凌晨2点，当我的第86份简历再次石沉大海时，我决定用技术手段解决这个时代难题…
作为一名被裁员的Java工程师，在求职过程中我发现两个残酷现实：
- 海投效率极低（平均每份简历耗时15分钟）
- 人工写Cover Letter根本无法匹配JD关键词
直到我发现GitHub上一个叫Jobs_Applier_AI_Agent的项目——可惜这个2023年的项目早已无法运行。经过72小时的重构，终于诞生了这个求职核武器：
🛠️ 手把手安装教程（避坑指南）
环境配置（Windows/Mac通用）
# 强烈建议使用conda避免依赖冲突
conda create -n jobsenv python=3.12
conda activate jobsenv
# 安装依赖
pip install -r requirements.txt密钥配置（国内用户特别注意）
- OpenAI用户：
# data_folder/secrets.yaml
llm_api_key: sk-your-openai-key💡 实测GPT-4-turbo版本效果最佳，免费账号每天200次调用足够投递20个岗位
- 国内替代方案：
# config.py
LLM_MODEL_TYPE = 'claude' # 使用CloseAI等国内镜像
LLM_API_URL = 'https://api.your-proxy.com/v1'简历配置技巧
# plain_text_resume.yaml 关键字段示例
skills_acquired:
- "Java（Spring Boot微服务经验）"
- "AWS（已获得Cloud Practitioner认证）"
experience_details:
- position: "Senior Developer"
key_responsibilities:
- responsibility: "优化系统QPS从200提升至1500" # 量化成果很重要！⚡️ 实战演示：3分钟搞定Amazon SDE岗位申请
- 启动智能模式：
python main.py --mode smart_apply- 输入LinkedIn职位链接：
https://www.linkedin.com/jobs/view/4191896519- AI生成效果：
- 自动提取JD中的”微服务”/”K8s”等关键词
- 动态调整简历技能排序（匹配度可视化）
- 生成带薪资谈判话术的Cover Letter
💣 踩过的坑（血泪经验）
- LinkedIn反爬解决方案：
# 在playwright脚本中添加人类行为模拟
await page.wait_for_timeout(random.randint(1000,3000))
await page.click('button', delay=random.randint(200,800))- API限流应对：
- 国内用户建议使用CloseAI按量付费
- 免费方案可搭配多个账号轮询
- 简历格式陷阱：
- 避免使用”精通”等绝对化表述
- 项目经历必须包含STAR法则：
情境(Situation)：日均100万订单系统 任务(Task)：重构支付模块 行动(Action)：引入RabbitMQ削峰 结果(Result)：支付成功率从92%→99.5%
📈 使用效果统计（200人实测）
| 指标 | 人工投递 | AIHawk投递 |
|---|---|---|
| 日均投递量 | 8份 | 50份 |
| 面试转化率 | 3.2% | 7.8% |
| 平均薪资涨幅 | 12% | 23% |
注：数据来自用户调研，最高记录单日收到5个面试邀请
🚀 进阶玩法
- 自动追踪系统：
python tracker.py --company "Google" --status "interview"- 薪资谈判模式：
AIHawk会根据Glassdoor数据生成：
"贵司L5岗位湾区基准薪资为$145k，基于我的AWS架构经验，期望$158k"- 面试题库生成：
基于JD自动生成技术问题清单（含答案）最后的小建议：
这个项目已经在GitHub开源：paulloo/AIHawk，如果你也在求职：
- 不要无脑海投，先用AI分析JD匹配度
- 每周更新简历中的关键词（可用AI检测）
- 记得给项目点个Star⭐️，算法岗的内推机会藏在commit历史里…
“在这个HR用AI筛简历的时代，我们必须用AI打败AI” —— 某位靠这个项目上岸Meta的工程师
正文完