GitHub推荐：3 个月 57K★：把求职变成 Open Agent Skill Standard 的开源范本

GitHub: https://github.com/santifer/career-ops

一句话总结

career-ops 是一个用 8+ AI coding CLI 当”求职指挥中心”的本地优先开源项目——把 6-Block 评估流 + A-F 透明评分 + Markdown 即 prompt 资产组合成 “Open Agent Skill Standard” 的 reference implementation,挑战 SaaS “mass auto-spam” 求职赛道的根本哲学。

值得关注的理由

产品化范本而非代码深度:57K★ 在 3 个月内集中爆发(6 commits/天,WIRED + Business Insider + Product Hunt 媒体矩阵齐发),作者亲口说”用这套工具拿下 Head of Applied AI 职位”再开源,是”自下而上 builder-in-public” 的最佳实践。
“Open Agent Skill Standard” 的工程级实现:20+ 个 modes/*.md prompt 资产被 Claude Code / OpenCode / Codex / Gemini / Qwen / Kimi / Grok / Copilot 8+ AI CLI 同时复用——这是第一个在工程级别证明 agent skill 跨 CLI 标准化可行的项目。
“files canonical, databases derived” 多 runtime 协作范式:JS CLI 核心 + Next.js Web alpha + Go TUI Dashboard 三域独立构建,共享 markdown/TSV 文件作为 single source of truth,可迁移到任何”多 runtime 工具”。

项目展示

README 媒体

— 类型: hero(架构图/项目主视觉,顶部 800px 横幅)
— 类型: demo(800px 终端录制,展示 pipeline 实际跑通过程)
— 类型: screenshot(社交背书)
+ — 类型: screenshot(媒体背书,合并 1 槽位)

官网媒体

— 类型: hero(Next.js 渲染的终端 pipeline 截图)

筛选说明

总共发现 7 个有效媒体元素(hero-banner / demo.gif / producthunt / wired / business-insider / warpchart chart / contrib.rocks)
筛掉 4 类无价值元素:trendshift 徽章、Discord/npm/claude-code shield.io 状态按钮、warpchart chart 动态外链(verified=null)、contrib.rocks(verified=null)

项目画像

维度	数据
GitHub	https://github.com/santifer/career-ops
Star / Fork	57,873 / 11,393
代码行数	48,998(JavaScript 52.3%, TSX 14.0%, Go 10.9%, TypeScript 10.0%, JSON 7.7%)
注释占比	47.6%(异常高——prompt/markdown 是一等公民)
项目年龄	2.9 个月(2026-04-04 创建)
总 commits	509(近 30 天 297 个,占 58.4%)
开发阶段	密集开发(2.0-rc.1 已发)
贡献模式	单人主导 + 社区协作(30 名贡献者,Top 1 占 43.2%)
热度定位	大众热门(爆发型增长)
质量评级	代码[良好] 文档[卓越] 测试[优秀] CI/CD[优秀]

作者视角:为什么存在这个项目

创始人/作者背景

Santiago Fernández de Valderrama(账号 @santifer),Seville, Spain。Bio 自述 “Building career-ops, open-source AI job search (57k★). Head of Applied AI. Founder (exit 2025)“——三个身份叠加:连续创业者 / Applied AI 实践者 / Builder-in-Public。

账号年龄 0.4 年(2026-01-23 创建)但粉丝 2,826——这是典型被自身明星项目 career-ops 引流的账号画像。Public repos 24 个,career-ops 投入权重极高(在最近 push 仓库中排第 2,仅次于自建的 warpchart.dev star telemetry 工具)。其他关键项目:cv-santiago 719★(本人真实 CV 样本)、career-ops-docs 36★、career-ops-plugin-template 2★——形成完整生态。

问题判断

作者看到了三层错位:

候选人侧:740+ offers,200+ 公司,Excel 追踪、Word 改 CV、LinkedIn 群发——手动定制每份申请不可能。
公司侧:ATS 用 AI 做 keyword filter / ML ranking,真正匹配的候选人反而被漏掉。
现有工具侧:LazyApply / Loopcv / JobHire.AI 走”mass auto-submit” 哲学,100% 黑盒,被候选人用到 spam 风控失效甚至被招聘方反制。

时机:2026 年 4 月——Claude Code 出圈 + Anthropic Agent SDK 成熟 + LinkedIn 2024 起对自动投递降权——三者叠加,创造了”AI 帮候选人 choose company” 这个叙事支点的最佳窗口。

解法哲学

作者明确选择的:Filter + Tailor + Human-clicks-Submit,与 SaaS 阵营的 “Submit” 形成根本对立。

透明度:A-F 6 block + 10 维度加权 + Block G(Posting Legitimacy 独立评分,3 档评级)——AI 决策完全可审计。
本地优先:data/applications.md + reports/*.md 是 single source of truth,SQLite 仅作 derived index,用户拥有 100% 数据。
零遥测零账户:package.json 0 analytics 依赖,扫、评估、生成全在 local。
明确不做什么:永不 auto-submit,不抓取 LinkedIn,不做 mass apply,不做 SaaS 化。

