企业官网建设流程全解析

AI Job Search 求职进度监控指南：三步搭建你的求职数据看板

【免费下载链接】ai-job-searchThe job search that runs on your machine. AI job application framework built on Claude Code: evaluate postings, tailor CVs, write cover letters, prep interviews. Fork it and own it.项目地址: https://gitcode.com/GitHub_Trending/ai/ai-job-search

投了 50 个岗位却记不清哪家公司回了、卡在哪一轮、简历到底行不行，这就是求职进度监控要解决的问题。AI Job Search 框架基于本地文件，把从投递到结果归档的全流程串成一条数据链路，让求职从凭感觉变成可量化的过程。

🔑 它到底解决了什么

• 没有它：申请散落在网页标签、邮件和备忘录里，超过 30 份申请后就说不清哪家给了面试；有它：每份申请都写进job_search_tracker.csv，状态（Applied / Interview / Offer / Hired / Rejected）一列看清。
• 没有它：「为什么总被拒」只能靠猜；有它：每份申请带 0-100 的匹配度评分，积累 3-4 个结果后就能对比评分和结局的关系。
• 没有它：简历、求职信、职位原文投完就丢；有它：材料自动归档到documents/applications/<公司>_<职位>/，面试前随时能翻出面试官读过的版本。

⚙️ 核心机制拆解

整条监控链路是「输入 → 处理 → 输出」三段式：输入是你日常命令产生的每条申请数据，处理层做状态归一化、漏斗统计和归档合并，输出是一个浏览器直接打开的自包含 HTML 看板。

三类数据源喂进追踪表

• 申请记录：每次/apply提交后，日期、公司、职位、渠道、状态、匹配度评分写入job_search_tracker.csv
• 结果记录：/outcome写入面试轮次、offer 或拒信，并同步归档申请材料
• 邮件信号：/gmail-sync扫描邮箱中的面试邀请、offer 等状态线索，经你逐批确认后才更新追踪表

状态归一化让统计不失真

系统把手写的任意状态映射到 6 个标准桶：Drafted、Active、Interview、Offer、Hired、Rejected/Closed。关键设计是漏斗统计按「到达的最远阶段」而非「当前状态」计算——一位后来被拒但曾进初面的候选人，仍计入漏斗的 Interview 档，避免前段转化率被系统性低估。

本地生成、零依赖的看板

/html-report从追踪表和归档目录生成单个 HTML 文件，图表是手写内联 SVG，无服务器、无网络请求，完全离线可打开，随时重跑即得最新快照。

🔬 关键能力拆解

一眼看清转化漏斗

看板核心是「投递 → 面试 → Offer → 录用」的水平漏斗图。

• 漏斗转化率：按最远到达阶段统计，拒信不会污染初面率
• 拒绝率口径：只算拒信与无回应，你主动放弃的 offer 不算失败
• 渠道效果：在线投递、内推、其他渠道各自多少条进了漏斗

典型场景：投满 10 份后发现漏斗卡在第一级，说明问题在简历而不是岗位选择。

按匹配度评分筛选高匹配职位

评分框架定义在 04-job-evaluation.md，五个维度——技术技能、经验、行为文化、位置物流、职业契合——各 0-100 分，另有资格与语言两道硬门槛先于评分生效，不达标直接否决。

• /rank批量打分：多个智能体并行拉取全部新职位并行评分，输出带诚实力缺点的排序短名单
• 否决优先：搬迁、语言等 deal-breaker 直接出局，截止日期临近的会挂紧急标记
• 用结果回校：几个申请出结果后，可用真实结局校准评分权重

静默申请自动跟进

/outcome followup扫描超过 10 天没回音的申请，起草简短得体的跟进信。

• 只用已提交材料里的说法，不编造新卖点
• 只起草不发送，每份申请最多两次
• 记录新面试轮次的同一轮，顺手给出感谢信

看板同步到 Notion 随时可看

/notion-sync把管道发布为 Notion 数据库的只读视图，一份申请一行，本地文件仍是唯一事实源，不回写任何东西，手机上也能瞄一眼进度。

🛠️ 三步上手

1. 克隆仓库：执行git clone https://gitcode.com/GitHub_Trending/ai/ai-job-search并进入目录，获得完整命令集与空追踪表
2. 录入你的档案：运行claude进入 Claude Code，输入/setup，指向 documents/ 文件夹（简历 PDF、LinkedIn 导出等）或走问答，完成后得到一套档案文件
3. 搜索并投递：运行/scrape搜职位，看中后/apply <链接>，你会看到匹配度评分加定制版简历与求职信
4. 记录结果：每次收到回音就/outcome，状态更新、材料归档，追踪表多一行
5. 生成看板：运行/html-report，浏览器打开reports/application-dashboard.html，状态卡片和漏斗图即刻呈现

📐 你能拿到哪些数据

• 申请转化率（判断该优化简历还是调整目标岗位）
• 面试通过率（定位卡在哪一轮，决定面试准备的发力点）
• 渠道效果对比（决定往哪个渠道加大投入）
• 行业分布（判断哪些行业值得继续批量投递）
• 匹配度评分与结局的关联（验证评分框架是否符合市场，反向调权重）

⚡ 进阶与避坑

试试这些进阶用法

• 试试/setup之后跑/expand：它会扫描你档案里链接的 GitHub、Kaggle 等公开来源，补上简历里没显式写出的技能
• 试试 salary_lookup.py 薪资对标：喂入你自有的薪资数据，/apply时会告诉你目标公司薪酬相对市场的水平
• 试试/upskill：分析你的档案与在追职位之间的技能差距，输出带时间估算的优先级学习计划

别踩这些坑

• 不要把档案填薄：只写职位头衔的档案产出的是通用简历，把具体项目、工具、量化成果写进去
• 不要把看板当一次性产物：/html-report是生成时刻的快照，每次/apply或/outcome之后都要重跑
• 不要跳过邮件信号的确认环节：/gmail-sync永远以批量提案形式呈现，你批准后才写入追踪表，这个人工把关习惯请保留

1. 把散落的申请变成可查询、可筛选的数据
2. 把「感觉被拒」变成漏斗上的具体指标
3. 把每份申请材料归档成面试准备的弹药库
4. 让评分框架能被真实结果持续校准

记住，决定求职效率的不是多投了几封，而是你能多快把「发生了什么」变成下一步动作。🚀

【免费下载链接】ai-job-searchThe job search that runs on your machine. AI job application framework built on Claude Code: evaluate postings, tailor CVs, write cover letters, prep interviews. Fork it and own it.项目地址: https://gitcode.com/GitHub_Trending/ai/ai-job-search