大部分人拿 AI 來投更多履歷。有個西班牙工程師反過來用：他讓 AI 把 740 個職缺砍到剩 68 個。
一句話結論：career-ops 是一套 6.4 萬星的開源 AI 求職系統，用五個維度把每個職缺打成 1.0–5.0 分、自動生成 ATS 履歷、追蹤投遞進度；作者靠它評估 740 個職缺、只投 68 個，最後簽下一份 offer。它從不替你按送出鍵，也可以完全零成本跑。
（開源專案更新極快，本文數據為 2026 年 8 月 20 日實查。）
career-ops 是什麼？
它是一個跑在你自己終端機裡的求職指揮中心。你把履歷和求職偏好放進一個資料夾，接著用斜線指令叫 AI 幫你做四件事：掃職缺、評分、生成客製履歷、記錄投遞狀態。
作者是 Santiago Fernández de Valderrama（GitHub 帳號 santifer）。他賣掉經營 16 年的手機維修生意之後轉行找 AI 工程職位，第一週純手動投履歷，第二週乾脆停下來寫工具。工具做完，他拿到了 Head of Applied AI 的職位，然後在 2026 年 4 月 4 日把整套系統開源。
| 項目 | 實查數據（2026-08-20） |
|---|---|
| GitHub 星數 | 64.1k |
| Fork 數 | 12.6k |
| 累積 commit | 1,322 |
| 授權 | MIT |
| 開源日期 | 2026-04-04 |
| 支援的 AI CLI | Claude Code、Codex、Antigravity、OpenCode、Grok、Qwen 等 |
| 社群 | Discord 4,400+ 人 |
先說一個容易被忽略的數字：12.6k fork 對 64.1k star，比例接近五分之一。一般工具型專案的 fork 遠低於這個水位。原因很單純：career-ops 不是拿來 import 的函式庫，是一個要塞進你個人履歷和求職偏好的模板，想用就得先 fork 一份自己的。
它怎樣評一個職缺？
它讀完職缺描述和你的履歷，從五個維度綜合判斷，最後給一個 1.0 到 5.0 的 Global 分數，並對應到 A 到 F 的等第。
這裡有個細節值得講清楚，因為多數轉載都寫錯了：公開版本沒有算術公式。它沒有把五個維度各打一分再平均。實際做法是由模型讀完整份脈絡，給出一個整體判斷。作者在說明裡寫得很直白：脈絡會改變什麼才重要，判斷就要跟著調整。他上線前的私人評分表有 10 個子維度、各帶不同權重，開源時才收斂成現在這套。
評完會生成一份報告，拆成六塊：摘要、履歷對應、職級與策略、薪酬、客製化建議、面試機率。履歷對應那塊會把職缺的每一條要求，逐條對到你履歷裡的真實佐證，標出強度，然後把落差和補救方式列出來。
740 → 68 → 12 → 1，這個漏斗說明什麼？
作者公開了自己 2026 年那次求職的完整數字：
- 評估了 740 個職缺
- 實際投出 68 份申請
- 進到 12 個面試流程
- 簽下 1 份 offer
第一步到第二步，砍掉了 91％。
他另外公布了其中一段的評分分布，總共 195 筆：
| 分數帶 | 等第 | 數量 |
|---|---|---|
| 4.5 以上 | A | 21 |
| 4.0–4.4 | B | 52 |
| 3.0–3.9 | C | 71 |
| 3.0 以下 | D–F | 51 |
四分之三的職缺低於 4.0 分。換句話說，這套系統絕大部分的工作時間，都花在告訴主人「這個不用看」。
公司用 AI 篩候選人，我只是把 AI 交到候選人手上，讓他們篩公司。
Santiago Fernández de Valderrama，career-ops 作者
我覺得這才是這個專案真正的賣點，而且跟目前市面上大多數 AI 求職工具的方向相反。那些工具比的是「一天能投幾份」，career-ops 比的是「一天能安全地不投幾份」。作者把設計原則寫死在文件裡：系統做分析，人做決定。apply 模式雖然會用 Playwright 幫你把表單填好，但送出鍵永遠留給你按。
順帶一提，這件事也回答了「這樣算不算作弊」。它沒有替你捏造經歷，也沒有替你決定要不要投。它只是把讀 800 字職缺描述、然後發現七成不合適的那段時間收回來。
12 個模式各做什麼？
career-ops 沒有把所有邏輯塞進一個超長 prompt，而是拆成 12 個獨立模式，每個模式是一個技能檔，帶自己的脈絡和規則。
| 模式 | 做什麼 |
|---|---|
auto-pipeline | 旗艦模式：一個網址進去，評估報告、客製 PDF、追蹤紀錄一次出來 |