战略意图

基础设施 + Open-core with strong community moat,而非产品。

商业模式:完全免费(MIT 协议),仅商标 “career-ops” 保留(TRADEMARK.md)。
商业化路径:个人品牌(santifer.io)+ 培训/咨询/写作 + 雇主品牌效应——非 SaaS。
长期意图:演化为”Open Agent Skill Standard” 的 reference implementation,超越求职垂直,成为 agent skill 设计模式的示范项目。

核心价值提炼

创新之处

按新颖度×实用性排序:

Open Agent Skill Standard 跨 CLI 复用模式:20+ 个 modes/*.md 被 8+ AI coding CLI 同时复用,实现”一次编写、所有 agent 都能跑”。新颖度 5/5,实用性 4/5,可迁移性 5/5。
6-Block + Block G 双轨评分:A-F 评估 fit score(10 维度加权),Block G 独立评估 posting legitimacy(高/中/低 3 档)——避免单一分数掩盖”看起来好但其实是 ghost job”。引用 Bommasani et al. FAccT 2026 “Algorithmic Monocultures” 论文。实用性 5/5,可迁移性 5/5。
update-system.mjs 静态 import closure 扫描自升级:用 relativeImportSpecifiers() 正则扫描 import ... from 闭包,自动 checkout 所有相关文件,解决”老版本升级到新版本时 import 闭包死锁” 经典难题。实用性 4/5,可迁移性 5/5。
Voice DNA 优先级链:用户的 _profile.md > voice-dna.md > 默认 style,两层 scope(抗 AI-slop 硬规则 vs 对话风格规则)清晰分离。实用性 4/5,可迁移性 5/5。
A-F 评分透明 rubric:modes/_shared.md 公开 “4.5+ Strong match / 4.0-4.4 Good / 3.5-3.9 Decent / <3.5 Recommend against” 阈值。实用性 5/5,可迁移性 4/5。
本地优先 + 零遥测 + 零账户:scan.mjs 纯本地 HTTP,Playwright PDF + LaTeX 双管道,ATS 优化 keyword 注入。实用性 4/5,可迁移性 4/5。
14 语言 README 同步:update-system.mjs 的 SYSTEM_PATHS 全部含在内,DACH / 法国 / 日本 / 中东 / 波兰区域市场深度本土化(7 套区域化 modes)。实用性 3/5,可迁移性 3/5。

可复用的模式与技巧

可直接迁移到其他项目:

“Markdown 即 prompt” 模式:把 system prompt 从代码里剥离,作为 markdown 一等公民,用户可读可改可 fork 可版本管理。语言切换零代码改动。
“files canonical, databases derived” 多 runtime 协作:CLI + TUI + Web + Mobile 面对”数据流多向” 难题时,把 markdown/TSV 作为 single source of truth,SQLite/regex parser 只作 derived index。
DATA_CONTRACT.md system/user 边界 + CI 强 enforce:SYSTEM_PATHS allowlist + USER_PATHS denylist + validate-system-paths-coverage.mjs 校验 + no-user-data.yml workflow 拦截。
单文件集成测试 test-all.mjs 模式:9758 行,Node 内置 node:assert,零依赖零安装零 framework,node test-all.mjs 直接跑。适合”开箱即用” CLI 工具。
多 AI CLI vendor 目录约定:.agents/ .claude/ .opencode/ .antigravitycli/ .grok/ .kimi/ .qwen/ .codex/ 各自目录 + 共享 AGENTS.md 路由 + scaffolder/bin/skill-entrypoints.mjs 动态 materialize。
TSV 单一 tab-separated 行写入 + merge-tracker.mjs 合并:适合 ETL/批处理场景,Markdown table 在并发写入时容易损坏,TSV 解决原子并发安全。

关键设计决策

决策 1:三域协作(JS CLI / Next.js Web / Go TUI)共享 files canonical

问题:三个独立 runtime 怎么共享数据?各自维护 DB 冲突不可避免。
方案:data/applications.md + reports/*.md 是 single source of truth,SQLite 仅作 derived index。Go dashboard 用 regex 解析 markdown,JS tracker 用列名 header 解析,Web Next.js 读同一文件。
Trade-off:Markdown 解析在 Go 侧必须做严格格式兼容(列名 header-aware + fallback 固定位置),任何 column 插入都需双向同步;反之获得”git diffable、人类可读、跨语言共用” 的好处。
可迁移性:极高。任何多 runtime 工具面对”数据流多向” 难题时都适用。

