一天新增 855 stars，career-ops 把 AI 求职从投递机器变成筛选系统

北京时间 2026 年 8 月 21 日清晨，GitHub Today 榜上的 career-ops 显示当天新增 855 个 stars。观察时它累计为 66,555★，而且就在数小时前发布了 v1.28.0。Today 榜 的这个数字是 GitHub 当天展示的增长信号，不是把累计 stars 倒推成单日增长。

这波关注不只因为“又一个 AI 求职工具”。career-ops 的主张恰好反过来：它不替你把简历大规模投出去，而是先用一套可读、可改、可复核的本地流程，帮你判断哪些职位根本不该投。我想借这个项目拆一拆，为什么求职 Agent 的价值可能不在“代替点击提交”，而在把判断过程留下来。期望对大家有所帮助。

不是自动投递器

项目把自己做成一组可由 Claude Code、Codex、OpenCode 等 AI CLI 读取的 Skill 和模式文件。用户给它职位 URL 或职位描述后，它会根据自己的简历和偏好识别职位类型，输出 A - H 维度的评估报告，并生成针对该职位的 PDF 简历和本地 tracker 记录。

其中一个刻意的边界是：评估、起草、排序都可以交给模型，但申请仍由人确认。README 明确说明它不会发送邮件、提交申请或点击表单。这个限制很重要。求职场景里，模型最容易造成的损失通常不是“少自动化一步”，而是把不真实的经历、错误的判断或不合适的职位大规模传播出去。

它的工作流可以概括成这样：

职位 URL 或职位描述
          │
          ▼
职位类型识别 + 简历匹配评估
          │
    ┌─────┼─────┐
    ▼     ▼     ▼
  报告   PDF   本地 tracker
          │
          ▼
      人工复核与提交

这也解释了它和“AI 帮我投 1,000 份简历”类工具的不同。它的评分并不只是关键词匹配：项目把岗位匹配、能力缺口、薪酬研究、面试故事和职位可信度分别写进流程。README 还把职位合法性单列为 Block G，避免它影响 1.0 - 5.0 的岗位匹配分数。技术细节未必保证结果正确，但至少让你能看到模型到底因为什么给出结论。仓库的完整说明 和 方法论页面 都把这层记录当作产品的一部分。

今天的热度，来自一条真实的发布节奏

career-ops 建于 2026 年 4 月 4 日，并非多年老项目突然被翻出来。北京时间 8 月 21 日 05:01 观察时，GitHub API 显示仓库为 66,555★、12,808 forks，MIT 许可；主分支在观察前几分钟仍有提交。v1.28.0 于 8 月 21 日 00:52 北京时间发布，包含 Gemini 的原生 Node 批量评估器、更多 ATS 探测和职位 AI 筛选披露信号等改动。

这条版本说明不等于“855 个 stars 都由它带来”，因果关系不能这样写。但两种信号放在一起足够说明为什么它值得观察：一边是 Today 榜可见的当天增长，另一边是公开可查、仍在快速维护的项目材料。

项目的作者 Santiago Fernández de Valderrama Aparicio 在个人网站上自称为 Head of Applied AI，也是 career-ops 的创建者。他写明这是从自己的求职过程中做出来的系统：曾评估 740 多个岗位、制作 100 多份定制 CV，最后获得一份职位。这个经历是作者自身叙述，不是独立效果保证；但它解释了为什么仓库里的功能没有停在“改一份简历”，而是继续扩展到职位扫描、面试准备、跟进与记录。作者介绍 和 项目的案例说明 都可供复核。

Skill 真正承担的是约束，不是魔法

从代码组织看，career-ops 没有训练一个新模型。它把领域知识拆成 modes/ 下的 Markdown 流程和共享说明，再为不同 CLI 提供入口。换句话说，模型负责读职位、读你的材料和完成推理；Skill 负责把输入文件、输出格式、人工检查点和数据落点约束住。

这种方式有三个实际好处：

• 换模型或换 CLI 时，求职记录不必跟着某个 SaaS 账户走
• 简历、配置、报告和 tracker 都在本地文件中，可以审阅、备份和按自己的规则修改
• 评分规则和提示词可见，发现某项判断总是偏离预期时，可以定位到流程而不是只能接受黑箱结果

不过，本地不等于数据永远不会离开机器。README 的免责声明写得很直接：简历和联系信息会被发送给你选择的 AI 提供商。因此，首次尝试最好使用经过脱敏的简历副本；也要确认每个 CLI 当前使用的是订阅登录还是 API key，避免把测试任务意外计入按量账单。

适合谁先试

如果你已经在用 Codex、Claude Code 或 OpenCode，而且求职最大的问题是“信息很多，判断标准每次都在变”，career-ops 值得先在一个单独目录中试跑。它的快速安装命令是：

npx @santifer/career-ops init

先只用一份已公开或已脱敏的职位描述，检查四件事：评分理由能否对应你的真实经历；生成的简历是否出现了并不存在的成果；tracker 的字段是否符合你的求职节奏；以及你选择的模型服务会如何处理输入数据。都确认后，再把它接进真实职位扫描。

对只想一键海投的人来说，这个项目反而可能显得太重。但对愿意把求职当作一个需要持续校正的决策过程的人，它提供了一个很有用的提醒：Agent 最应该替你省掉的，不是最后那次“提交”，而是此前不断重复、却应该被审查的判断工作。