和職位要求的對標：
4#
5# 技能對標：
6# Python: 你 Expert vs 要求 Expert ✓
7# ML: 你 Intermediate vs 要求 Advanced ⚠
8# AWS: 你 Beginner vs 要求 Intermediate ✗
9#
10# 經驗對標：
11# 總經驗：你 7 年 vs 要求 5-8 年 ✓
12# 領導經驗：你 有 vs 要求 有 ✓
13# 初創經驗：你 無 vs 要求 優先 ⚠
14
15# 建議：
16# - 強化 AWS 技能（3 個職位要求）
17# - 突出領導經驗（最有說服力）
最佳實踐
1. 信息的完整性
你提供的信息越詳細，AI 評估越準確：
✅ 好：
"7 年軟體工程經驗，3 年領導，在 ML 和數據工程方面深厚"
❌ 不好：
"軟體工程師"
✅ 好：
skills:
- Python (7 years, Expert)
- Machine Learning (3 years, Advanced)
- AWS (2 years, Intermediate)
❌ 不好：
skills:
- Python
- ML
2. 定期更新設置
1# 每週更新一次偏好
2npm run update-profile
3
4# 添加新的項目或成就
5npm run add-achievement "Led migration to microservices..."
6
7# 更新薪資期望
8npm run update-salary "350k-550k"
9
10# 系統會根據新信息重新評估所有職位
3. 優先級管理
1# 關注 A 級職位
2npm run filter --grade A
3
4# 優先應聘 A 級且遠程的職位
5npm run filter --grade A --remote true
6
7# 按公司優先級排序
8npm run sort-by company_preference
4. 跟踪應聘
1# 記錄應聘信息
2npm run track-application
3
4# 交互式添加：
5# 公司：Anthropic
6# 職位：AI Safety Researcher
7# 申請日期：2024-01-15
8# 狀態：Applied
9# 備註：強烈感興趣
統計和分析
查看進度
1npm run stats
2
3# 輸出：
4# ════════════════════════════════════════
5# Career-Ops Statistics
6# ════════════════════════════════════════
7#
8# Opportunities Discovered: 247
9# Evaluated: 127 (51%)
10# Applications Sent: 18
11#
12# Grade Distribution:
13# A: 12 (9.4%)
14# B: 31 (24.4%)
15# C: 45 (35.4%)
16# D: 28 (22.0%)
17# F: 11 (8.7%)
18#
19# Top Companies:
20# 1. Anthropic (5 positions)
21# 2. OpenAI (8 positions)
22# 3. Google (6 positions)
23# 4. Stripe (4 positions)
24# 5. Retool (3 positions)
25#
26# Application Status:
27# Applied: 18
28# In Progress: 3
29# Interviews Scheduled: 2
30# Offers: 0
31# Rejected: 5
32#
33# Weeks Active: 4
34# Avg Applications per Week: 4.5
35# Current Success Rate: 11.1% (2/18)
數據隱私和安全
本地優先架構
Career-Ops 的隱私設計：
✓ 所有數據存儲本地（~/.career-ops/）
✓ 簡歷存儲加密
✓ API 密鑰不會被記錄
✓ 不追蹤用戶行為
✓ 不與第三方共享數據
✓ 開源代碼，可自主審計
只有必要的網絡請求：
- Claude API（職位評估）
- 職位頁面抓取（公司頁面、LinkedIn 等）
安全最佳實踐
1# 1. 保護你的 API 密鑰
2# 不要提交 .env 文件到 Git
3echo ".env" >> .gitignore
4
5# 2. 定期備份
6cp -r ~/.career-ops ~/backups/career-ops-$(date +%Y%m%d)
7
8# 3. 審計日誌
9cat ~/.career-ops/logs/access.log
10
11# 4. 安全刪除敏感數據
12npm run delete-old-resumes --older-than 90days
與其他工具集成
連接到 LinkedIn
1# 可選：自動導入 LinkedIn 信息
2python scripts/import_linkedin.py
3
4# 需要：
5# - LinkedIn 個人資料 URL
6# - 瀏覽器自動化（Playwright）
導出到 Notion/Google Sheets
1# 導出職位列表
2npm run export --format csv
3
4# 導出簡歷跟踪
5npm run export-applications --format sheets
6
7# 結果：applications.csv（可導入 Excel/Sheets）
性能指標（基於創始人數據）
Santiago 的實際結果：
評估前：
- 投遞 100+ 職位
- 成功率 5-10%
- 時間投入：40+ 小時
使用 Career-Ops：
- 評估 740+ 職位
- 只申請優質職位（A/B 級）
- 成功率：22%（18/82）
- 時間投入：~40 小時（自動化節省時間）
- 最終成功：Head of Applied AI 角色 @Anthropic
關鍵洞察：
✓ 質量 > 數量（專注 A/B 級職位）
✓ 個性化簡歷提升 3-5 倍通過率
✓ AI 評估減少無謂申請
✓ 面試準備更充分
總結
Career-Ops 改變了求職方式：
傳統求職缺陷： ❌ 廣撒網，低成功率 ❌ 簡歷通用，ATS 篩選率低 ❌ 被動等待 ❌ 信息不對稱
Career-Ops 優勢： ✅ AI 智能評估，專注優質機會 ✅ 自動優化簡歷，ATS 友好 ✅ 主動出擊，數據驅動 ✅ 充分準備，面試有針對性
使用 Career-Ops 的你：
- 評估 100+ 職位（而不是盲目投遞）
- 成功率提升 2-3 倍
- 節省 30-50% 的時間
- 找到更適合的職位
- 更有信心談判薪資
立即開始：
1git clone https://github.com/santifer/career-ops.git
2cd career-ops
3npm install
4npm start
祝你求職成功！🚀