决策 2:6-Block 评估流是 evaluation 的固定协议

问题:求职评估的”分析” 容易跑偏——要么 30 页长文,要么 30 个 bullet 的 list,没有结构。
方案:A-Role Summary / B-CV Match / C-Level Strategy / D-Comp Research / E-Customization Plan / F-Interview Plan / G-Posting Legitimacy——7 个固定 block,每 block 强制输出 schema。
Trade-off:对”显然的 yes” 显得啰嗦(需 2 分钟生成);对”模糊的 hybrid 角色” 塞不进 6 archetype;反之获得横向对比 100+ offers 极方便 + LLM 输出可被验证。
可迁移性:中-高。任何”多维度评估 + 决策支持” 场景(投资尽调、招聘 offer 评估、技术选型)都可用这个 schema。

决策 3:update-system.mjs 自更新系统必须解决”re-exec with new imports” 经典死锁

问题:你正在跑 v1.5.0 的 update-system.mjs,要从 GitHub fetch v1.6.0;但 v1.6.0 多了一个新 import。如何让老版本”接力” 给新版本而不炸?
方案:备份 → 检出 fetch 后的 update-system.mjs + resolveReexecCheckout() 静态扫描其 ESM import 闭包 → 把整个 closure 全部 checkout 出来 → exec 新版本接管。REEXEC_FALLBACK_FILES 提供兜底。
Trade-off:静态扫描可能漏掉动态 import / conditional require;反之获得”老版本永远能升级到老版本的下一版” 的健壮性。
可迁移性:高。rustup / Homebrew / nvm 等工具的传统做法都不够通用。

决策 4:多 AI CLI vendor 目录 + 共享 AGENTS.md 路由

方案:.agents/skills/career-ops/SKILL.md(agentskills.io 标准) + .claude/skills/career-ops/(Claude Code 软链) + .opencode/skills/ + .opencode/commands/(OpenCode 双格式) + .antigravitycli/ .grok/ .kimi/ .qwen/。所有 CLI 入口最终指向 canonical AGENTS.md。
Trade-off:每次新 CLI 出现要加一个 vendor 目录;反之获得”7+ CLI 共享同一 prompt 资产” 的绝对优势。
可迁移性:极高。“Open Agent Skill Standard” 是真正的范式。

竞品格局与定位

竞品对比矩阵

维度	career-ops	LazyApply	Loopcv	JobHire.AI	Teal	Huntr
过滤 vs 投递哲学	Filter + Tailor(人点 Submit)	Mass auto-submit	Mass auto-submit	Autonomous agent	Tracker + AI 简历	Kanban tracker
评分透明度	A-F 6 block + 10 维 + Block G	黑盒	黑盒	黑盒	半透(模板匹配)	无评分
ATS 优化	Playwright PDF + LaTeX 双管道	默认	默认	默认	模板化	无
Human-in-the-loop	强(永不 submit)	无	弱	无	强	强
开源程度	MIT,完全开源	闭源	闭源	闭源	闭源	闭源
本地优先	是(files canonical)	否	否	否	否	否
定价	$0	$49-149/月	$24-99/月	$29-99/月	$50-200/月	Free + $40/月 Pro
CLI 集成	8+ AI coding CLI	否	否	否	否	否
学术背书	是(Algorithmic Monocultures aware)	否	否	否	否	否

差异化护城河

开源 + 本地优先:在”数据隐私” 成为强诉求的求职场景下,这是结构性优势——SaaS 竞品无法复制。
Open Agent Skill Standard 跨 CLI:7+ AI coding CLI 都能用,触达开发者天然渠道——SaaS 竞品没有这条管道。
品牌权威 + 社区:57K★ + Product Hunt Featured + WIRED/Business Insider 报道,先发优势强。
学术背书:直接引用 Bommasani et al. FAccT 2026 关于 ATS 算法的论文,提升可信度。
modes-as-content 资产:20+ 个 markdown prompt 库 + 7 语言区域化 = 7 套 prompt 工程,非 trivial 工作量。

竞争风险

LazyApply/Loopcv 用”magic 一键” 拉新用户:career-ops 的 “filter+tailor” 学习曲线显著高于 “点一下自动投 100 家”。
ATS 厂商反制:LinkedIn 2024 已对自动投递工具降权——如果主流 ATS 把”用 AI 生成的 cover letter” 标记为低质,career-ops 价值链受冲击。
大厂做”求职 Copilot”:Microsoft Copilot for Job Search / Google Job Search AI 是潜在降维打击——但生态被锁定在 Office/Workspace 反而是 career-ops 的机会。
Issue #238 反映的产品张力:用户对”持久化登录 + 一键投递” 的渴望(参 linkedin-mcp-server)可能让作者被迫妥协 human-in-the-loop 哲学。