scan | 掃職缺板和目標公司的招募頁（很多職缺不會出現在聚合網站） |
oferta / ofertas | 單一職缺深度評估 / 多職缺比較排序 |
pdf | 針對該職缺生成 ATS 友善履歷 |
batch | 並行處理：一個總控加多個 worker |
apply | 互動式填表，送出前一定要你確認 |
tracker | 投遞狀態儀表板 |
contacto / deep | 找對的人聯絡 / 深度公司研究 |
pipeline / training | 批次讀取待辦網址 / 評估課程與證照值不值得念 |
拆成模式的好處在文件裡講得很具體：改 PDF 邏輯不會動到評分邏輯，新增模式不會弄壞舊的。這其實就是 Agent Skills 那一套做法：每個技能檔只載入自己需要的東西，脈絡越乾淨，判斷越準。如果你想知道這個格式本身怎麼運作，可以看我寫過的 Claude Skills 是什麼；而技能包數量爆炸之後帶來的品質問題，我在今天早些時候那篇談過。
batch 模式的規格也交代得很清楚：8 個並行 worker，每個獨立 200K 脈絡，失敗自動重試兩次，有鎖檔避免重複執行，中斷之後可以接續。
生成的履歷跟一般模板差在哪？
差在它每投一個職缺就重寫一次。固定七步：從職缺描述抽 15 到 20 個關鍵字塞進摘要、每段經歷的第一個 bullet 和技能區；偵測語言（英文職缺出英文履歷）；偵測地區（美國公司出 Letter、歐洲出 A4）；套用六種職業原型之一改寫摘要；按相關度挑三到四個專案；把最相關的 bullet 往上排、其餘往下但不刪除；最後用 Puppeteer 轉成單欄、自架字型的 ATS 安全 PDF。
作者強調關鍵字只做重新表述，不會編造沒有的經歷。這一點如果你要用，建議自己再驗一次。履歷造假的代價，遠高過省下來的時間。
要花多少錢？可以完全免費嗎？
可以。這是 career-ops 過去幾個月變化最大的地方，也是很多中文轉載還沒更新的部分。
它現在透過開放的 Agent Skill 標準做到不綁單一廠商：核心邏輯寫在 .agents/skills/career-ops/SKILL.md，再對每個 CLI 各做一份對應設定，所以 Claude Code、Codex、Antigravity、OpenCode、Grok、Qwen 都跑得動。文件裡也明講可以接 OpenRouter 的免費模型、本機 Ollama，或任何 OpenAI 相容端點，倉庫附了一份預算方案說明。
要注意時間差。作者個人網站上那篇案例研究（最後更新 8 月 11 日）的常見問題區還寫著「需要 Claude Code」，但倉庫本身的說明已經是 CLI 中立加支援免費模型。以倉庫為準。
成本大致分三檔：接 Ollama 或 OpenRouter 免費模型是零元，但評估品質會跟著模型走；月費約 20 美元的入門方案足夠中低用量；作者自己跑在月費約 200 美元的高階方案上，不過那是他所有專案共用的，不是 career-ops 專屬開銷。（價格以官方頁面為準，截至 2026 年 8 月。）
隱私方面：履歷和個人資料留在你自己機器上，只送去你指定的模型供應商，作者不經手。如果你在意這一層，我最近寫的企業 AI 資料保留比較可以一起看——你選哪家供應商，會決定你的履歷在對方那邊留多久。
跟 7 月那個 ai-job-search 差在哪？
我在 7 月寫過另一個爆紅的 AI 求職框架 ai-job-search，兩個常被混為一談，但定位差很多。
| career-ops | ai-job-search | |
|---|---|---|
| 星數 | 64.1k | 約 1.96 萬（2026-07） |
| 核心主張 | 篩掉不合適的，投得更少 | 把求職流程整套自動化 |
| 綁不綁 CLI | 不綁，六種以上都支援 | 建在 Claude Code 上 |
| 能否零成本 | 可以（本機或免費模型） | 需付費方案 |
| 評分機制 | 五維綜合判斷，1.0–5.0 | 契合度評估 |
| 面試準備 | 三段式：規劃、模擬、覆盤 | 面試題準備 |
| 公開實績 | 740→68→12→1，作者本人 | 未公開個人漏斗 |
簡單講：如果你正在大量投履歷、想加速，ai-job-search 的路線比較直觀。如果你的問題是投了很多都沒回音、想搞清楚該把力氣放哪，career-ops 的方向才對。兩個都是 MIT 授權，都可以先 fork 下來玩。
你適不適合裝？30 秒自測
怎樣開始用？
四個步驟，第一次設定大約一到兩小時，主要時間花在整理履歷。
- Fork 並下載倉庫。到 GitHub 把 santifer/career-ops fork 一份到自己帳號再 clone 下來，因為你要放個人資料進去。
- 準備履歷和偏好。把履歷整理成 markdown 放進工作目錄，寫清楚目標職位、地區、薪資期待。這步做得越細，評分越準。
- 在專案資料夾開你的 AI CLI。Claude Code、Codex、OpenCode、Antigravity 都可以；預算有限就照倉庫的預算方案接 Ollama 或 OpenRouter 免費模型。
- 先跑一個職缺試水溫。用 auto-pipeline 丟一個職缺網址進去，看它輸出的評估報告、客製 PDF 和追蹤紀錄。覺得判斷合理，再開 scan 和 batch 放量。
兩個實用提醒。第一，它有去重機制，掃過的網址會記進歷史檔，不會重複評估同一個職缺，作者說這個功能省下來的時間比優化評分還多。第二，v1.16 之後加了面試三段式：事前規劃、模擬面試、事後覆盤。模擬面試那段會拿你的真實履歷去對你講的每一句話，你講不出佐證的東西它不讓你練；覆盤則是記錄你實際說了什麼，不是美化版本，而且逐字稿預設不進 git。
誰不該用？
三種人建議跳過。
沒碰過終端機的人：它沒有網頁介面，全部靠指令列跑，光是把環境弄起來就可能勸退你。想要一鍵海投的人：它明確拒絕做這件事，送出鍵永遠在你手上。以及求職目標還沒想清楚的人：評分需要一個明確的目標職位當基準，你自己都說不清楚要找什麼，模型只會跟著模糊。
有沒有其他選擇？
有，看你缺哪一塊。
- 只想要好看又注重隱私的履歷：Reactive Resume 這類開源履歷產生器有網頁介面，不用碰終端機。
- 想要整套自動化而非篩選：7 月那個 ai-job-search 路線比較接近，上手也快一點。
- 只想針對幾個目標職缺客製履歷：其實不用裝系統，把職缺描述和履歷一起丟給任何一個 AI 聊天工具，叫它逐條對應要求並重排 bullet，效果就有七成。
- 想自己組：career-ops 的 12 個模式都是 markdown 技能檔，可以只抽你要的那幾個來改。相關的開源專案我整理在 GitHub 熱門開源 AI 專案精選。
常見問題
career-ops 會自動幫我投履歷嗎？
不會。apply 模式會讀取頁面、調出先前的評估、把表單內容生成好，但送出前一定停下來等你確認。作者把這個設計寫成原則：系統做分析，人做決定。
一定要用 Claude Code 嗎？
不用。它透過開放的 Agent Skill 標準支援 Claude Code、Codex、Antigravity、OpenCode、Grok、Qwen 等多種 AI CLI，用你手上已經有的那個就行。作者網站上的舊版說明還寫著需要 Claude Code，以倉庫文件為準。
我的履歷會被上傳到哪裡？
留在你自己的機器上，只會送去你指定的模型供應商。作者不收集、不儲存、也接觸不到你的資料。如果連這樣都不放心，接本機 Ollama 就完全不出機器。
評分準不準？
作者自己那次求職評了 740 個職缺、拿到一份 offer，社群也有人回報靠它拿到工作。但分數是模型的整體判斷，會受你履歷寫得多完整、目標設得多清楚影響。建議先跑十個你已經有判斷的職缺，看它給的分跟你的直覺差多遠，再決定要不要信它篩掉的那批。
它是免費的嗎？
工具本身是 MIT 授權免費開源，沒有付費牆也沒有功能鎖。你唯一可能付的是 AI 模型的錢，而接本機或免費模型可以把這筆也降到零。
我的看法
這個專案最值得學的東西，可能不是求職。
作者做了一個多代理系統來找多代理相關的工作，然後這個系統本身變成了他最強的作品集。面試講不清楚的能力，直接用一個 64.1k 星的倉庫證明完畢。他自己在心得裡寫得很清楚：最好的開源時機，是這個專案已經在真實情境證明過價值之後。
至於工具本身，我的判斷是：它解決的是選擇問題，不是產能問題。如果你投了三十份沒人理，多投三十份多半也不會有人理。真正該修的是前面那道篩子——而這正好是 AI 目前做得比人穩的事，因為它不會因為讀到第八百字就開始不耐煩。
那句話值得放在最後：公司早就用 AI 篩你了，這只是把同一件武器交回你手上。
免責聲明：本文為開源工具介紹，非求職顧問建議，也未收取任何形式的贊助。文中數據為 2026 年 8 月 20 日實查，開源專案更新快速，實際功能與定價以官方倉庫和供應商頁面為準。使用任何自動化工具投遞履歷前，請自行確認符合該招募平台的服務條款；履歷內容請務必自行覆核，確保全部屬實。
參考資料：santifer/career-ops GitHub 倉庫｜作者案例研究：How I Built an AI Job Search System That Got Me Hired｜The CareerOps Manifesto
發表迴響