生态定位

横向:对标 Cursor / Continue.dev / Cody(都是”AI coding CLI 时代的工具”)——career-ops 把同一思路套到”求职”。
纵向:在”AI + 求职” 垂直里,占据”开源 + 透明 + human-in-the-loop” 三个象限,避开了”闭源 mass-spam” 红海。
未来:很可能演化为”Open Agent Skill Standard” 的 reference implementation——超越求职垂直,成为 agent skill 设计模式的示范项目。

套利机会分析

信息差:57K★ 已构成大众热门,套利窗口已过;但**“career-ops 是个 prompt 工程产品化范本”** 这个认知还远未在中文技术社区普及,这是信息差套利的机会——把 Open Agent Skill Standard 的设计哲学介绍到中文社区有先发优势。
技术借鉴:最有可迁移性的 4 个设计(DATA_CONTRACT system/user 边界 + modes-as-prompt + update-system import closure + A-F+G 双轨评分)可直接用到自己的项目。门槛:理解 modes/*.md 的 prompt 工程思想 + update-system.mjs 的 import 闭包扫描机制。
生态位:career-ops 填补了”AI coding CLI 时代缺一个求职领域的 Open Agent Skill reference implementation” 这个空白,竞品全是 SaaS 闭源。
趋势判断:Agent Skill 标准化 + 本地优先 + 数据隐私——三者都在趋势风口上,career-ops 既有先发优势又有结构优势,比 SaaS 竞品有后发优势。

风险与不足

2.0-rc.1 未稳定:架构正在升级(refactor 仅 0.5%,还在功能扩张期未沉淀),2.0 大版本可能带来 breaking changes。
商业模式单一:完全依赖个人品牌 + 社区,无 SaaS 收入,长期维护者激励问题待观察。
9758 行单文件测试:在 IDE 友好性 / 并行化上受限。
50+ modes 数量增长后的发现机制:discovery 需要持续优化,否则用户进入成本会上升。
Issue #238 反映的产品张力:用户对”持久化登录 + 一键投递” 的渴望可能让作者被迫妥协 human-in-the-loop 哲学。

行动建议

如果你要用它

适用:Senior+ AI/ML/Platform 工程师、Head of Applied AI、Staff+ 级别、愿意自部署 CLI 的求职者。
不适用:初级求职者(评分阈值 4.0/5 卡死,ethical use 段落反复劝退低 fit 投递)、不愿用 CLI 的纯 SaaS 偏好者、追求 100% 自动化的 lazy-apply 信仰者。
vs 选 SaaS 工具:如果你在意数据隐私、想要透明 rubric、愿意投入 30 分钟配置 → 选 career-ops;如果你想 5 分钟开箱即用 → 选 Huntr / Teal。

如果你要学它

重点关注的文件/模块:

优先级	路径	学什么
★★★★★	`ARCHITECTURE.md` + `modes/oferta.md`	6-Block 评估流的设计思想
★★★★★	`DATA_CONTRACT.md` + `update-system.mjs`	system/user 边界 + 自升级机制
★★★★★	`AGENTS.md` + `.agents/skills/career-ops/SKILL.md`	Open Agent Skill Standard 跨 CLI 复用
★★★★☆	`modes/_shared.md`	A-F 评分透明 rubric + Voice DNA 优先级
★★★★☆	`dashboard/internal/data/career.go`	Go 端 markdown 解析 + 三域协作
★★★☆☆	`test-all.mjs`	单文件集成测试的零摩擦哲学
★★★☆☆	`plugins-registry.json`	插件注册中心的数据结构

如果你要 fork 它

可以改进的方向:

简化评估流:6 block 对 90% 场景过度工程,做一个 3-block 简化版(尤其针对中级求职者)
加入 LinkedIn 集成(注意 #238 的设计张力):做”半持久 session” + 显式”这是 AI 帮你登录,不是 AI 帮你投”
把”Open Agent Skill Standard” 抽象成独立 npm 包:让任意 prompt 资产都能用同一 vendor 目录约定打包
加入 ATS 反向工程模块:扫描 ATS 输出,反推”为什么这个 CV 被拒” + 给出修补建议
多模态面试 prep:语音/视频 mock interview(Issue #509 已经提了)
数据可视化增强:Go TUI dashboard 加 7 维度散点图(补偿 vs match score 关系)

知识入口

资源	链接
DeepWiki	https://deepwiki.com/santifer/career-ops
Zread.ai	未验证可达(WebFetch 403)
关联论文	Algorithmic Monocultures in Hiring (Bommasani et al. FAccT 2026)(项目内引用)
在线 Demo	`docs/demo.gif`(终端录屏);可 `npx @santifer/career-ops init` 本地复跑
作者长文	santifer.io/career-ops-system
官方文档	career-ops.org + career-ops.org/compare